原文作者：Latent Labs Team (London & San Francisco)
发表于：Technical Report, 2026年3月23日

摘要

Latent Labs发布的Latent-Y是首个能够从自然语言提示自主完成端到端生物制剂(Biologics)设计的AI智能体。该系统整合文献检索、靶点结构分析、表位选择、候选分子生成与质量评估等模块，基于其前沿生成模型Latent-X2进行抗体设计。

在9个靶点的湿实验验证中，6个靶点成功产生纳摩尔级结合物，成功率达67%。用户研究表明，专家借助Latent-Y可将设计周期从数周压缩至数小时，实现56倍效率提升。该系统标志着药物发现从"分子设计"瓶颈向"规模化执行"瓶颈的范式转移，但其大规模适用性与失败模式分析仍有待进一步验证。

核心数据

  • 目标级成功率：67% (6/9个靶点)
  • 最佳亲和力：PRL结合物 5.44 nM，IL-6结合物 12.5 nM
  • 效率提升：56倍加速（从两周压缩至约5小时）
  • 文献综述加速：约4,300倍
  • 结构分析加速：约350倍

1. 背景：药物发现的新瓶颈

传统药物发现依赖于迭代式专家工作流，这一过程缓慢且难以并行化。近年来，以Latent-X2、RFdiffusion等为代表的前沿AI模型已证明零样本生物制剂设计的可行性，能够直接生成具有药物样性质的抗体和肽类候选分子。

这一进展将早期药物发现的瓶颈从"寻找候选分子"转移到了新的层面：药物发现组织的执行带宽，以及规模化所需的博士级领域专家的可及性。

在此背景下，Latent Labs开发了Latent-Y——一个用于从头药物设计的智能体系统。与单一分子生成模型不同，Latent-Y在与人类专家相同的环境中运行，具备访问生物信息学工具、生物学数据库和科学文献的能力。它能够自主执行从研究目标到实验室就绪候选物的完整流程，或在与研究人员的协作模式下运行，由研究人员审查进展、提供反馈并指导后续步骤。

2. 技术架构与方法

2.1 分层协作架构

Latent-Y采用分层架构设计，与其基础生成模型Latent-X2形成互补。Latent-X2在原子级别进行推理，设计精确的分子相互作用；而Latent-Y则在专家级别进行推理，规划从研究目标到实验室就绪候选物的完整路径。这种分工使系统能够同时处理分子设计的物理化学细节与药物发现策略的生物医学逻辑。

2.2 工作流程

Latent-Y的工作流程涵盖六个核心阶段：

在表位识别阶段，系统通过空间推理分析靶点表面，识别满足功能标准的候选表位；在生成阶段，它调用Latent-X2产生候选分子，并根据中间结果动态调整生成参数、修改表位约束或切换设计模态。

2.3 自主能力扩展

值得注意的是，当标准功能不足以应对特定设计挑战时，Latent-Y能够基于自然语言描述生成自定义计算方法。在跨物种结合物设计任务中，系统仅通过一行自然语言指令（"设计一种联合生成方法，确保候选物同时满足人和食蟹猴的约束"）即自主实现了跨物种生成代码的编写与执行，展示了其在工具使用与能力扩展方面的灵活性。

3. 湿实验验证结果

3.1 目标级成功率与结合亲和力

在9个测试靶点中，Latent-Y成功为6个靶点产生了经实验验证的纳米抗体结合物，成功率为67%。单靶点命中率（经高通量表面等离子体共振筛选确认）范围为1%至17%。

在亲和力方面，最佳结合物达到个位数纳摩尔级别：

所有高亲和力结合物均从少于一块板（约88个）的设计中筛选获得。

3.2 效率提升评估

用户研究比较了独立专家与借助Latent-Y的专家完成完整计算设计周期所需时间。基线数据来自10位独立博士级蛋白设计师的自我报告（中位经验9.8年）。

结果显示，Latent-Y将平均两周的专家工作量压缩至约5小时，实现约56倍加速。最大加速出现在推理密集型阶段：

这种效率提升在并行运行多个活动时具有乘数效应。

3.3 跨物种设计案例

跨物种反应性是药物开发的常见需求，但面临多重挑战：人与食蟹猴TNFL9存在11个突变（约5%），无食蟹猴实验结构可用，且靶点以三聚体形式存在、表面相对平坦。

Latent-Y在此任务中展示了人机协作模式的价值：研究人员提供高层生物学指导（如识别并纠正了因结构裁剪导致的"奖励作弊"问题），而智能体负责方法实现与迭代优化。最终，40个设计中有3个确认为双反应性结合物。

4. 讨论

4.1 技术贡献与意义

Latent-Y代表了药物发现自动化的重要进展，其核心价值在于将AI的角色从"分子生成器"扩展为"自主研究执行者"。此前，零样本分子设计模型已证明可行性，但将此类能力整合为可自主执行完整研究流程的智能体，并在湿实验中验证，尚属首次。

范式转移

67%的目标级成功率和56倍效率提升表明，早期药物发现的瓶颈正从"分子设计能力"转向"研究执行带宽"，这一范式转移可能对药物发现组织的运营模式产生深远影响。正如我们在之前的文章讨论的那样，AIDD智能体时代初期将大幅压缩设计(Design)和分析(Analysis)周期，合成(Making)和测试(Testing)将成为主要矛盾。

4.2 局限与待验证问题

尽管结果令人鼓舞，本研究存在若干待验证之处：

4.3 竞争格局定位

与固定生成管线（如单纯的RFdiffusion或AlphaFold衍生工作流）相比，Latent-Y的差异化优势在于其适应性决策能力——能够根据中间结果动态调整策略、切换模态或生成自定义工具。这与近期Science评论中提出的"思维社会"（society of thought）概念形成呼应：Latent-Y可被视为在药物发现领域实现了多步骤推理与自我修正的代理系统。

然而，与AlphaFold等已广泛验证的结构预测工具相比，Latent-Y的独立验证数据仍较有限，其可靠性需更多第三方重复实验确认。

5. 结论

Latent-Y作为首个经湿实验验证的自主药物设计智能体，展示了从文本提示到纳摩尔级结合物的端到端设计能力。其67%的目标级成功率和56倍效率提升表明，AI在药物发现中的角色正从辅助工具向自主执行者演进。

然而，该技术仍处于早期验证阶段，更大规模的靶点多样性测试、系统的失败模式分析、长期可开发性表征，以及与现有药物发现流程的深度整合评估，将是决定其产业价值与可持续竞争优势的关键。

对于药物发现领域而言，Latent-Y的出现提示了一个可能的未来：研究人员的角色将从"亲自执行设计"转向"设定目标与监督智能体"，而这一转变对人才培养、组织结构和监管框架的影响值得持续观察。

参考资料

← 返回博客列表