IsoDDE与AnewDDE全面对比，Anew Labs把AI制药做到了哪一步？

2026年2月， DeepMind孵化的Isomorphic Labs重磅推出的药物设计引擎 IsoDDE，凭借其在蛋白质-配体泛化、盲口袋识别及抗体预测上的领先成绩，为行业树立了全新的技术标杆。而Anew Labs研发的 AnewDDE，不仅在结构预测与口袋识别等既有核心维度上实现了跨越与超越，更将视线推向了贯穿临床前研发的系统性决策： 从单一的物理构象预测，全面跨越至研发闭环——在精准结构与口袋预测之上，AnewDDE进一步回答了行业更深层次的追问：如何精准拆解分子胶三元复合物的动态招募机制？如何通过自由能分布检验亲和力预测的物理可靠性？又如何借助科学大模型综合结构、活性与 ADMET 多维证据，深度辅助药化专家完成下一轮的高效设计？

在包含FoldBench在内的多项权威基准测试中，AnewDDE展现出了惊人的性能。在 FoldBench 蛋白-配体预测任务中，AnewDDE 的核心模块 AnewFold 实现了 77.4% 的 Top-1 联合成功率（相比之下，IsoDDE 为 76.0%），而在更具挑战的抗体-抗原预测任务上，AnewFold 不仅在 FoldBench-AB 中以 76.2% 的成绩反超 IsoDDE（75.58%），更在 AF3AB、PXMeter-AB 等多个抗体基准测试中取得领先结果，如下图所示。

这些公开测试数据表明，AnewDDE 已成为当前“DDE”赛道中，少数能够将核心折叠指标推进至业内最高水平、甚至在部分维度实现领先的系统之一。尽管受限于各家测试协议与置信度选择的差异，不宜将小数点的微幅领先简单归结为擂台赛式的胜负，但足以证明：Anew Labs 在高难度的蛋白-配体和抗体-抗原预测领域，已不再是追赶者，其核心能力已经达到与 IsoDDE 相当的水平。

盲口袋识别是衡量 AI 预测能力的另一大标尺。测试显示，AnewFold 的整体 AUPRC 达到 0.751，与 IsoDDE（0.750）基本相当；而在难度极高的隐蔽口袋预测上，AnewFold 跑出了 0.663 的更高成绩。这意味着，在配体尚未明确的前置阶段，AnewFold 就已具备帮药化专家提前锁定蛋白表面潜在打靶区域的能力。

而在验证结构模型能否理解复杂生物机制的分子胶（Molecular Glue）上，AnewFold 在包含 131 个复合物的分子胶基准上取得了 71.8% 的 Top-1 联合成功率，显著高于 Protenix-v1（45.0%）、Protenix-v2（29.8%）与 Boltz-1（22.1%）（见上图）。

在具体的 KAT2A-A1C5C-CRBN 案例中，通过结合此前发布的AnewSampling模型，系统生成的 500 个构象成功复原了经实验突变验证的三类核心接触界面（见上图）。这表明 Anew Labs 的技术突破并不止于单纯的 Benchmark 跑分，而是更贴近药物研发的本质——能否在构象集合中保留真正与招募机制相关的关键相互作用。

相比于多数将重点停留在“结构与亲和力预测”等单一核心上的系统，AnewDDE 呈现出的另一大特点，是其将技术链条直接延伸到了研发流程的后端落地。

• 生成与迭代（AnewDesign）： 此前 Anew Labs 已经发布了全模态从头设计模型 AnewOmni，本次技术报告进一步披露了在一项纳米抗体设计研究中，系统从约 3,000 个设计序列中过滤出可供湿实验验证的样本。在总计 150 个克隆的“设计-实验”循环中，实现了 10.7% 的个位数纳摩尔级结合成功率，并在两轮迭代中实现了最高约 100 倍的亲和力提升。模型成功将结构一致性、序列风险与实验反馈闭环结合，大幅降低了传统干实验盲筛的探索成本。

• 属性预测与可开发性判断（ADMET and Developability）： 在 ADMET 与可开发性任务中，AnewMind 通过偏好分解与 Elo 聚合，将单点数值预测转化为更稳健的分子排序。在四组评测中全部进入前五，其中环肽渗透性排名第一、抗体可开发性排名第二；在 CYP2C9、CYP2D6 和 CYP3A4 抑制任务上，也取得参评模型中的最高性能。

• 真实药研推理（PharmBench）：为检验模型是否真正理解药物研发，Anew Labs 构建了包含 50 个研发场景、200 道子问题的 PharmBench。AnewMind Preview 在 17 个参评模型中位列总榜第三，并在“分子设计与合成”单项排名第一，显示出其在长程证据分析和项目决策上的竞争力。

在亲和力预测领域，单纯对比相关系数往往容易掩盖真正的技术差异。传统的深度学习预测工具通常只返回一个最终的自由能变化标量（ΔΔG），研究人员难以获知该数值究竟源于哪一段采样，也无法判断是否存在误差抵消。

AnewAffinity 带来的改变，在于将自由能预测从“单一标量”升级为“可追溯的分布置信度估计”。它在保持约 1.5 秒/配体对边极速推理的同时，能够完整输出蛋白相与水相自由能、窗口级别的局部自由能估计，以及前向与后向 work distribution 的重叠信息，并引入 Wasserstein-1 距离量化预测分布。在 BACE 案例中，系统不仅给出了与实验值高度吻合的 ΔΔG（预测 +1.12 kcal/mol vs 实验 +1.33 kcal/mol），更对 23 个窗口的局部分布误差进行了逐一校验。

这种“秒级筛选 + 窗口级分布验证”的机制，为药化团队提供了一种可解释、可复盘的新型工作流：用高通量模型筛选候选，再依据分布置信度决定是否升级至显式 FEP 或直接推进实验。

纵观 AI 制药赛道的演进，从 IsoDDE 到 AnewDDE，顶尖系统都在试图回答同一个问题：当目标、结构与相互作用超出已知训练分布，AI 还能不能给出可信、可验证的研发判断？这是 DDE 的上半场——预测核心必须先跨过泛化门槛，而随着 Anew Labs 在年初重磅披露其极具潜力的自有管线与管线价值，DDE 下半场的号角已然吹响：一切引擎的终极胜负，必将在真实的管线推进中见分晓。

这正是 AnewDDE 交出的答卷。在这条逐渐闭合的研发链中，AnewFold 负责建立结构、口袋机制假设；AnewAffinity 以秒级推理完成大规模亲和力评估，并给出可用于决策的分布证据；AnewDesign 根据计算结果和湿实验反馈持续提出新候选；AnewMind 则站在更高一层，把结构、亲和力、SAR、ADMET 与实验结果放回真实项目语境，判断下一步该设计什么、验证什么，又该放弃什么。这四个模块不是简单并排的工具箱，而是一条逐渐闭合的研发链：提出假设、定量评估、生成候选、进入实验，再让实验结果回到下一轮设计与模型训练。

Anew Labs 此次释放的信号因此非常明确：DDE 的竞技焦点，正在从“谁拥有一个高分的单点模型”，转向“谁能把模型、工具、实验和管线组织成一套可验证、可迭代、可落地的研发系统”。模型不再只给出一个冰冷的预测数字，而是开始解释证据、调用工具、建议实验，并在真实反馈中持续修正自己。

DDE 的上半场，比的是模型能不能预测未知；下半场，比的是一家公司能不能把未知一步步变成实验事实。而同时握有垂直算法、科学大模型、干湿闭环与自有管线的 Anew Labs，已经率先抢占了下半场的战略高地。

https://anewlabs-research.tos-cn-beijing.volces.com/anewdde-tech-report.pdf

https://anewbt.com