Isomorphic Labs融资21亿美元：AlphaFold团队如何用AI重塑药物发现

DeepMind联合创始人押注AI制药：21亿美元融资背后的野心

DeepMind联合创始人、2024年诺贝尔化学奖得主Demis Hassabis近日在社交媒体上宣布，其创办的AI制药公司Isomorphic Labs获得了21亿美元的新一轮融资。这笔巨额资金将用于加速公司"重新定义药物发现、终有一天攻克所有疾病"的宏大使命。

Hassabis在推文中写道："我一直相信，AI的第一大应用应该是改善人类健康。这项工作始于AlphaFold，现在通过Isomorphic Labs继续推进。"

从AlphaFold到Isomorphic Labs：技术进化的完整路径

AlphaFold：破解蛋白质折叠的50年难题

AlphaFold是DeepMind在生命科学领域最具里程碑意义的成果。它成功解决了困扰生物学界50年的蛋白质结构预测问题，能够以原子级精度预测蛋白质的三维结构。这一突破为理解疾病机制和锁定药物靶点提供了前所未有的工具，Hassabis也因此斩获2024年诺贝尔化学奖。

蛋白质折叠问题被列为生物学领域最重要的未解难题之一。蛋白质由氨基酸链组成，其功能完全取决于折叠后的三维结构。1972年，诺贝尔奖得主Christian Anfinsen提出蛋白质的氨基酸序列决定其三维结构，但如何从序列预测结构一直未能解决。传统方法如X射线晶体学和冷冻电镜虽能解析结构，但耗时数月甚至数年，且成本高昂。AlphaFold2在2020年CASP14（蛋白质结构预测关键评估）竞赛中达到了与实验方法相当的精度，随后开源的AlphaFold数据库已预测了超过2亿种蛋白质的结构，覆盖几乎所有已知蛋白质，彻底改变了结构生物学的研究范式。

Isomorphic Labs：AI原生的制药公司

Isomorphic Labs成立于2021年，是Alphabet旗下独立运营的AI制药公司。公司名称中的"Isomorphic"（同构）揭示了其核心理念——生物学和信息科学之间存在深层的结构对应关系，AI可以充当连接两者的桥梁。

"同构"是数学中的核心概念，指两个结构之间存在保持运算关系的双射映射。Hassabis将这一概念引入生命科学，其深层含义是：生物系统中的信息处理（如DNA转录、蛋白质相互作用、信号通路传导）与计算系统中的信息处理遵循相似的底层规律。如果能找到这种对应关系，就可以用计算方法精确模拟和预测生物过程。这一理念也呼应了物理学家Eugene Wigner关于"数学在自然科学中不合理的有效性"的著名论述——自然界似乎天然具有可被数学描述的结构。

与传统药企将AI作为辅助工具不同，Isomorphic Labs从创立之初就以AI为核心驱动力。这种"AI原生"的方法论赋予它在药物发现的速度和效率上具备颠覆性优势的潜力。

21亿美元融资的战略意义

资金规模折射行业信心

21亿美元的融资规模在AI制药领域堪称重磅，不仅反映了投资者对Isomorphic Labs技术实力的高度认可，更体现了资本市场对AI驱动药物发现赛道的长期看好。

传统药物研发长期面临"双十定律"的困境——平均需要10年时间和10亿美元才能将一款新药推向市场，且成功率极低。事实上，这一定律已经严重"通胀"：根据Tufts药物开发研究中心的数据，一款新药从发现到上市的平均成本已超过26亿美元，周期可达12-15年。更严峻的是，进入临床I期的候选药物最终获批上市的概率不足10%，肿瘤领域更低至约5%。失败主要集中在II期和III期临床试验，原因包括疗效不足（约40-50%）和安全性问题（约30%）。这意味着大量资源被投入到注定失败的项目中。AI技术的核心价值在于尽早识别这些失败风险，从根本上打破这一瓶颈，在多个关键环节大幅提升效率：

• 靶点识别：利用图神经网络和大语言模型分析蛋白质相互作用网络，挖掘全新的药物靶点
• 分子设计：通过变分自编码器、生成对抗网络和扩散模型等生成式AI，设计具有理想药理特性的候选分子
• 临床预测：利用多任务学习模型同时预测ADMET（吸收、分布、代谢、排泄、毒性）等关键参数，提前预判药物的毒性与有效性，降低试错成本
• 个性化医疗：基于患者基因组数据，结合因果推断和贝叶斯优化进行患者分层，定制精准治疗方案

Isomorphic Labs的独特优势在于其从蛋白质结构出发的"结构引导药物设计"路径。与纯粹依赖统计相关性的配体基药物设计不同，这种方法从物理第一性原理出发理解分子间相互作用的本质，具有更强的物理可解释性和泛化能力。

AI制药竞争格局加速洗牌

这笔融资也将进一步加剧AI制药领域的竞争。目前赛道上的主要玩家包括Recursion Pharmaceuticals、Insilico Medicine、Exscientia等公司，以及各大传统药企纷纷组建的AI研发部门。

这些竞争对手各有差异化路径：Recursion Pharmaceuticals侧重于高通量细胞表型筛选与计算机视觉的结合，构建了全球最大的生物图像数据集，试图从表型层面发现新的生物学关系；Insilico Medicine采用端到端AI平台Chemistry42进行分子生成，其抗纤维化药物ISM001-055已进入II期临床试验，是AI制药领域进展最快的管线之一；Exscientia（现已被Recursion收购）专注于精准医学和自适应临床试验设计。

相比之下，Isomorphic Labs凭借AlphaFold的深厚技术积累和Google/Alphabet的生态资源支持，在竞争中占据了独特的身位。其核心差异在于从物理第一性原理出发的方法论，这可能在面对训练数据稀缺的罕见病领域展现独特优势——当历史数据不足以支撑纯统计学习时，基于物理规律的模型仍能做出合理预测。

"攻克所有疾病"：愿景宏大，挑战同样真实

Hassabis提出的"one day solve all disease"听起来极为大胆，但并非毫无根据。随着AI在蛋白质结构预测、基因组学分析、药物相互作用模拟等领域持续取得突破，人类对疾病的理解正在以前所未有的速度加深。

不过，从AI模型的计算预测到真正落地的临床应用之间，仍然横亘着巨大的鸿沟。药物研发涉及复杂的生物学验证、多阶段临床试验、严格的监管审批等环节，这些远非纯粹的算力问题所能解决。

这一"最后一公里"问题远比技术社区通常认知的更为复杂。首先是生物学验证的不可替代性：计算预测的候选分子必须经过体外细胞实验、动物模型验证，才能确认其在真实生物环境中的行为——蛋白质在活细胞中的构象可能与计算预测存在差异，分子在体内的代谢路径也可能产生意料之外的代谢产物。其次是药物制剂学挑战：一个分子即使具有完美的靶点亲和力，如果无法被制成稳定的制剂、无法被人体有效吸收，也毫无临床价值。再次是监管科学的滞后：FDA等监管机构对AI生成的证据如何纳入审批决策尚未形成成熟框架，2023年FDA发布的AI/ML药物开发讨论文件仅是初步探索。最后是真实世界的复杂性：人体是一个开放的复杂系统，存在个体差异、共病、合并用药等AI模型难以完全捕捉的变量。

Isomorphic Labs需要证明的是：其AI技术不仅能在计算层面产出有价值的洞见，更能切实转化为安全有效的治疗方案。

AI制药的下一步：从概念验证走向临床现实

21亿美元的资金注入将使Isomorphic Labs有能力大幅扩充研发团队、拓展药物管线，并有望推动早期候选药物进入临床试验阶段。

对于整个AI制药行业而言，这笔融资释放了一个清晰的信号：AI驱动的药物发现已经走过概念验证阶段，正在成为切实改变人类健康的现实力量。当AlphaFold的技术基因与21亿美元的资本弹药相结合，Isomorphic Labs或许正站在开启制药行业新纪元的起点上。

核心要点

• Isomorphic Labs获得21亿美元新一轮融资，用于加速AI药物发现
• 公司由DeepMind联合创始人Demis Hassabis创办，使命是重新定义药物发现并最终攻克所有疾病
• 技术基础源于AlphaFold在蛋白质结构预测领域的突破性成果，已预测超过2亿种蛋白质结构
• AI制药赛道竞争加剧，Isomorphic Labs凭借结构引导药物设计的方法论和Alphabet生态占据独特优势
• 从AI预测到临床应用仍面临生物学验证、制剂学挑战、监管框架缺失等重大挑战