生成一份科技论文，内容关于分子家药物研究最新进展、靶点分类等

AI 已从辅助工具变成覆盖靶点发现、分子设计到实验规划的全流程参与者，靶点分类也被拆解为可计算、可预测的工程问题。摘要梳理了生物学、可成药性、证据三个分类层次，并对比 GPT-Rosalind（全流程研究助手）、Isomorphic Labs IsoDDE（分子设计引擎）、NVIDIA BioNeMo（生成式 AI 平台）各自卡在流程的哪一段，结论是选型前先想清楚自己缺哪一段，别指望一个平台包打天

如果要用一句话概括分子药物研究这两年最大的变化，那就是：AI 已经从”辅助画图工具”变成了覆盖靶点发现、分子设计到实验规划的全流程参与者。靶点分类这件事也不再只是教科书上的受体、酶、离子通道、转运体那套老框架，而是在 AI 的介入下被重新拆解成可计算、可预测、可验证的工程问题。下面我按”靶点分类怎么理解”和”当前几款代表性 AI 药物研发平台各自解决什么环节”两条线来讲，尽量把能确认的信息说清楚，没把握的地方我会直接说以官网为准。

一、先厘清：分子药物研究里的”靶点分类”到底在分什么

很多人一看到”靶点分类”就想到药理学课本，其实在真实的药物发现流程里，靶点分类至少有三个层次，混在一起谈就容易糊。

• 生物学层次：按靶点分子类型分，常见的是受体（GPCR 占了大头）、酶（激酶、蛋白酶等）、离子通道、转运体、核酸类靶点。这一层决定”这个靶点能不能被小分子或生物药调控”。
• 可成药性层次：按靶点是否有明确结合口袋、是否有已知配体、结构是否可解析来分。这一层直接决定项目要不要立项，也是 AI 结构预测最能帮上忙的地方。
• 证据层次：按靶点与疾病的因果证据强度分，从人类遗传学证据、动物模型证据到细胞层面证据。这一层决定”打这个靶点到底有没有用”。

之所以要强调这三层，是因为现在 AI 平台切入的正是第二层和第三层之间的空白——用计算把”可成药性”和”证据强度”提前量化，而不是等做完湿实验才发现靶点选错了。这也是为什么近两年行业专用模型开始冒出来，通用大模型在生物学语境下经常”说得头头是道但经不起实验检验”。

二、当前值得关注的几款 AI 药物研发平台

下面这几款是本站在收录范围内、且定位比较清晰的代表产品。需要说明的是，它们的成熟度、开放程度差别很大，有的已经是完整工具链，有的还偏研究性质，具体能力和接入方式建议以官网为准。

1. GPT-Rosalind：从靶点发现到实验规划的全流程研究助手

GPT-Rosalind 是 OpenAI 发布的首个行业专用高级推理模型，专为生物学、药物发现和转化医学领域定制，名字取自 DNA 双螺旋结构的关键贡献者。它的定位不是”帮你写论文”，而是覆盖从靶点发现到实验规划的全流程 AI 研究助手。

从靶点分类的角度看，这类全流程助手的价值在于：它能把前面说的”证据层次”和”可成药性层次”串起来——你先给它一个疾病方向，它帮你梳理候选靶点、评估证据链、再往实验方案上推。对于做早期立项的团队来说，这种”从问题到实验设计”的连贯性比单点工具更实用。当然，推理模型的输出仍然需要领域专家复核，尤其是涉及具体实验参数的部分。

2. Isomorphic Labs IsoDDE：AI 药物设计引擎

Isomorphic Labs IsoDDE（Isomorphic Labs Drug Design Engine）来自谷歌 DeepMind 分拆公司 Isomorphic Labs，定位是AI 药物设计引擎，被业内视为 AI 药物设计方向的一次重要突破。它更偏向”设计”这一端——也就是在靶点确定之后，怎么把分子做出来、做优。

如果把 GPT-Rosalind 理解成”上游的靶点与实验规划”，那 IsoDDE 更接近”中游的分子设计引擎”。两者在流程上其实是互补关系，而不是替代关系。对做小分子设计的团队来说，这类引擎的核心看点在于它能不能把结构预测能力和生成式设计接起来，减少”设计出来合成不出来”的返工。

3. NVIDIA BioNeMo：面向生物制药的生成式 AI 平台

NVIDIA BioNeMo 是英伟达专为生物制药行业开发的生成式 AI 平台，目标是加速药物研发全流程，从靶点识别到先导化合物优化。它的特点是提供完整的 AI 工具链，帮助研究人员构建、训练和部署生物分子相关的模型。

和前两款”模型即产品”的思路不同，BioNeMo 更像”平台即底座”——它不直接替你选靶点，而是给你一套能自己训练、自己部署的工具。对于有自建模型能力的大药企或 AI 制药公司，这种平台型产品的价值在于可定制性；对于没有算法团队的小型实验室，门槛则相对高一些。

三、三款产品横向对比：各自卡在流程的哪一段

为了看得更清楚，我把三款产品按”在药物研发流程中的位置”做个简单对照。注意下表只反映本站在收录信息中提到的定位，具体功能细节和接入方式请以各自官网为准。

这张表最想说明的一点是：不要指望一个平台包打天下。上游的靶点证据梳理、中游的分子生成与优化、底层的模型训练部署，目前仍然是由不同基因的团队在做，选型时先想清楚自己缺的是哪一段。

四、写这类论文时，靶点分类部分该怎么落笔

如果你的目的是生成一篇关于分子药物研究进展的科技论文，靶点分类那一节建议不要写成药理学综述的复读，而是把分类和”可计算性”绑在一起写。具体可以这样组织：

1. 先按分子类型分大类，说明每一类靶点在结构解析和口袋预测上的难度差异；
2. 再引入可成药性维度，讨论哪些靶点类型更适合当前 AI 设计引擎介入；
3. 最后落到证据维度，说明 AI 推理模型在证据链梳理上的作用与局限。

这样写的好处是，靶点分类不再是背景铺垫，而是直接引出”为什么需要这些 AI 平台”的论证，整篇论文的逻辑会顺很多。至于各平台的具体性能数据、基准测试结果，本站收录信息里没有给出，写论文时不要凭印象编数字，需要的话去查原始技术报告或官网。

五、几点个人判断

说几句可能不太中听但比较实在的：

• 行业专用模型正在取代通用模型成为主流选择。GPT-Rosalind 这类”行业专用高级推理模型”的出现说明一件事——生物学语境下的推理，通用模型的能力边界已经很明显了。
• 平台型和模型型会长期并存。BioNeMo 这种工具链平台和 IsoDDE 这种设计引擎，服务的是不同规模的团队，短期内谁也吃不掉谁。
• 靶点分类的价值在上升而不是下降。AI 把设计环节加速之后，瓶颈反而回到了”选哪个靶点”上，这也是为什么上游的靶点发现工具越来越受重视。

相关问题

问：GPT-Rosalind 和普通大模型做药物研究有什么区别？
答：它是专为生物学、药物发现和转化医学定制的行业专用高级推理模型，定位覆盖从靶点发现到实验规划的全流程，而不是通用问答。

问：IsoDDE 是免费的吗？
答：本站收录信息中没有给出收费相关内容，具体接入方式和费用请以官网为准。

问：BioNeMo 适合小实验室用吗？
答：它提供的是完整 AI 工具链，需要构建、训练和部署模型，对算法能力有一定要求，小型团队使用前建议先评估自身技术储备。

问：靶点分类在 AI 时代还有必要学吗？
答：有必要，而且更重要。AI 加速了设计环节后，选靶点的判断力反而成了决定项目成败的关键。

问：这三款产品能串起来用吗？
答：从流程定位上看是互补的，上游靶点与实验规划、中游分子设计、底层模型工具链各管一段，实际能否衔接取决于各平台的开放接口，以官网说明为准。

参考链接

• GPT-Rosalind ↗
• NVIDIA BioNeMo ↗