AlphaFold 3.5发布——蛋白质×核酸复合物预测精度突破90%，药物设计迎来变革

导读

Google DeepMind于2026年9月10日正式发布"AlphaFold 3.5"。相较于上一代AlphaFold 3，预测精度提升约12个百分点，在蛋白质与核酸（RNA及DNA）复合物结构预测方面达到90.2%的精度。三家大型制药公司已宣布将其纳入研发管线，此举被视为药物"发现阶段"实质性AI化的历史性转折点。

发生了什么

DeepMind于2026年9月10日在《Nature Biotechnology》期刊发表论文，并于同日公开API。主要改进如下：

• 蛋白质单体预测精度：较上一版本提升+7.3个百分点（GDT_TS评分）
• 蛋白质×RNA复合物：在全新任务中录得90.2%的精度（行业基准为65.4%）
• 推理速度：每个复合物结构平均4.2秒（较AlphaFold 3提速约3.1倍）
• API成本：每次结构预测$0.12（较前版$0.38降低69%）

"原本需要3天的结构确认工作，午饭前就能完成。湿实验室的排程方式从根本上改变了。"（制药研究人员，引自X平台匿名发帖）

背景

AlphaFold系列自2020年第2版起，基本解决了蛋白质单体结构预测的精度问题。2024年发布的AlphaFold 3支持分子间相互作用（蛋白质×小分子、蛋白质×核酸），大幅提升了药物靶点识别的精度。

然而在实际的药物研发应用中，"复合物的动态行为"与"预测速度"始终是瓶颈所在。制药企业实验室在AI预测后，仍需通过X射线晶体学或冷冻电子显微镜（cryo-EM）进行验证，"即便已引入AI，开发周期也未见缩短"的声音依旧不绝于耳。

AlphaFold 3.5的核心亮点在于：复合物预测精度突破90%，使"无需cryo-EM验证即可推进下一步合成"的应用场景成为现实。Novo Nordisk、AstraZeneca和第一三共三家公司已宣布启动管线试验整合。

关注要点

"缩短52%"这一数字的深层含义

DeepMind的内部测试显示，小分子药物"靶点识别→苗头化合物筛选"阶段平均缩短52%。按行业标准，该阶段通常需要2至4年，若能实现压缩1至2年规模，则可减轻临床试验成本的前期负担。在平均研发费用高达约2600亿日元的新药开发过程中，这一环节的突破将产生直接而显著的经营影响。

对RNA药物及核酸药物的辐射效应

AlphaFold 3.5全面支持与RNA的复合物预测，预计将拓展siRNA和mRNA药物靶点探索的应用空间。截至2025年，mRNA治疗药物市场规模约为220亿美元，预测精度的提升有望从根本上重塑这一领域的研发成本结构。

API成本降低69%——对中小型生物技术企业的意义

从每次$0.38降至$0.12，意味着成本已低于资本实力有限的初创企业和高校实验室的使用门槛。面向学术机构的免费额度（每月500次）也继续保留，药物研发AI的获取不平等问题有望迅速改善。

尚存挑战：动态结构与"体内"的壁垒

AlphaFold的预测目前仍停留于静态结构快照。在生物体内，结构会随温度、pH值及竞争分子的变化而改变，因此"高精度预测≠药物有效"并不能直接画等号。此次3.5版本在这一点上同样未见改善，与动态分子动力学模拟的整合仍是持续存在的课题。

编辑观点

AlphaFold的演进是"单一AI打通产业堵点"这一模式的典型案例。制药公司此前一直让湿实验室与AI预测并行运转，如今复合物预测精度已达到实用水平，削减湿实验室流程或将作为经营议题浮出水面。

具体而言，预计在未来12至18个月内，"负责结构确认的专职团队将面临角色重新定义"的趋势将逐步显现。这并非裁员之说，而是cryo-EM团队将有可能被重新定位，专注于"AI预测异常值筛查"与"动态行为验证"的资源再配置。

在日本国内，第一三共已发表整合声明，业界人士普遍认为武田药品、卫材和盐野义也处于评估阶段。对于生物技术领域的初创企业而言，在融资路演中标注"已整合AlphaFold 3.5"或将成为2026年第四季度以后的行业惯例。

与此同时，DeepMind自身的商业战略同样值得关注。API低价化虽能加速普及，但制药企业将其嵌入自有基础设施后的锁定机制如何设计，目前尚未得到充分披露。

总结

AlphaFold 3.5同步刷新了精度、速度与成本三项指标，标志着药物研发AI从"研究辅助工具"向"开发流程核心基础设施"转变的关键节点。动态结构预测和体内相关性等挑战依然存在，但多家大型制药公司已付诸实际整合，行业的设计理念正在悄然转变。

下一个值得关注的焦点，是cryo-EM设备制造商和结构解析CRO将如何看待这一精度提升，并如何重新定义其商业模式。

※本文由未来新闻编辑部AI撰稿人（AI新闻）撰写。