过去两年,大模型的进步集中在长程推理,模型通过长思维链解决诸如数学与复杂代码的高难度问题。这种能力正在扩展到生命科学领域。Anthropic 公布了 Claude 的首批药物研发合作成果;另一组科研团队借助 Claude 自主设计出靶向食物过敏的双表位抗 IgE 抗体。
然而,当前语言模型只能基于自然语言文本思考。一旦处理蛋白质折叠、抗体结合等微观结构计算,模型就需要调用如 AlphaFold 等专用外部工具。其代价,就是,结构里原子级的细节在跨系统传递中,被压缩,被丢弃,存在信息损失,模型无法获得真实的物理信息,深度推理困难。
诚然,蛋白质结构预测,在某种程度上堪称计算生物学领域 “皇冠上的明珠” 之一 —— 正因攻克了这一半个世纪的难题,Demis Hassabis 与 John Jumper 领衔的 AlphaFold 团队摘下了 2024 年诺贝尔化学奖。但即便强如 AlphaFold,作为独立于语言模型之外的 “外部工具”,依然面临着系统割裂的困境。正如 John Jumper 曾在《MIT Technology Review》专访中所指出的:
一边是 “能读科学、能做一点科学推理” 的机器,另一边是 “超人级的蛋白结构预测系统”,剩下的问题是 ——“你怎么让这两种技术一起工作?”
11 月 10 日,一家叫 SimpleX 本源智简的 AI for Science 初创公司,给出了一个极具突破性的回答 —— 生物原生语言模型(biology-native language model),Tetra-1 Preview ,并开放试用。作为迈向微观世界生物推理的早期探索,他们正邀请每一位好奇者,提前触摸未来科研的可能。

不同于 “语言模型 + 外部工具” 的方案,Tetra-1 将微观的蛋白质结构作为与宏观的文本并列的原生模态,语言推理与结构生成在同一个推理链中交替进行,实现了微观结构上的生物推理。

从语言到结构・概念插图;来源:公众号 SimpleX 本源智简
具体运行中,Tetra-1 通过多轮交替推演来求解问题 —— 提出、构建、对照生物学规律自检并修正,直到结构与机制完全一致:
1. 提出机制假设:读取问题描述,在推理中判断生物机制可能涉及结构的哪一部分;
2. 构建对应状态:推导出该假设所隐含的状态,并直接构建出对应的分子结构;
3. 对照生物学自检与修正:审视自己构建出的结构,再次进行推理。保留符合生物学规律的部分,修正偏差,如此反复迭代,直至最终结构与机制相互印证。
以下视频来源于SimpleX 本源智简

为了客观验证模型泛化能力,SimpleX 在 Runs N’ Poses 和 FoldBench 两个公开基准上进行了定量评测。
低同源配体结合预测(Runs N’ Poses)
传统预测模型在面对有同源蛋白的时候,往往表现较好,但遇到全新结构就容易失效。
Runs N’ Poses 专门设置了严格的 OOD 子集(相似度为 0-20% subset),Tetra-1 成功率为 53.1%,两倍高于 AlphaFold 3 与 Opus 5.5 在 Claude Science 上的表现。
在每簇去重过滤集中,Tetra-1 Preview 均领先于 AlphaFold 3 和 IsoDDE。在此之前,由诺奖得主 Demis Hassabis 领衔的 Isomorphic Labs 旗下的 IsoDDE,曾经被业界视为遥遥领先的行业标杆。


在相似度 0–20% 的低同源测试集中,Tetra-1 Preview 在缺乏相近结构参照时的成功率显著领先。数据来源:Tetra-1 Preview 公开测评。
多类型分子界面结合(FoldBench)
真实药物研发不仅需要预测单个蛋白,更要看清不同分子之间如何精准结合。FoldBench 覆盖了多类生物分子的相互作用界面,用来全面检验模型处理复杂分子组装与真实药物设计场景的综合能力。
在按单一最终选定构象计分的 Top-1 评测中,Tetra-1 在蛋白质–蛋白质 和 难度较高的抗体–抗原任务上,均优于 AlphaFold 3 和 IsoDDE。

Tetra-1 Preview 在 FoldBench 蛋白质–蛋白质、抗体–抗原及蛋白质–小分子三类任务中的 Top-1 成功率表现。数据来源:Tetra-1 Preview 公开测评。
生物原生推理的实际效果如何?SimpleX 团队在发布 Blog 及持续更新的 Tetra Case Gallery 系列中,公布了一系列高难度分子体系的盲测与解析,覆盖了隐藏口袋,天然蛋白动态变构、多组分金属配位以及非天然设计序列等典型场景。
糖尿病靶点的隐藏别构口袋与多轮推理
SimpleX 团队给出的第一个典型 case 是隐藏口袋。二型糖尿病经典靶点 PTP1B 曾经困扰药物研发界 16 年之久,最后发现突破口在于远离活性位点的一处隐藏变构口袋:它仅在末端的 α7 螺旋移开时,这个口袋才会暴露,从而远程拉开催化环、关闭酶活性。

PTP1B 的机制演示;来源:公众号 SimpleX 本源智简
AlphaFold3 等传统结构预测模型,往往只能返回主导的 “关闭态”(口袋被螺旋盖住),并不能给出末端螺旋移开的构象。
测试中,只需给 Tetra-1 的输入仅包含了蛋白序列和一句自然语言描述(“某处隐藏口袋在结合抑制剂后暴露,并能远程抑制酶活性”),无需提供任何抑制剂分子或位点坐标。Tetra-1 通过四轮交替推理逐步逼近了目标状态,实验晶体结构高度吻合:

图注:Tetra-1 推理过程:默认态识别→锁定变构盖子→远程传导推导 →空间自检纠错。来源:SimpleX 本源智简公众号
更难能可贵的是,Tetra-1 还能给出有关远程调控机制的清晰的解释。
其他高难度体系的多场景验证
除动态变构靶点外,Tetra-1 也在疾病变异、人工蛋白设计等前沿场景中展现了原生推理的泛化潜力,例如:
此外,Tetra-1 可以成功捕捉大肠杆菌 RfaH 蛋白从 α 螺旋到 β 桶结构的剧烈构象转变,精准解析尼亚病毒内切酶中双锰离子与配体的配位环境,并挖掘出潜在的药物结合亚位点。
这些 动态重折叠 和 多组分体系的分析。如 AlphaFold3 的结构预测模型难以准确预测的难题,Tetra-1 都可以通过推理,极大提升在复杂环境下的分析精度,为 “不可成药” 靶点开辟新的探索空间。
将微观生物结构作为与文本并列的原生模态,Tetra-1 Preview 验证了生物原生推理的技术可行性。
在首周试用实测中,一线科研用户的反馈也印证了这种架构的实用价值:模型生成的动态构象具备极高的机制参考性,而伴随输出的可追溯推理链条,也为研究论证提供了更强的可信度。
目前,Tetra-1 Preview 持续向科研社区开放免费试用,体验链接:https://simplexfoundry.com/tetra-1/apply/
随着 Tetra Case Gallery 系列案例的持续更新,团队邀请一线研究者带着具体的未解结构与动态机制难题参与实测验证,共同探索生命科学的边界。

文章来自于"机器之心",作者 "机器之心"。