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

摘要

Latent Labs發布的Latent-Y是首個能夠從自然語言提示自主完成端到端生物製劑(Biologics)設計的AI智能體。該系統整合文獻檢索、靶點結構分析、表位選擇、候選分子生成與質量評估等模塊，基於其前沿生成模型Latent-X2進行抗體設計。

在9個靶點的濕實驗驗證中，6個靶點成功產生納摩爾級結合物，成功率達67%。用戶研究表明，專家借助Latent-Y可將設計週期從數週壓縮至數小時，實現56倍效率提升。該系統標誌著藥物發現從"分子設計"瓶頸向"規模化執行"瓶頸的範式轉移，但其大規模適用性與失敗模式分析仍有待進一步驗證。

核心數據

  • 目標級成功率：67% (6/9個靶點)
  • 最佳親和力：PRL結合物 5.44 nM，IL-6結合物 12.5 nM
  • 效率提升：56倍加速（從兩週壓縮至約5小時）
  • 文獻綜述加速：約4,300倍
  • 結構分析加速：約350倍

1. 背景：藥物發現的新瓶頸

傳統藥物發現依賴於迭代式專家工作流，這一過程緩慢且難以並行化。近年來，以Latent-X2、RFdiffusion等為代表的前沿AI模型已證明零樣本生物製劑設計的可行性，能夠直接生成具有藥物樣性質的抗體和肽類候選分子。

這一進展將早期藥物發現的瓶頸從"尋找候選分子"轉移到了新的層面：藥物發現組織的執行帶寬，以及規模化所需的博士級領域專家的可及性。

在此背景下，Latent Labs開發了Latent-Y——一個用於從頭藥物設計的智能體系統。與單一分子生成模型不同，Latent-Y在與人類專家相同的環境中運行，具備訪問生物信息學工具、生物學數據庫和科學文獻的能力。它能夠自主執行從研究目標到實驗室就緒候選物的完整流程，或在與研究人員的協作模式下運行，由研究人員審查進展、提供反饋並指導後續步驟。

2. 技術架構與方法

2.1 分層協作架構

Latent-Y採用分層架構設計，與其基礎生成模型Latent-X2形成互補。Latent-X2在原子級別進行推理，設計精確的分子相互作用；而Latent-Y則在專家級別進行推理，規劃從研究目標到實驗室就緒候選物的完整路徑。這種分工使系統能夠同時處理分子設計的物理化學細節與藥物發現策略的生物醫學邏輯。

2.2 工作流程

Latent-Y的工作流程涵蓋六個核心階段：

在表位識別階段，系統通過空間推理分析靶點表面，識別滿足功能標準的候選表位；在生成階段，它調用Latent-X2產生候選分子，並根據中間結果動態調整生成參數、修改表位約束或切換設計模態。

2.3 自主能力擴展

值得注意的是，當標準功能不足以應對特定設計挑戰時，Latent-Y能夠基於自然語言描述生成自定義計算方法。在跨物種結合物設計任務中，系統僅通過一行自然語言指令（"設計一種聯合生成方法，確保候選物同時滿足人和食蟹猴的約束"）即自主實現了跨物種生成代碼的編寫與執行，展示了其在工具使用與能力擴展方面的靈活性。

3. 濕實驗驗證結果

3.1 目標級成功率與結合親和力

在9個測試靶點中，Latent-Y成功為6個靶點產生了經實驗驗證的納米抗體結合物，成功率為67%。單靶點命中率（經高通量表面等離子體共振篩選確認）範圍為1%至17%。

在親和力方面，最佳結合物達到個位數納摩爾級別：

所有高親和力結合物均從少於一塊板（約88個）的設計中篩選獲得。

3.2 效率提升評估

用戶研究比較了獨立專家與借助Latent-Y的專家完成完整計算設計週期所需時間。基線數據來自10位獨立博士級蛋白設計師的自我報告（中位經驗9.8年）。

結果顯示，Latent-Y將平均兩週的專家工作量壓縮至約5小時，實現約56倍加速。最大加速出現在推理密集型階段：

這種效率提升在並行運行多個活動時具有乘數效應。

3.3 跨物種設計案例

跨物種反應性是藥物開發的常見需求，但面臨多重挑戰：人與食蟹猴TNFL9存在11個突變（約5%），無食蟹猴實驗結構可用，且靶點以三聚體形式存在、表面相對平坦。

Latent-Y在此任務中展示了人機協作模式的價值：研究人員提供高層生物學指導（如識別並糾正了因結構裁剪導致的"獎勵作弊"問題），而智能體負責方法實現與迭代優化。最終，40個設計中有3個確認為雙反應性結合物。

4. 討論

4.1 技術貢獻與意義

Latent-Y代表了藥物發現自動化的重要進展，其核心價值在於將AI的角色從"分子生成器"擴展為"自主研究執行者"。此前，零樣本分子設計模型已證明可行性，但將此類能力整合為可自主執行完整研究流程的智能體，並在濕實驗中驗證，尚屬首次。

範式轉移

67%的目標級成功率和56倍效率提升表明，早期藥物發現的瓶頸正從"分子設計能力"轉向"研究執行帶寬"，這一範式轉移可能對藥物發現組織的運營模式產生深遠影響。正如我們在之前的文章討論的那樣，AIDD智能體時代初期將大幅壓縮設計(Design)和分析(Analysis)週期，合成(Making)和測試(Testing)將成為主要矛盾。

4.2 局限與待驗證問題

儘管結果令人鼓舞，本研究存在若干待驗證之處：

4.3 競爭格局定位

與固定生成管線（如單純的RFdiffusion或AlphaFold衍生工作流）相比，Latent-Y的差異化優勢在於其適應性決策能力——能夠根據中間結果動態調整策略、切換模態或生成自定義工具。這與近期Science評論中提出的"思維社會"（society of thought）概念形成呼應：Latent-Y可被視為在藥物發現領域實現了多步驟推理與自我修正的代理系統。

然而，與AlphaFold等已廣泛驗證的結構預測工具相比，Latent-Y的獨立驗證數據仍較有限，其可靠性需更多第三方重複實驗確認。

5. 結論

Latent-Y作為首個經濕實驗驗證的自主藥物設計智能體，展示了從文本提示到納摩爾級結合物的端到端設計能力。其67%的目標級成功率和56倍效率提升表明，AI在藥物發現中的角色正從輔助工具向自主執行者演進。

然而，該技術仍處於早期驗證階段，更大規模的靶點多樣性測試、系統的失敗模式分析、長期可開發性表徵，以及與現有藥物發現流程的深度整合評估，將是決定其產業價值與可持續競爭優勢的關鍵。

對於藥物發現領域而言，Latent-Y的出現提示了一個可能的未來：研究人員的角色將從"親自執行設計"轉向"設定目標與監督智能體"，而這一轉變對人才培養、組織結構和監管框架的影響值得持續觀察。

參考資料

← 返回博客列表