结构预测的新地平线 2024年5月，伦敦国王十字区的谷歌DeepMind总部再次被一种安静的兴奋感笼罩。仅仅四年前，他们用AlphaFold2破解了蛋白质结构预测这个困扰学界五十年的难题，震惊了全世界。但对哈萨比斯和他的团队来说，那不是终点，而是起点。如果说AlphaFold2揭示了蛋白质这座「孤独雕像」的形态，那么现在，他们要弄清楚的是这些雕像如何彼此牵手、翩翩起舞。

因为生命不是静止的结构，而是相互作用本身。哈萨比斯一直对员工强调：「生物学不是静态的名词，而是动态的动词。」这一哲学的结晶，就是AlphaFold3。

AlphaFold3的出现，绝非前一版本的性能升级。它是一次根本性的架构重设计，也是观察生物学视角的拓展。如果说此前的AlphaFold2专注于接收氨基酸序列、描绘蛋白质的三维结构，那么AlphaFold3则倾听了构成生命的几乎所有分子之间的对话。

我们体内的蛋白质从不孤立存在。它们附着在DNA这张设计图上读取基因，与RNA结合传递信息，与被称为配体的小分子信号不断地结合、分离、再结合。配体是药物研发的关键钥匙。

绝大多数药物的研发过程，就是为蛋白质这把锁找到合适的配体钥匙。AlphaFold2能展示锁的形状，却无法完整呈现钥匙插入后的样子。AlphaFold3正是在这个节点上掀起了革命。

技术层面上引人关注的一点是，哈萨比斯和研究团队引入了「扩散模型（Diffusion Model）」。这种技术与Midjourney、DALL·E等AI根据文本输入生成图像时所用的技术类似。从一团模糊的、充满噪声的云状

初始状态出发，逐步去除噪声，最终生成清晰而精确的分子结构。哈萨比斯常把这个过程比喻为「从迷雾中渐渐浮现的真相」。引入扩散模型后，AlphaFold3部分替代或补充了原有的Evoformer模块，不仅能处理蛋白质，还能在一个统一的网络中处理DNA、RNA以及各种离子和修饰分子。

这意味着AI已经超越了生物学直觉，更加接近物理结合的概率论本质。这一成果立刻在科学界引发了冲击。过去需要使用X射线晶体学或冷冻电子显微镜（Cryo-EM），耗费数月甚至数年才能确认的大型复合体结构，如今可以在几分钟内完成模拟。

举个例子，如果能知道癌细胞增殖时与DNA特定位点结合的蛋白质结构，那么设计阻断这种结合的药物就会容易得多。AlphaFold3在蛋白质-DNA相互作用预测方面，将准确度比此前最好的工具提升了50%以上。哈萨比斯十几岁时在棋盘上推演棋路时感受到的那种战栗，那种「读出隐藏棋局的喜悦」，如今正在生命最微观的世界中重现。他在『自然』（Nature）杂志上发表论文，同时决定将这一工具免费开放给全球科学家（限非商业用途）。这一举动再次印证了他长久以来的信念：「最强大的工具，在被最广泛使用时才最有价值。」

AlphaFold-Multimer与蛋白质复合体研究 在通往AlphaFold3的旅途中，有一块重要的垫脚石，那就是2021年底公开的「AlphaFold-Multimer」。这个阶段，是哈萨比斯领导的DeepMind团队从「单个个体」转向「系统」视野的决定性时刻。

以生物学教科书中的血红蛋白为例。血红蛋白不是一个蛋白质团块，而是四个亚基精密结合的复合体。这四块拼图如果不能完美咬合，我们的身体就无法运输氧气。

如果说AlphaFold2出色地塑造了每一块拼图的形状，那么AlphaFold-Multimer就是解开这些拼图如何组装的破局者。研究团队的首席研究员约翰·江珀（John Jumper）回忆当时的情形，半开玩笑地说过：「我们知道蛋白质会感到孤独。」事实上，细胞内几乎所有功能都是蛋白质成对出现或像巨型机器一样聚集在一起才能完成的。

信号传导、物质运输、细胞分裂，生命的核心现象全都从「结合」开始。哈萨比斯直觉地意识到，复合体预测问题并非只是增加计算量就能解决的。两个蛋白质相遇时，接触面会发生微妙的形态变化。就像两个人握手时手形会微微改变一样，蛋白质之间也会经历诱导契合（Induced Fit）过程。AlphaFold-Multimer通过交叉分析携带进化信息的多序列比对（MSA）数据，找到了两个蛋白质在进化过程中共同变化的痕迹，即「共进化（Co-evolution）」的信号。

当A蛋白质的某个位点发生变化时，B蛋白质紧邻的位点也随之改变，那么这两个位点就很可能是结合位点。这项技术的辐射力是巨大的。结构生物学家们长期以来一直在进行着一场「拼图游戏」般的战斗，试图揭示大型蛋白质复合体的结构。

AlphaFold-Multimer相当于提前展示了这幅拼图的完成图。借助它，科学家们能够模拟未知病毒入侵人体细胞时，其刺突蛋白如何与人类受体结合；能够在分子层面观察免疫细胞识别抗原的过程。这不只是满足学术好奇心，而是提供了理解疾病机制的根本钥匙。

对哈萨比斯而言，从AlphaFold-Multimer到AlphaFold3的脉络与他的AGI愿景一脉相承。他将智能定义为「处理信息以预测未来并做出规划的能力」。生命现象同样可以看作是遗传信息被翻译成蛋白质这一硬件，而这些硬件相互作用，驱动着生命这一软件运行的过程。

因此，AI能够预测这些复杂的相互作用，意味着我们已经开始理解生物学这一庞大信息处理系统的操作系统。哈萨比斯常说：「我们正在将从数字世界中训练出的智能，应用于物理世界中最复杂的问题，也就是生物学。」AlphaFold系列是最有力的证据，证明他心中「为科学服务的AI（AI for Science）」并非空洞的口号，而是切实拓展着人类的知识疆界。如今，实验室的屏幕上，数十万个原子正在起舞，而人类才刚刚开始读懂这支舞的编排。

2021年Isomorphic Labs分拆：将新药研发变为「可计算的问题」 通过AI加速新药研发：将十年缩短为数月 2021年，德米斯·哈萨比斯宣布在谷歌母公司Alphabet旗下成立一家新公司，名为「Isomorphic Labs」。这个名字取自数学术语「同构（Isomorphism，相同形态）」，蕴含着哈萨比斯的深层洞见：生物学过程与信息处理过程在根本上拥有相同形态的结构。如果说DeepMind是在纯科学领域「破解智能」的地方，那么Isomorphic Labs就是利用这些已破解的智能来解决人类最痛苦的问题，即「疾病」的实战部队。

哈萨比斯决定在保留DeepMind CEO职务的同时兼任Isomorphic Labs的CEO。这一决定足以说明他对这个项目的重视程度。传统的新药研发堪称一场「以失败为前提的赌博」。一款新药从立项到上市，平均耗时十年以上，花费超过20亿美元。

从数万种候选化合物中，在实验室的烧杯和培养皿之间逐一测试反应，历经动物实验，进入临床试验后成功率仍不到10%。简直就是在干草堆里找针。哈萨比斯想要把这一低效过程转化为「可调试的软件问题」。Isomorphic Labs的核心策略，是基于AlphaFold的预测能力来设计可能成为药物的小分子（Small Molecule）。

过去，光是弄清靶标蛋白的结构就要花上数年，而现在AI能在几天内预测出靶标的三维结构，并在虚拟空间中模拟数百万次，寻找恰好嵌入该结构「口袋（Binding Pocket）」的化合物。这是一次将物理实验替换为数字实验（In Silico）的巨大转型。2024年初，Isomorphic Labs与全球制药巨头礼来（Eli Lilly）、诺华（Novartis）签署了总额30亿美元（约合200多亿元人民币）的战略合作协议。

素来保守的制药行业，对一家成立才三年的新公司押下天文数字的赌注，说明AI展现出的可能性已不再停留在期待层面，而是转化为了确信。哈萨比斯在解释这一过程时说：「我们正在压缩时间。」过去化学家们凭直觉和经验合成化合物，如今生成式AI在学习了物理定律和生物学约束条件后，能够提出人类从未想象过的全新药物结构。

这不只是速度变快了。人类得以探索此前因认知偏见而根本不曾尝试的「化学空间（Chemical Space）」未知领域。Isomorphic Labs的研究人员，如今已将过去耗时十年的早期药物发现（Discovery）阶段压缩到了数月，有时甚至是数周。对饱受疾病折磨的患者而言，这意味着「希望的速度」加快了。

2025年AI设计药物进入临床试验的公告 2025年有望成为数字生物学历史上的重要分水岭。哈萨比斯和Isomorphic Labs将2025年定为纯粹由AI从头到尾设计（de novo design）的候选药物正式进入临床试验（Clinical Trial）的元年。虽然此前已有利用AI进行药物再开发或部分辅助的案例，但由AlphaFold3这样高度成熟的基于结构的药物设计（SBDD）技术所打造的「下一代AI新药」首次用于人体，那是完全不同维度的事情。

这些药物瞄准的，是用传统方法难以攻克的「undruggable（不可成药）」靶点。

比如，结构过于柔软以至于药物难以附着的致癌蛋白，或是对现有药物产生耐药性的变异病毒。Isomorphic Labs通过AI预测蛋白质的动态变化（Dynamics），捕捉蛋白质呈现某一特定构象的瞬间，然后设计出在那一瞬间与之结合的药物。这就好比「看着静态照片射击」和「看着动态视频射击」之间的差距。临床试验的启动公告，不只是一项技术成就，更预示着监管科学（Regulatory Science）的变革。

FDA等监管机构也在着手制定新标准，以评估AI设计药物的安全性和有效性。哈萨比斯在这一过程中强调：「我们不只是在做药，我们在重新发明做药的方法本身。」2025年的临床试验，将成为检验AI能否超越实验室助手角色、成为拯救生命的自主发明者的「终极考场」。如果这些试验开始产出积极的数据，我们将见证「AI原生制药（AI-Native Pharma）」时代的正式开幕。

虚拟细胞（Virtual Cell）模拟之梦 Isomorphic Labs和哈萨比斯所瞄准的终极目标，在新药研发之外。那就是实现「虚拟细胞（Virtual Cell）」。当前的生物学研究，就像拆开一只复杂时钟的每一个零件来逐一研究。

但知道了所有零件，并不意味着完全理解时钟如何运转。Virtual Cell就是将所有这些零件，蛋白质、DNA、代谢物、细胞器，在计算机中像数字孪生体一样构建出它们相互作用的整个系统。这正是哈萨比斯自幼便梦想着的「模拟」的巅峰。正如他在游戏开发者时代模拟主题公园里游客的行为一样，现在他要模拟的是细胞内部分子的行为。

一旦虚拟细胞得以实现，我们就可以在给真正的患者用药之前，先在虚拟细胞中投入药物，提前预测会出现什么副作用、会引发什么连锁反应。这既是解决动物实验伦理问题的替代方案，也是大幅降低临床试验失败率的途径。

当然，这个目标光靠AlphaFold一个系统是无法实现的。但哈萨比斯说：「我们现在已经准备好拼合生物学的拼图了。」AlphaFold预测结构，其他AI模型预测代谢通路和基因调控网络，它们结合在一起形成庞大的「数字生命体」。这就是Isomorphic Labs在2021年分拆时立下的愿景终点。

这些话现在听起来或许像遥远的未来，但就像AlphaGo征服了围棋、AlphaFold征服了蛋白质一样，哈萨比斯的时钟总是比世人预料的走得更快。虚拟细胞不是一个空泛的梦想，而是随着数据和算力的积累正变得越来越清晰的既定未来。生物学是信息处理系统 从研究到产品：监管、临床与合作伙伴的现实 「生物学是最复杂也最美丽的信息处理系统。」

哈萨比斯的这一宣言，将生物学从湿实验室（Wet Lab）的领地拉入了数据和算法主导的干实验室（Dry Lab）领域。然而，将愿景变为现实中的产品，变为患者真正能服下的药片，这个过程需要与纯粹的科学发现截然不同的另一维度的拼搏。2024年凭诺贝尔奖站上科学权威的顶峰，但制药行业复杂的现实中，有太多仅凭AI模型精度无法突破的壁垒。Isomorphic Labs面对的第一个现实挑战，是「数据的不对称性」。

AlphaGo能在围棋规则这一完备信息框架内，通过无限次自我对弈生成数据。新药研发不一样。优质的生物学数据，大多被锁在大型制药公司的保险柜深处，不对外公开。哈萨比斯选择与诺华、礼来这样的传统制药巨头合作，不是可选项，而是必选项。

这是一种将DeepMind天才级算法（引擎）与制药公司数十年积累的临床数据和化学库（燃料）相结合的策略。这次合作如同两个使用不同语言的文明之间的会面。硅谷的速度（Speed）与制药行业的安全至上主义（Safety）发生了碰撞。

软件的bug打个补丁就能修复，但药物的副作用会威胁人的生命。为弥合这道鸿沟，哈萨比斯在Isomorphic Labs内部不仅招募了AI工程师，还大量引进了经验丰富的药物化学家和生物学家。「我们不能只做一家AI公司，而要成为一家以AI为母语的制药公司

（AI-native Pharmaceutical Company）。」这是他反复叮嘱的话。监管（Regulation）同样是必须翻越的大山。FDA等监管机构一度把AI给出的结果视为「黑箱」。

面对「你凭什么预测这个分子有效？」这样的追问，早期的深度学习模型无法给出解释。哈萨比斯团队引入了可解释AI（XAI）技术，投入大量精力将AI的预测依据转译成化学家能理解的语言。这是实验室的创新通往医院处方笺的必经之路，一道「信任之门」。

科学精确性与商业速度的平衡 德米斯·哈萨比斯这个人的内心，始终共存着「追求纯粹真理的科学家」和「渴望改变世界的企业家」两个自我。在数字生物学这片新领域中，这两个自我不断对话，有时也彼此冲突。在AlphaFold3的研发和Isomorphic Labs的运营过程中，这种张力达到了极致。

作为科学家的哈萨比斯追求完美。他渴望理解自然的基本原理，渴望彻底「解决（Solve）」蛋白质折叠这类难题。对他而言，成功的标尺是『自然』杂志的封面论文、CASP竞赛的冠军、以及诺贝尔奖。

但作为Isomorphic Labs CEO的哈萨比斯，承受着在适当时机拿出「足够好（Good Enough）」方案的压力。在新药研发中，比起100%完美的结构预测，快速找到虽有一定误差但可迅速合成且无毒性的候选化合物，往往更为紧迫。这个平衡点，最终在「反馈回路（Feedback Loop）」的设计中找到了。Isomorphic Labs不是一家只跑AI模型的公司，他们建起了自己的实验室，实际合成和测试预测出的分子。

AI设计（Design），机器人合成（Make），经过生物学分析测试（Test），产生的数据再反馈给AI学习（Learn），形成了「DMTL循环」。在这个过程中，哈萨比斯学会了在不放弃对科学精确性执着的同时提高商业速度的方法。不去试图预测一切，而是将算力集中在对药物研发有决定性影响的关键相互作用上，采取了「选择与集中」的策略。

这种做法，与AI行业中弥漫的「过度炒作（Hype）」形成了鲜明对比。当许多AI生物科技初创公司只兜售美好前景时，哈萨比斯冷静到近乎苛刻地强调科学验证（Validation）。「生物学是骗不了人的（Biology doesn't lie）。」

他要的不是给投资人看的演示，而是在真正的实验室中可以复现的结果。这种耐心，一方面得益于谷歌这座巨型资本的保护伞，另一方面也源于他坚定的信念：只有科学上的真实，才能最终保障商业上的成功。说到底，数字生物学的愿景，不是要把生命还原为0和1加以控制的傲慢。它是在生命这份惊人的复杂性面前保持谦逊，同时运用我们手中最好的工具，即智能（Intelligence），去理解复杂性中的规律，修复疾病这个bug，改善人类的生活。这正是哈萨比斯从12岁起便怀揣的那个信念，「破解智能，拯救世界」，最具体、最崇高的践行。蛋白质分子的3D渲染

人工智能专家 金京镇律师

AI法律政策专家 · 前国会议员 · 著有多部作品

如果这本书曾在您身边停留片刻，请支持我们，让下一个故事得以问世。

（自愿赞助账户：韩国农协银行 302-1096-0948-81 户名：金京镇）