仅成立4个月，这家中国公司的全原子生物基础大模型登顶全球

新智元报道

一家成立仅 4 个月的中国公司，把全原子生物基础大模型做到了全球第一梯队。

这家公司叫深旋科技（Atomelody），刚刚首次发布了自研通用生物分子基础模型Melo-1 Preview。

在蛋白-多肽、蛋白-小分子等复杂分子结构预测任务上，Melo-1 在多个公开 Benchmark 中刷新了核心指标；并且在除 DNA 外的多肽、小分子、抗原抗体、RNA 等多数评测指标上，已经超过 AlphaFold 3。

Melo-1 preview 版本在 Protein-peptide 和 Protein-ligand 场景上绝对领先

正如我们刚才所说，这家公司非常特殊的一点，便在于它的「年龄」。

深旋科技成立才 4 个月，落在深圳南山，主攻 AI 驱动的大分子创新药发现，团队希望把全原子生物基础模型进一步用到环肽、抗体等复杂药物设计中。

虽然 AlphaFold 已经把预测蛋白结构这件事推到了一个新的高度，但现在，一批中国创业公司开始继续往更难的地方钻。

这次深旋盯上的，是原子尺度上的药物设计。

啃下最硬的那块骨头

要理解 Melo-1 做了什么，得先明白它为什么从肽下手。

过去两年，以 GLP-1 为代表的多肽药物，几乎是一己之力把全球代谢市场重新点燃了一遍。多肽成了整个制药行业最热的赛道之一。

但从计算的角度看，肽是个非常难的东西。

它卡在小分子和大分子之间的中间尺度，柔性极高。一个小分子的构象自由度相对有限；而一段肽（尤其是环肽）在溶液里往往不存在唯一的静态构象，而是一大群构象在动态平衡里来回切换。

这件事直接卡住了现在的主流模型。

以 AlphaFold 3 为代表的全原子模型，在常规单体蛋白、普通蛋白-蛋白复合物的预测上已经相当成熟。但一旦对象换成高自由度的多肽复合物，或者结构复杂的小分子与靶点蛋白的结合，精度不足、泛化性差的问题就暴露出来了。

Melo-1 切的正是这一刀。它做的事，是对蛋白-肽复合物的三维结构及原子级相互作用做精准建模。

一个多肽能不能精准结合靶点，本质上取决于它在三维空间里的原子级相互作用：结合界面的形状互不互补、氢键搭没搭上、疏水作用够不够、还有一堆非共价相互作用。这些东西全都发生在原子尺度上，序列层面看不见。

药物分子的功能最终建立在原子尺度的三维相互作用之上。设计目标正在从生成一条合理的蛋白质序列，走向设计一个能够在靶点表面形成正确原子级相互作用的功能分子。

所以深旋科技所做的事情背后的逻辑链条很清晰了，即只有先真正搞明白「多肽是怎么和靶点结合的」，AI 才能继续去解析关键结合位点和作用机制，然后指导序列设计、结构优化、亲和力迭代。

Melo-1 的意义可以说是不在于把某个指标又往上推了几个点，而在于它为AI进入大分子药物设计铺了一层结构基础设施。上面这层地基没打好，后面所有的生成、筛选、优化都是空中楼阁。

除此之外，结构的合法性（Validity）也是 Melo-1 这次的看点之一。

现在有些模型在公开评测集上分数很漂亮，但生成的结构拿出来一看，原子和原子撞在一起，键长键角是物理上不可能存在的数值。这种结构在榜单上能拿高分，在真实世界里根本不存在。拿去做湿实验，就是白跑一趟，合成的钱、时间、人力全部打水漂——而药物研发最贵的成本，恰恰就在湿实验这一环。

Melo-1 在算法架构设计之初，就把严苛的物理与化学约束深度融合了进去，确保输出的高分结构在真实物理环境中能够稳定存在。

Melo-1 更具合法性优势

PDB ID 8v3s 上 Melo-1 展现出良好的合法性能力

高精度加上高合法性，两件事同时做到，模型才算真的能用。凭这两点，Melo-1 在早期研发阶段就能剔除大量无效试错，为湿实验提供真正有潜力的分子骨架。

另一个容易被忽略、但对长期竞争影响很大的细节是通过极致的工程优化，Melo-1做到了在同等参数条件下性能更优。

这意味着达到同样的效果，深旋要花的训练成本更低。在一个模型迭代速度按月计算的领域里，单位算力能换来多少性能，直接决定了一家公司能跑多少轮、能试多少条路。对一家成立四个月的创业公司来说，这是能不能持续留在牌桌上的问题。

除了多肽和小分子两个主战场，Melo-1在核酸和抗体场景上也有很强的竞争力。

Melo-1 同参数条件下性能远超其他同类模型

核酸和抗体场景 Melo-1 preview 版本提升显著，模型潜力凸显

再往后，Melo-1 准备继续处理更复杂的非天然化学空间。

现有 AF3-like 模型已经可以通过 CCD、SMILES、修饰残基和共价键等方式表示不少非天然化学实体，但到了 D 型氨基酸、N-甲基化、复杂环化和侧链修饰这类场景，数据量和结构多样性都会明显下降。模型能把一个化学实体读进去，并不等于已经学会它背后的几何规律、立体化学和构象偏好。

公司只有4个月
核心团队已经深耕了6年

在了解完Melo-1的技术之后，随之而来的问题便是：怎么在4个月里做成的？

答案或许在团队里。

据深旋科技介绍，核心成员曾经凭借底层 AI 技术，成功攻克 10 余个 GPCR（G 蛋白偶联受体）等世界级高难度靶点，并拿到过高活性多肽分子的湿实验真实验证。

GPCR 是什么概念？它是当今药物最重要的靶点家族之一，也是公认最具挑战的药物靶点之一——其具有复杂的跨膜结构、高度动态的构象变化以及多样的配体结合模式，对结构理解和分子设计都提出了极高要求。能在这个家族上啃下十几个靶点还拿到湿实验验证，这是实打实的产业战绩，不是纸面推演。这也意味着 Melo-1 从诞生第一天起就不只是一个计算科学模型，而是一个真正懂药物研发的实战型引擎。

深旋的创始团队除了张肖男，还有两位非常资深的算法专家方晓敏和刘荔行。张肖男对此做了一个比喻：深旋更像一支球队，有分工也有合作，有一个共同想赢球的目标。

聊到长期竞争力的时候，她给了一个挺意外的答案——无知者无畏：

可能我们这个团队对于传统药物研发而言，确实有一点无知者无畏的感觉。

但从创新的角度看，这未必是坏事。

很多创新本身，就是在不断讨论和碰撞里冒出来的大胆想法。在一个成熟的大组织里，一个想法很可能因为太超前、短期看不够实际，就被很快否掉了。创业公司反而愿意保留这种探索空间。

但大胆也意味着更高的失败概率。深旋的应对办法，是借助传统药物研发中的经验不断校正自己的想法和路径。张肖男把这套机制类比成模型训练里的奖励函数：奖励函数设计得好，模型才能朝着你真正希望的方向迭代。

至于跨学科的难度，她的体感是一路在被刷新：

最开始我们觉得 AI 和生物的交叉已经足够复杂，后来发现远远不止如此：化学和生物需要交叉，生物内部不同疾病领域之间也需要交叉。

而这也是深旋想构建的东西，一种AI原生的药物发现组织，区别于依赖经验试错的传统研发模式。

技术最难的地方
也是万亿市场里和最值钱的地方

最后，还有一件事情必须得说清楚：Melo-1 是一个起点，不是终点。

今天所有的全原子模型，首先都还是结构预测模型。要真正做到大分子药物设计，需要的是「生成 → 结构预测 → 性质评估 → 实验验证 → 再生成」这样一个能转起来的闭环。Melo-1 是这个闭环的地基，地基之上，深旋要建的是一整套从理解、生成、评估到反馈自进化的全链路平台。

换句话说，AI 现在做的是重构药物研发流程，而不是替代它。但从市场那一侧看，这件事的紧迫性要高得多。

GLP-1 已经把多肽推成了万亿级赛道，环肽则被普遍视为另一个万亿级赛道。这个方向恰恰最吃「非天然化学 + 复杂构象」的能力，也正是当前所有主流模型最薄弱的环节。技术上最难的地方，和商业上最值钱的地方，在这里重合了。

还有一个绕不开的现实是，AlphaFold 3 的模型权重至今只对非商业组织开放。按照 DeepMind 公布的使用条款，只有大学、非营利机构、研究所、教育、新闻和政府机构可以将其用于非商业用途，商业组织以及代表商业组织进行的研究被明确排除在外。

这意味着，中国的创新药企如果想在真实的商业研发场景里用上一个 AF3 级别的全原子模型，靠申请是拿不到的。要么用许可宽松的开源替代方案，要么，自己做一个。

深旋选了后一条路，而且不是简单的复现，是在最难的那几个场景上做出超过现有主流模型的成绩。一家成立四个月的中国公司，选择直接扎进技术与商业的重合区。

按深旋科技的说法，本次 Preview 版本只是 Melo 模型的第一步，正式版本将在近期面向公众开放使用。公司也表示愿意与全球顶尖创新药企和科研机构开展深度合作，以 Melo-1 为引擎，加速更多 First-in-class 药物走向临床。

从能预测，到能设计，再到能成药。这条路还很长，但地基已经打下去了。

参考资料：

深旋科技（Atomelody）官网：www.atomelody.com

技术报告：https://www.atomelody.com/research/melo-1-report.pdf

公司邮箱：business@atomelody.com