D.E. Shaw Research LLC

壹线产业知识库 · AI产业TOP系列2026全球AI制药企业Top30 从AI制药"三小龙"齐聚港股，看全球药物研发的新世界秩序 行业概览 2026年，AI制药赛道正经历从"概念验证"到"商业化兑现"的质变时刻。全球AI药物发现市场规模预计从2025年的28.5亿美元增长至2026年的34.5亿美元，2032年有望突破156亿美元（CAGR 27.5%）。更关键的是，全球已有170余条由AI设计或优化的药物管线进入临床阶段，英矽智能的Rentosertib——全球首款AI完成靶点发现与分子设计的药物——已于2026年6月启动III期临床。 资本端同样热烈。2025-2026年全球AI制药投融资总额近60亿美元。英矽智能港股上市首日高开45%，剂泰科技IPO获6900倍超额认购，华深智药以7.87亿美元创2026年全球生物技术融资纪录。与此同时，Anthropic发布Claude Science进军生命科学，英伟达投资Recursion，大模型巨头正将战火烧到制药前线。 本篇报告按"端到端AI制药平台—中国AI制药新势力—AI蛋白设计与生物制剂—AI药物递送与前沿应用"四大赛道，深度解析30家全球头部AI制药企业。 🚀 赛道一：端到端AI制药平台 （8家） 覆盖靶点发现、分子设计、临床预测全流程的全球头部AI原生制药公司 1Isomorphic Labs独角兽 估值 $140亿–$260亿（2026年5月融资$21亿后） 核心产品 AlphaFold 3商业化平台 总部 英国伦敦（DeepMind子公司） 成立 2021年 DeepMind创始人Demis Hassabis亲自掌舵的AI制药旗舰。AlphaFold 3实现了蛋白质、核酸与配体的联合结构预测，从根本上改变了药物发现的起点。2024年与礼来、诺华分别签署$30亿级合作协议，2026年5月融资$21亿，由Thrive Capital领投。Isomorphic的"AI-first drug design"路线是当前全球最被看好的技术路径。 ★ 里程碑：2026年5月完成$21亿融资，为AI制药赛道最大单笔私募融资；与礼来、诺华合作总额超$60亿 2英矽智能（Insilico Medicine）已上市 市值 约$29亿（港股03696.HK） H1营收 $1.025亿–$1.065亿（同比增长273%–287%） 核心产品 Pharma.AI平台 / Rentosertib（IPF，III期） 总部 中国香港/美国纽约 成立 2014年 全球AI制药的标杆企业。自研Pharma.AI平台覆盖靶点发现到临床试验全流程，将PCC确认时间从行业平均4.5年压缩至12-18个月。Rentosertib是全球首款AI完成靶点发现与分子设计的药物，2026年6月进入III期临床。2026上半年首次实现扭亏为盈，与SK生物制药签署$25亿里程碑合作。中金给予"跑赢行业"评级，目标价76.80港元。 ★ 里程碑：全球首个AI原创新药进入III期临床；2026上半年营收增长287%并扭亏为盈；31条候选管线、12项IND获批 3Recursion Pharmaceuticals已上市 市值 约$15.7亿（NYSE: RXRX） 核心产品 Recursion OS / 20+临床管线 总部 美国盐湖城 成立 2013年 以"工业化药物发现"为核心理念，通过高通量细胞成像（表型组学）与AI结合筛选化合物。拥有超过20PB的生物和化学数据，2024年收购Exscientia实现规模化整合。与罗氏、拜耳、基因泰克均有深度合作。其脑 cavernous malformation 候选药物已进入III期临床。英伟达2023年战略投资$5000万。 ★ 里程碑：收购Exscientia成为表型组学+精准化学双引擎平台；拥有全球最大AI制药生物数据库之一 4Schrödinger已上市 市值 约$11.2亿（Nasdaq: SDGR） 营收 季营收$5860万（软件+合作） 核心产品 物理分子模拟平台 / Zasocitinib（III期） 总部 美国纽约 成立 1990年 AI制药领域最独特的商业模式——双引擎：卖软件（授权费$5万+/年）＋自研管线。基于物理学的分子模拟而非纯数据驱动，在预测结合亲和力和药物样性方面具有更高精度。与武田合作的Zasocitinib（TYK2抑制剂）处于III期，是AI制药最接近商业化的资产之一。持续为BMS、赛诺菲等提供平台服务。 ★ 里程碑：Zasocitinib进入III期临床，是AI制药领域最接近上市的原创药物之一；拥有罕见的"软件+药物"双收入模式 5晶泰科技（XtalPi）已上市 市值 约$43亿（港股，AI制药三小龙之一） 核心产品 AI+量子物理+机器人自动化平台 总部 中国深圳 成立 2015年 "AI制药三小龙"之首，2024年6月率先登陆港交所，上市首日涨约70%。以量子物理+AI预测晶型和溶解度著称，2026年6月与某跨国药企签署$4亿+合作协议聚焦代谢GPCR靶点。其自动化湿实验室与AI干实验结合的模式，实现了从计算预测到实验验证的完整闭环。 ★ 里程碑：AI制药三小龙首发上市（2024年6月）；2026年签署$4亿+代谢GPCR合作，两个临床阶段GLP-1受体激动剂候选物 6BenevolentAI已上市 市值 约$6.4亿（伦敦上市） 核心产品 生物医学知识图谱+LLM平台 总部 英国伦敦 成立 2013年 以生物医学知识图谱为核心差异化武器。通过整合文献、基因、疾病、临床试验等多维数据构建知识网络，用LLM推断新靶点。曾在一个月内发现ALS新靶点，从而促成与阿斯利康的合作。其BEN-8744（PDE10抑制剂，溃疡性结肠炎）处于II期临床。与诺华、阿斯利康均有合作。 ★ 里程碑：知识图谱+LLM合二为一的药物发现新范式；一个月内发现ALS新靶点，成为阿斯利康合作基础 7Generate Biomedicines已上市 市值 约$12.3亿（Nasdaq: GENB） 核心产品 生成式蛋白设计平台 / GB-0895 总部 美国马萨诸塞州 成立 2018年 用生成式AI从头设计自然界不存在的蛋白疗法。其Chromium平台整合了超过10亿蛋白序列训练，可"编写"具有特定治疗功能的蛋白质。与诺华合作开发临床前管线是其核心收入来源之一。GB-0895是其自行拥有的后期候选药物，使Generate在AI生物制剂领域独树一帜。 ★ 里程碑：Chromium平台生成自然界不存在的蛋白疗法；拥有后期自研候选药物，平台+产品双轮驱动 8Relay Therapeutics已上市 市值 约$43亿（Nasdaq: RLAY） 核心产品 蛋白运动建模平台 / RLY-2608（I期） 总部 美国马萨诸塞州 成立 2016年 独创"蛋白运动"建模——蛋白不是静态结构，而是在不断运动变形。Relay通过AI模拟蛋白的动态构象变化，发现传统结构生物学无法看到的药物结合位点。其RLY-2608是首个PI3Kα突变选择性抑制剂，针对实体瘤。这一"动态结构"路线让Relay在AI制药中独树一帜，D.E. Shaw Research是其创始投资方。 ★ 里程碑：独创蛋白运动建模发现不可成药靶点；D.E. Shaw Research技术孵化，2026年YTD涨超136% 🇨🇳 赛道二：中国AI制药新势力 （8家） 2026年中国AI制药迎来IPO潮与MNC合作爆发，从跟随者变为全球格局重塑者 9剂泰科技（METiS）已上市 市值 约$43亿港元（港股07666.HK） IPO募资 $21.12亿港元（2026年5月） 核心产品 NanoForge AI纳米递送平台 总部 中国北京 成立 2020年 "全球AI药物递送第一股"，2026年5月港股上市首日暴涨126.67%。核心NanoForge平台是全球首个AI驱动的纳米递送平台，整合超1000万种自主生成脂质库，可将靶向LNP或小分子剂型开发从数年缩短至2-3个月。已开发人体8个靶向器官递送方案。IPO获6900倍超额认购，创2026年港股医疗健康IPO纪录。 ★ 里程碑：6900倍超额认购创纪录IPO；全球首个AI纳米递送平台；贝莱德领投，红杉参与5轮融资 10华深智药（Earendil Labs）独角兽 融资 累计$7.87亿（2026年3月新一轮） 核心产品 AI大分子创新药设计平台 总部 中国北京 / 美国特拉华州 成立 2021年（清华AIR孵化） 清华大学智能产业研究院孵化，AI制药"黑马"。其算法跳出了AlphaFold2对多序列比对的依赖，实现单一蛋白质序列预测3D结构，数秒即可完成。两度与赛诺菲达成总额超$44亿的授权合作，辉瑞和赛诺菲以战略投资方入局。正以海外主体Earendil Labs冲刺港股IPO，拟募资$5亿。2026年3月$7.87亿融资创全球生物技术年度纪录。 ★ 里程碑：$7.87亿创2026全球生物技术融资纪录；赛诺菲+辉瑞双重战略投资；拟港股IPO募资$5亿 11百图生科（BioMap）Pre-IPO 融资 数亿美元级别（已递表港股） 核心产品 xTrimo V4生命科学大模型 总部 中国北京 成立 2020年（李彦宏创办） 百度创始人李彦宏与原百度风投CEO刘维联合创办，定位"AI+生命科学"基础设施平台。xTrimo V4大模型已进入60+概念验证项目，覆盖新靶点发现、抗体设计、创新药研发等关键领域。2026年3月被曝已秘密递表港股。百图生科代表了中国互联网巨头向生命科学渗透的最直接路径。 ★ 里程碑：xTrimo V4进入60+概念验证项目；李彦宏亲自挂帅，秘密递表港股冲刺"AI+生命科学第一股" 12深势科技（DP Technology）Pre-IPO 融资 数亿美元级别（已完成股改） 核心产品 AI+物理模型+药物设计（DeepMD） 总部 中国北京 成立 2018年 以"AI for Science"为旗帜，从分子模拟到药物设计全链条覆盖。其DeepMD方法将量子力学精度与机器学习速度结合，获2020年戈登·贝尔奖。2026年上半年完成股改变更为"股份有限公司"，被视为IPO启动的重要信号。深势在药物发现、材料设计、电池研发等多场景同时布局，是中国AI for Science的代表性企业。 ★ 里程碑：戈登·贝尔奖获奖方法DeepMD；完成股改冲刺IPO；横跨药物发现、材料、能源多场景 13深度智耀（Deep Intelligent Pharma）Pre-IPO 估值 数十亿美元（D轮$2亿后，4个月翻6倍） 订单 2025年以来销售订单近¥10亿 核心产品 AI智能体临床试验系统 总部 中国北京 成立 2017年 AI制药领域的罕见盈利企业。从医学写作切入，构建"AI智能体系统"自主执行临床试验方案多种文本，已连续多年盈利。2026年前两个月订单已超2025年全年。D轮系列融资累计$2亿，红杉、鼎晖百孚等老股东全部加注。正在推进Pre-IPO融资，有望成为"AI+CRO第一股"。 ★ 里程碑：已连续多年盈利（AI制药罕见）；4个月估值翻6倍；推进Pre-IPO，有望冲刺AI+CRO第一股 14天鹜科技（TimelyBiotech）高增长 融资 A+轮超2亿元（2026年3月） 核心产品 AI蛋白设计平台 总部 中国 聚焦AI蛋白质设计的新锐力量。利用深度生成模型设计具有特定功能的蛋白质序列和结构，在酶设计、抗体优化等方向有显著技术积累。2026年3月完成超2亿元A+轮融资，资本对这一细分方向的加注印证了AI蛋白设计赛道的升温。 ★ 里程碑：A+轮超2亿元融资，AI蛋白设计赛道中国新锐代表 15予路乾行高增长 融资 多轮融资，Pre-IPO阶段 核心产品 AI药物发现平台 总部 中国 AI药物发现领域的中国新锐。聚焦分子动力学模拟与AI结合的药物设计，通过计算化学方法加速先导化合物优化。Pre-IPO阶段，是中国AI制药第二梯队中的活跃玩家。 ★ 里程碑：Pre-IPO阶段，AI+分子动力学药物发现的中国代表 16宇道生物（Nutshell Therapeutics）高增长 融资 B轮融资 核心产品 AI变构药物研发平台 总部 中国 专注变构药物这一细分赛道，通过AI发现蛋白的变构调节位点，开发全新机制的药物分子。变构药物被认为是突破传统正构药物局限性的关键方向，宇道在这一垂直领域建立了独特的技术壁垒。 ★ 里程碑：中国变构AI药物研发的先行者，B轮融资后在垂直赛道持续深耕 🧬 赛道三：AI蛋白设计与生物制剂 （7家） 从抗体发现到从头蛋白设计，AI正在改写生物制剂的游戏规则 17Absci Corporation已上市 市值 约$11.6亿（Nasdaq: ABSI） 核心产品 AI生物制剂设计 / ABS-201临床 总部 美国华盛顿州 成立 2011年 生成式AI设计生物制剂（抗体等蛋白药物）的先锋。其"zero-shot"抗体设计能力可在无先验结构信息的表位上从头设计抗体。2026年6月ABS-201临床更新推动股价大幅波动。强调"湿实验数据反馈到模型训练"的闭环优势。机构持股评级82%买入，目标价$13.78。 ★ 里程碑：Zero-shot抗体从头设计；2026年YTD涨幅超137%，进入临床验证关键阶段 18AbCellera Biologics已上市 市值 约$17.2亿（Nasdaq: ABCL） 核心产品 AI抗体发现平台 / ABCL635 总部 加拿大温哥华 成立 2012年 全球AI抗体发现领域最成熟的企业。曾开发新冠中和抗体Bamlanivimab（获FDA紧急使用授权），展现了AI抗体平台的实战能力。正在从"帮别人发现抗体"向"自研管线"转型，ABCL635是其首个自研临床阶段资产。现金储备超$5.3亿，是AI制药中财务最稳健的企业之一。 ★ 里程碑：开发新冠中和抗体获FDA紧急使用授权，AI抗体唯一实战验证案例；现金储备$5.3亿+ 19Eikon Therapeutics已上市 市值 约$6.8亿（Nasdaq: EIKN） 核心产品 活细胞成像+AI药物发现 总部 美国加州 以超高分辨率活细胞成像为核心武器，追踪单个蛋白分子在活细胞中的实时运动轨迹，为AI模型提供前所未有的"动力学"训练数据。诺奖得主Eric Betzig（2014年化学奖）是其科学创始人之一，将超分辨显微镜技术转化为药物发现工具。 ★ 里程碑：诺奖级活细胞成像技术+AI药物发现；累计融资$15亿以上 20Owkin独角兽 估值 $11亿–$16亿 核心产品 联邦学习AI药物发现平台 总部 法国巴黎 成立 2016年 联邦学习+AI制药的先驱。通过让多个医院和机构在不共享原始数据的情况下联合训练AI模型，解决了医疗数据隐私这一核心痛点。与赛诺菲、罗氏等有深度合作。其AI驱动的生物标志物发现和患者分层技术已应用于多项临床试验。2025年底获$3.04亿融资。 ★ 里程碑：联邦学习+AI制药全球先行者；保护隐私的同时实现跨机构联合模型训练 21Iambic Therapeutics独角兽 估值 $6.5亿–$11亿 核心产品 物理AI+快速实验验证平台 总部 美国加州 融合物理学AI与高通量实验的独特路线。其平台将量子力学精度的计算预测与快速湿实验验证结合，在肿瘤学领域建立了多个临床前管线。2026年2月与武田签署$17亿+里程碑合作。累计融资$3.34亿。 ★ 里程碑：与武田$17亿里程碑合作；物理AI+快速实验验证的双引擎管线 22insitro独角兽 估值 $15亿–$23亿 核心产品 机器学习驱动的药物发现 总部 美国旧金山 成立 2018年 由前斯坦福教授、AI+生物学交叉学科领袖Daphne Koller创办。将机器学习应用于大规模人类遗传和表型数据，发现疾病机制和药物靶点。强调"数据规模化"——自建高通量实验室产生专有数据训练模型。累计融资$6.43亿，a16z、ARCH Venture等顶级基金持续加注。 ★ 里程碑：Daphne Koller创办，机器学习+自建实验室专有数据的闭环模式；累计融资$6.43亿 23Genesis Therapeutics独角兽 估值 $7亿–$13亿 核心产品 AI分子设计平台GEMS 总部 美国加州 成立 2019年 斯坦福AI实验室孵化的分子设计平台。其GEMS平台结合了图神经网络与三维结构预测，专攻传统方法难以处理的"不可成药"靶点。累计融资$3.04亿，a16z、Rock Springs Capital等投资。与礼来等大型药企有合作管线。 ★ 里程碑：斯坦福AI实验室技术转化；专攻不可成药靶点，图神经网络+3D结构双引擎 💊 赛道四：AI药物前沿应用 （7家） 从分子筛选到天然产物、从精准免疫到肿瘤AI，垂直应用百花齐放 24Atomwise独角兽 估值 约$15亿 核心产品 AI分子对接筛选平台AtomNet 总部 美国旧金山 成立 2012年 AI虚拟筛选的鼻祖之一。其AtomNet平台使用基于结构的卷积神经网络进行药物-靶点相互作用预测，每周可虚拟筛选500万+化合物。与拜耳、BridgeBio等有合作管线。将传统HTS（高通量筛选）从$1亿级成本降至$500万级的虚拟筛选水平。 ★ 里程碑：500万化合物/周虚拟筛选能力；将HTS成本从$1亿降至$500万级别 25Pathos AI独角兽 估值 $16亿（已披露私募轮估值） 核心产品 AI肿瘤药物开发平台 总部 美国 专注AI驱动的肿瘤药物开发。利用大规模患者数据和机器学习模型，精准识别肿瘤药物的新靶点和生物标志物。其数据引擎整合了多组学数据和真实世界临床数据，累计融资$4.67亿。 ★ 里程碑：AI肿瘤药物发现垂直冠军；累计融资$4.67亿 26Enveda Biosciences独角兽 估值 $10亿–$12亿 核心产品 AI天然产物药物发现 总部 美国科罗拉多州 "从自然界中挖掘药物"——利用AI解读天然产物的化学语言。天然产物是66%已获批小分子药物的来源，但传统方法效率极低。Enveda用AI分析植物和微生物的代谢组学数据，快速发现具有药用活性的天然分子。累计融资$5.17亿，包括2025年$4.11亿C轮。 ★ 里程碑：AI+天然产物药物发现的品类开创者；累计融资$5.17亿 27Maze Therapeutics已上市 市值 约$18亿 核心产品 基因驱动精准小分子药物 总部 美国旧金山 将人类遗传学数据与AI药物发现结合，识别天然基因变异提供的"人体实验"证据来验证靶点。其平台利用大规模人群基因组数据，找到那些天然基因功能丧失但健康的个体，反向推断药物靶点的安全性。累计融资$7.86亿。 ★ 里程碑：人类遗传学+AI验证靶点安全性的创新范式；累计融资$7.86亿 28Xaira Therapeutics独角兽 估值 $30亿–$45亿 核心产品 AI药物发现+蛋白设计 总部 美国旧金山 2024年以$10亿种子轮震撼登场的AI制药超级新秀，由ARCH Venture和Foresite Capital孵化。科学团队包括诺奖得主、前斯坦福校长等重量级人物，整合AI蛋白设计、大规模功能基因组学和自动化实验。其"从零到临床"的一体化平台路线，代表了AI制药的最高资金密度。 ★ 里程碑：$10亿种子轮创AI制药融资纪录；诺奖级科学团队+顶级VC孵化 29Odyssey Therapeutics独角兽 估值 $14亿–$22亿 核心产品 精准免疫药物开发平台 总部 美国波士顿 聚焦免疫学+肿瘤学的AI药物发现。整合大规模蛋白组学、结构生物学和机器学习，精准攻击免疫通路中的关键节点。累计融资$7亿，ORBIMED、Logos Capital等生命科学专业基金支持，其管线组合覆盖自身免疫疾病和肿瘤免疫两大方向。 ★ 里程碑：专注免疫+肿瘤双赛道的AI药物发现；累计融资$7亿 30Chai Discovery独角兽 估值 $13亿 核心产品 AI分子设计基础模型Chai-1 总部 美国 成立 2024年 成立仅两年就成为独角兽的AI分子设计新星。Chai-1是专为药物发现训练的基础模型，可从蛋白序列直接预测三维结构并生成新分子。其开放平台的快速迭代策略吸引了大量学术界和工业界用户。2026年已披露估值$13亿，累计融资$2.3亿。 ★ 里程碑：两年成为独角兽；Chai-1基础模型开放平台策略快速获取学术界和工业界用户 七大关键趋势 2026年AI制药行业的底层变局 1. 从"概念验证"到"商业化兑现"170+条AI设计管线进入临床，英矽智能Rentosertib进入III期——首个AI原生药物距离上市可能仅剩2-3年。英矽智能2026上半年首次扭亏为盈，标志着AI制药企业从"烧钱故事"进入"可盈利模式"。 2. "三小龙"IPO潮开启赛道资本化晶泰科技（2024.6）、英矽智能（2025.12）、剂泰科技（2026.5）相继上市，华深智药、百图生科、深势科技、深度智耀排队冲刺。中国AI制药在港交所形成了一个完整板块，投资者从此有了一组可比较的公开数据。 3. 中国AI制药站上全球舞台中央2025年中国创新药对外授权交易总额达$1355.6亿（全球49%），首次超越美国。华深智药赛诺菲合作$44亿+，剂泰科技IPO 6900倍超额认购——中国AI制药已不是"跟随者"，而是全球格局的主动重塑者。 4. 大模型巨头跨界入局Anthropic发布Claude Science进军生命科学，收购生物科技公司Coefficient Bio。英伟达投资Recursion和Firmus，构建"芯片+AI+药物发现"生态。生命科学正成为大模型厂商的下一个万亿级战场。 5. 技术路线百花齐放从AlphaFold 3的蛋白结构预测，到Relay的蛋白运动建模，到Absci的zero-shot抗体设计，到Enveda的天然产物AI——AI制药的技术路线远比外界想象的丰富。没有一种方法能"通吃"，垂直深耕才是壁垒。 6. AI让"不可成药"靶点变得可成药传统上约85%的疾病相关蛋白被认为是"不可成药"的。AI制药正在打破这一限制——通过预测隐藏的药物结合口袋、模拟蛋白动态构象、设计全新蛋白疗法，打开了以前无法企及的靶点空间。 7. 资本加速涌入但分化加剧全球AI制药投融资2025-2026年近$60亿，但头部集中效应明显——TOP 5企业拿走超70%资金。Isomorphic Labs以$140-260亿估值一骑绝尘，而大量早期AI制药初创仍在A轮挣扎。赛道已经从"百花齐放"进入"优胜劣汰"的阶段。 本文基于公开信源独立研究，不构成投资建议 数据截至2026年8月 · 壹线产业知识库

字数 14957，阅读大约需 75 分钟 研究时间：2026年7月 | 所属领域：计算化学/分子模拟/药物设计 | 研究对象类型：科学计算方法一、一句话定义 FEP（Free Energy Perturbation，自由能微扰）是一种基于统计力学、通过在分子系统的"参考态"与"微扰态"之间引入连续耦合参数λ、并对能量差进行系综平均来计算两态自由能差的计算方法，它在1954年由Zwanzig在方程层面给出最初的形式化表达，今天已成为计算机辅助药物设计中预测蛋白-配体结合亲和力的"金标准候选者"之一。二、基本原理：FEP的统计力学根基 要理解FEP，不能只记住那一个公式。它背后牵涉到一整套关于"自由能"、"系综平均"、"热力学循环"的物理直觉。这一节把这些直觉拆开，逐层堆回去。2.1 自由能与自由能差：为什么不是绝对自由能 在分子模拟里，我们几乎从来不算"绝对自由能"。原因有两个。 第一，绝对自由能的物理意义模糊。一个孤立蛋白质的"绝对Gibbs自由能"是天文数字，没人能把它算准，也没人关心。真正有化学意义的是两个状态之间的差值：药物A结合到蛋白和药物B结合到蛋白，差多少？突变体蛋白比野生型稳定多少？溶剂把分子从气相拉到液相，能量差多少？这些都是ΔG。 第二，统计力学给的就是差值。配分函数Z = ∫exp(-βE)dr是一个积分，对它做精确的解析处理几乎不可能，但我们关心的是两个状态的配分函数比值Z₁/Z₀，这个比值取对数再乘上(-kT)，恰好就是自由能差ΔF = -kT ln(Z₁/Z₀)。这是统计力学的礼物：算不出绝对值，但比值在数学上很优雅。 所以整个FEP方法论的工程，就是想办法把这个比值算得准、算得快、算得稳。2.2 Zwanzig方程：FEP的数学核心 1954年，Zwanzig在《Journal of Chemical Physics》上发表了题为"High-Temperature Equation of State by a Perturbation Method, I. Perturbation of a Simple Fluid"的论文。在那篇只有几页的短文里，他写下了一个看起来极其简单、却影响整个领域七十年的方程： ΔF = -kT ln⟨exp(-βΔE)⟩₀ 这里的含义是：把系统从一个参考态（state 0）"微扰"到目标态（state 1），能量差ΔE = E₁ - E₀，而尖括号⟨·⟩₀表示在参考态的系综上做平均，β = 1/(kT)，k是Boltzmann常数，T是温度。 这个方程的妙处在于它把"算不动的目标态配分函数"，转换成"在参考态采样上做平均"。理论上你只要在参考态跑足够长的分子动力学（MD），把每一帧的ΔE算出来，做指数平均，就得到了ΔF。 理论上是这样。工程上呢？这是另一个故事，我们会在第三节讲。 方程里隐藏着一个关键的"不对称性"：指数平均对ΔE的尾部极其敏感。当ΔE出现一个大的负值（即某一帧在目标态能量远低于参考态），exp(-βΔE)会出现一个巨大的尖峰，把整个平均值带偏。这就是FEP的"稀有事件采样"问题——它在数学上是对的，在工程上却容易塌。2.3 热力学循环：误差抵消的工程美学 光有Zwanzig方程还不够。直接用它算蛋白-配体的结合自由能，意味着要在"未结合"和"结合"两个状态之间做微扰，这两个状态相空间差异太大，从A到B的路径上要跨越无数构象变化，采样根本跟不上。 化学家想到了一个聪明的办法：热力学循环。 设想一个闭环： • 起点：蛋白P + 配体A（在溶液中） • 路径1（物理过程）：P + A → PA（真实结合，ΔG_bind_A） • 路径2（计算路径）：P + A → P + B（A在溶液中变成B，ΔG_A→B^sol） • 路径3（计算路径）：PA → PB（A在结合态变成B，ΔG_A→B^bound） • 闭合：P + B → PB（真实结合，ΔG_bind_B） 热力学告诉我们，循环回到起点，ΔG总和为零。所以： ΔΔG = ΔG_bind_B - ΔG_bind_A = ΔG_A→B^bound - ΔG_A→B^sol 这个等式的右边是两个FEP计算：一个在"结合态"把A变成B，一个在"溶液态"把A变成B。两个微扰都是从A到B，相空间结构相似，路径连续，采样能跟上。再用力场一致这个假设兜底——结合态和溶液态用的是同一套力场，系统性偏差会部分抵消。 这就是RBFE（Relative Binding Free Energy）计算的工程美学：不直接算难的事，把难的事拆成两件对称的事，让误差抵消。2.4 λ耦合参数与软核势：路径工程 从A变到B，中间怎么过渡？最朴素的想法是引入一个耦合参数λ，让哈密顿量在H(λ=0)=H_A和H(λ=1)=H_B之间线性插值： H(λ) = (1-λ)H_A + λH_B 然后取N个λ值（比如0.0, 0.1, 0.2, ..., 1.0），在每个λ上跑独立的MD，相邻λ之间用Zwanzig方程或者BAR、MBAR做估计。 但线性插值有个陷阱：当λ接近0或1时，被"关闭"的那个状态的粒子会因为Lennard-Jones势的r^-12项出现奇点，势能爆炸。这就是"端点奇点"问题。 Beutler等人在1994年提出了软核势（soft-core potential）：把r^-12改成一个(r² + α(1-λ))^-6的形式，让粒子在λ→0时不会"塌缩到原点"，势能连续过渡。这是FEP工程化里一个看起来很小、却救了无数个项目的小聪明。2.5 估计器谱系：从FEP到BAR再到MBAR Zwanzig方程是FEP估计器的原型，但它对采样极度敏感。后来发展出一整套估计器： • FEP（直接）：Zwanzig原版，单向指数平均，稀有事件敏感 • BAR（Bennett Acceptance Ratio，1976）：双向采样，利用0态和1态两边的信息，最小化方差，是估计器界的事实标准之一 • MBAR（Multistate BAR，2008，Shirts & Chodera）：BAR的多状态推广，用所有λ窗口的信息做联合估计，是当前精度最高的估计器 • TI（热力学积分）：另一条路，不靠指数平均，靠对dU/dλ做数值积分 • Crooks方程、Jarzynski等式：非平衡路径上的方法，在长程采样受限时有价值 这一谱系的核心逻辑是：信息利用率越来越高，方差越来越小，但前提是计算量越来越大。今天的FEP+默认用MBAR，已经基本不用原始的Zwanzig单向估计了。三、纵向分析：从Kirkwood到Uni-FEP的七十年 FEP的故事，是20世纪理论物理、计算化学和工业药物设计三股力量交汇的故事。它的发展不是线性的，而是分四个明显阶段，每个阶段有自己的核心矛盾。3.1 萌芽期（1935-1984）：从耦合参数到第一篇分子FEP 起点不是1954，而是1935。 1935年，John G. Kirkwood在《Journal of Chemical Physics》上发表了题为"Statistical Mechanics of Coupled Systems"的论文，提出了"耦合参数"（coupling parameter）的概念：把一个系统的哈密顿量从H₀连续变到H₁，参数λ∈[0,1]。Kirkwood当时是想算溶液的热力学性质，他给出的是热力学积分的形式（对dF/dλ做积分），而不是Zwanzig的指数平均形式。 1942年，Kirkwood把这套思路写进了他关于溶液理论的综述。Kirkwood耦合参数是FEP的祖辈概念——它定义了"路径"这个抽象对象，但没给出"采样估计"的具体方法。 1954年，Zwanzig登场。 Robert Zwanzig当时在Yale，研究统计物理。他在JCP上发表的"High-Temperature Equation of State by a Perturbation Method, I"那篇论文，把微扰理论从量子化学（Rayleigh-Schrödinger微扰）借过来，应用到经典流体的状态方程计算上。那篇论文给的就是我们今天说的Zwanzig方程。 但有意思的是，Zwanzig本人对FEP在分子模拟里的实际应用并不那么上心——他更关心统计物理本身。方程给出后，他自己转向了别的方向（后来他成了非平衡统计力学的大师）。FEP方法在1950-60年代几乎没有被实际使用，因为那时候连最简单的Lennard-Jones流体都跑不动足够长的MD。 1976年，Bennett的BAR。 Charles H. Bennett在1976年的论文"Efficient Estimation of Free Energy Differences from Monte Carlo Data"中提出了BAR方法。Bennett当时在IBM Research，做的是Monte Carlo方法的统计效率问题。他注意到单向的Zwanzig估计方差极大，提出双向采样+一个最优权重函数，可以在数学上证明方差最小。BAR的诞生不是从分子模拟的需求里出来的，而是从统计方法学里出来的——它后来成了FEP估计器的事实标准之一。 1984年，Tembe & McCammon的第一篇RBFE。 1984年，B. L. Tembe和J. A. McCammon在《分子物理学和化学的计算机应用》上发表了"Coupling of conformational transitions in the binding of ligands to proteins"。这是已知最早的把FEP用于"蛋白-配体结合自由能差"的论文之一。他们算的是一个简化模型——还不是真实药物——但走通了从"理论"到"生化应用"的第一步。 1985-1987：FEP真正进入化学。 • 1985年，W. L. Jorgensen团队发表了关于氯乙烷在水中水合自由能的FEP计算，这是分子尺度的FEP真正跑通的第一批工作。 • 1987年，Peter Kollman团队在《Accounts of Chemical Research》上综述了FEP/TI在蛋白质-配体体系的应用，把FEP正式介绍给药化圈。 到1984-1987年，FEP的核心理论框架（Kirkwood耦合、Zwanzig方程、BAR、热力学循环、RBFE）已经全部搭起来了。但这个时期FEP能算的体系很小、采样很短、精度也很粗糙，只能算小分子水合能或者极简的蛋白模型。FEP在那个时代是"理论上的金标准，实践上的奢侈品"——大家都知道它对，但谁都跑不起。3.2 探索期（1985-2000）：方法学多元化 1990年代是FEP方法学的爆发期。算力上来了（Cray、工作站普及），方法学上所有人都在试怎么让它更准、更稳。这一时期出现了五条并行的演进线。 第一条：λ动力学（Kong & Brooks, 1996）。 Xiang-Ji Kong和Charles L. Brooks III在1996年提出了λ-dynamics方法，把λ本身当成一个动力学变量，让多个配体同时在一套模拟里"竞争"结合，可以一次算多个RBFE。这个思路在2000年代被Emil Alexopoulos等人发展成自适应λ动力学（adaptive λ-dynamics, alchemical-λ）。 第二条：非平衡统计力学（Jarzynski, 1997）。 1997年，C. Jarzynski发表了著名的等式：从非平衡过程做指数平均也能得到自由能差。这给了FEP一条新的路径——不一定非要平衡采样，做一系列非平衡拉伸/突变也能算。虽然Jarzynski等式在实际应用中也有自己的方差问题，但它打开了"非平衡路径上算自由能"这个方向。 第三条：增强采样（REMD, 1999）。 Y. Sugita和Y. Okamoto在1999年提出了Replica Exchange Molecular Dynamics（REMD），让多个副本在不同温度下并行跑、定期交换，极大改善了相空间采样。REMD后来和FEP结合成FEP/RE或者REST2（Replica Exchange with Solute Tempering 2），成了FEP+这类工具的标配。 第四条：BAR的多状态推广（MBAR, 2008）。 2008年，Michael R. Shirts和John D. Chodera在《Physical Review Letters》上发表了MBAR（Multistate Bennett Acceptance Ratio）。MBAR把BAR从"两个状态"扩展到"N个状态"，用所有λ窗口的采样信息做联合估计，是估计器界的"暴力最优"。这篇论文被引用了上千次，今天FEP+、OpenFE、GROMACS bar都用MBAR作为默认或者可选估计器。 第五条：力场的成熟。 1990年代是AMBER、CHARMM、OPLS这些主流力场从粗糙走向精细的时期。没有力场的精度提升，FEP算出来的数字就是噪音。OPLS-AA（1996）、AMBER ff99（1999）、CHARMM22/CMAP（2004）这些版本让FEP的计算结果第一次有了和实验比较的资格。 第六条：可视化与自动化。 B. R. Brooks团队的CHARMM界面、AMBER的Sander、GROMACS的grompp，这些工具在1990年代逐渐成熟，让FEP从"写Fortran代码"变成"配置参数文件"。这是FEP走向工程化的第一道门槛降低。 但整个1990年代，FEP有一个共同的问题：精度仍然不够。哪怕力场、采样、估计器都改善了，1990年代的FEP结合自由能预测误差通常在2-3 kcal/mol，这个误差对先导化合物优化来说太大了——药物化学家要的是1 kcal/mol以内的预测，最好能预测哪个化合物结合更强、哪个更弱，而不是说"都在1 kcal/mol误差内，分不出排名"。 1990年代的FEP是一台昂贵的、不稳定的、需要专家调参的仪器。它跑得通，但跑出来的东西不太能用。3.3 工程化期（2001-2015）：FEP+的工业级突破 进入2000年代后，FEP方法学上的重大原创性进展变少了——BAR、MBAR、REMD这些核心方法都已经定型——但工程化成了关键词。把FEP从学术玩具变成工业生产工具，是这个时期真正的故事。 2008：Nicholls盲测的警钟。 2008年，A. Nicholls等人在《Journal of Chemical Theory and Computation》上发表了小分子水合自由能盲测的论文"Predicting Small-Molecule Hydration Free Energies with Semiempirical Quantum Mechanical Methods"，结果是：即使是物理上"简单"的水合自由能，主流方法的RMSE在1-2 kcal/mol，方法之间差异巨大，甚至同一方法不同实现给出的结果都不一样。这篇论文在FEP社区引起震动——大家忽然意识到，FEP的"金标准"地位远没有想象中那么稳。 Nicholls后来去了Schrödinger，他这篇盲测论文的反思，直接推动了FEP+项目。 2010-2013：Schrödinger的内部押注。 Schrödinger公司从2010年前后开始押注"工业级FEP"，目标只有一个：把FEP+做成药物设计里真的能用的工具。Lingle Wang、David Mobley（学术合作）、Yuan Liu、Emilio Gallicchio等一批人参与。他们做的是一系列工程优化： • 自适应λ窗口调度（MS-λA），根据相邻窗口重叠度自动加窗 • REST2增强采样 • OPLS3力场的迭代（专门为FEP校准过电荷和LJ参数） • Desmond GPU引擎的优化 这些单独看都不算新发明，但拼在一起，让FEP第一次有了"一键算"的可能性。 2015：FEP+的JACS论文。 2015年，Lingle Wang等人在《Journal of the American Chemical Society》上发表了论文"Fingerprinting for Drug Design: Assessing the Accuracy of a Free Energy Perturbation Workflow for Drug Discovery"。这是FEP+的"出道论文"——他们在一批公开的蛋白-配体数据上跑FEP+，RMSE做到了接近1 kcal/mol。 更重要的是这篇论文做了一个承诺：FEP不再是研究工具，是工业工具。Schrödinger把FEP+做成了商业产品，并配套了Workflow、力场校准、可视化、报表输出整套用户体验。一个药化研究员可以在FEP+里上传一个蛋白结构、一批配体，点几个按钮，第二天拿到一张结合自由能差预测表。 这在2015年是革命性的。在那之前，FEP是博后要花两周调参才能跑一次的"专家系统"，2015年之后FEP+让企业用户可以批量跑。 2015-2017：D3R盲测的验证。 D3R（Drug Design Data Resource）从2014年开始举办Grand Challenge盲测比赛，让全球团队在拿到结构后预测一批未知活性数据。FEP+在2015和2017年两届比赛中成绩靠前，RMSE在1-1.5 kcal/mol区间，确立了自己作为"工业级FEP代表"的位置。但D3R也暴露了FEP的脆弱性：前瞻预测（submission前不知道答案）的RMSE经常比回顾研究高出50%以上，R²有时只有0.08-0.1，意味着FEP对"排名"的预测能力依然有限。 2017-2018：BAR-OST与alchemical-λ。 2017年前后，B. R. Brooks团队、David Mobley团队、John Chodera团队都在持续优化FEP方法学。Chodera的YANK（基于OpenMM的开源ABFE工具）发布了。Alexopoulos的alchemical-λ作为独立软件包发布了。开源社区开始追上来。 但截至2015年，整个故事的关键判断是：FEP的成熟不是源于方法学的发明，而是源于工程化。Schrödinger赢的不是某个新算法，赢的是把已有算法做成了产品。3.4 生态期（2016-至今）：开源化、AI增强、中国力量 2015年FEP+的成功引发了三个连锁反应。 第一，开源社区反击。 商业闭源的FEP+虽然好，但定价不便宜，而且学术界想要"可复现、可改造"的工具。OpenMM、GROMACS、AMBER这些主流引擎都在自己的代码里加FEP支持，但都缺一个统一的"用户层"——把FEP流程编排起来。 OpenFE（注意：是OpenFE，不是"OpenFEP"）项目由OpenMM社区和Open Molecular Sciences Foundation（OMSF）发起，从2020年前后开始活跃，2022年发布1.0版本。OpenFE是基于OpenMM的开源FEP工作流框架，MIT协议，定位是"FEP+的开源对标"。它把多窗口FEP、BAR/MBAR估计、Python化的WorkFlow、可重复的研究产物这些设计整合起来，并在持续迭代——2024-2026年发布了v1.5-v1.7，其中v1.7引入了SepTop（separated topology）方法支持骨架跃迁（scaffold hopping），这是一个开源工具对FEP+少有的功能补齐。 第二，AI/ML方法渗透FEP。 2018年之后，机器学习和FEP的交叉成了热门方向，主要有四股力量： • 力场层面的ML：ANI、TorchMD、Neural Network Potentials（NNP）。把量子化学训练的神经网络当力场，理论上可以让FEP摆脱经典力场参数误差。但实际跑通全蛋白-配体FEP还很远，算力瓶颈严重。 • 采样层面的ML：Boltzmann Generators、Normalizing Flow。用生成模型直接采样稀有构象，弥补MD采样的尾部不足。当前在简单系统上有效，蛋白尺度仍在攻坚。 • FEP本身的加速：BiLSTM-K-MD这类混合方法（一篇2024年Nature Communications的论文声称把FEP加速400倍），以及各种"用机器学习预测哪些λ窗口需要更多采样"的Active Learning方案。这是把ML塞进FEP工作流的工程化路径，最贴近实际应用。 • 配体embedding的ML：用图神经网络或者Transformer预训练的分子表示，预测FEP要算的ΔG，绕过物理模拟。这是另一个赛道（如ESOL、MoleculeNet基准上的ML模型），严格说不是FEP，但和FEP在工业应用上是竞争关系。 第三，中国力量登场。 深势科技（DP Technology）在2023年前后推出了Uni-FEP，定位是"对标FEP+的中国商业产品"。Uni-FEP是深势Hermite药物设计平台的一个模块，用到了他们自己训练的DPA-2深度势能模型作为力场，把FEP+的工程化路径再走一遍，但力场用神经网络替代了OPLS3。这是中国FEP生态里少有的、真正工业级的产品。 2023年的一项基准研究（Ross et al., 2023, JCIM）用13,732个FEP预测做最大规模的对比，FEP+的RMSE是1.26 kcal/mol，而实验本身的可重复性是0.91 kcal/mol——意味着FEP+的预测误差已经接近实验误差的下限，但还没到。这个数字被广泛引用作为"FEP+已达工业可用、但还不完美"的证据。 2024-2026的最新动向。 最近两年FEP领域的几个明显趋势： • 开源工具追上来：OpenFE 1.7在功能上已经覆盖FEP+大部分场景，SepTop补齐了骨架跃迁 • GPU-resident MD崛起：NAMD 3.0、ACEMD、GROMACS 2024都在GPU-resident上发力，让单卡能跑百万原子级别的FEP • 力场演进：OPLS4（2021）、AMBER ff14SB/openff-2.x，都比上一代更适配FEP • ABFE（绝对结合自由能）回暖：以前ABFE因为收敛性差基本被放弃，YANK、HREX-CM5、convex-ABFE等方法让ABFE在特定场景可用 • 非平衡FEP的复活：Crooks方程、Jarzynski等式结合steered MD，在长程采样困难时有独特价值 • 力场一致性的反思：D3R和SAMPL历届盲测反复暴露同一问题——力场参数的微小变化会让结果差异大于方法学选择 到2026年的今天，FEP已经是一个成熟方法+生态齐全的工具集+明确边界的研究领域。它不再是个"明日黄花"——它就是当下药物设计里最有物理依据的预测工具之一。但它也远没到"无脑使用"的程度。3.5 纵向小结：四阶段的核心矛盾 时期 核心矛盾 解决路径 萌芽期（1935-1984） 理论对，算力跟不上 等待算力，方法学奠基 探索期（1985-2000） 方法学多，但精度不够 估计器优化、增强采样、力场成熟 工程化期（2001-2015） 方法学够了，但工程化不够 FEP+产品化，把专家系统变成一键工具 生态期（2016-至今） 商业领先，但开源/ML潜力没释放 OpenFE开源对标、AI增强、中国生态 七十年的FEP史，本质上是**"理论-方法学-工程化-生态"四个台阶依次迈过**的故事。每一台阶都需要大约15-20年。四、FEP解决了什么问题 FEP不是万能的。它在一些问题上表现卓越，在另一些问题上则无能为力。这一节说清楚FEP真正"解决了"什么——也就是在哪些场景下，FEP给出的预测比其他方法明显更可信，已经成为工业标准实践的一部分。4.1 药物设计中的结合自由能预测：FEP的主场 这是FEP最被看好的应用，也是它今天商业价值的最大来源。 先导化合物优化是药物发现里花钱最猛的阶段。一个项目可能有几百个候选分子，化学合成+体外测试一轮下来，时间和成本都是巨大的。FEP的意义在于：在合成之前，就能在计算机里给出这批候选分子的结合自由能差预测，按预测值排序，只合成排名靠前的10-30个。 这个流程替代的是传统的"分子对接（docking）打分"。docking是几何匹配+经验打分函数，速度快但精度差，对一组相似分子往往打分接近、排不出名次。FEP是物理方法，理论上能捕捉到docking抓不到的细节——溶剂化、构象熵、诱导契合。 实际表现如何？ 2015年FEP+的JACS论文报告的RMSE大约在0.8-1.2 kcal/mol。1 kcal/mol是什么概念？一个数量级的结合亲和力差异（10x）对应大约1.4 kcal/mol。所以1 kcal/mol以内的误差，意味着FEP可以区分"一个数量级以内"的结合力差异，这对先导优化的"哪几个分子值得合成"决策是有用的。 但要诚实地说FEP的边界：它不能预测"绝对活性"。FEP擅长的是一组结构相似的分子之间的相对结合自由能差（RBFE），不能跨大骨架预测，不能算"全新分子的绝对ΔG_bind"。 D3R盲测暴露的真相。 D3R Grand Challenge 2015和2017两届是FEP社区的高光时刻，也是清醒时刻。回顾研究里FEP+成绩漂亮，前瞻预测里成绩依然能看，但R²经常只有0.08-0.1——意味着FEP预测的排名和实验排名的相关性，前瞻场景下接近随机。这是FEP最大的尴尬：绝对值误差小，但排名预测能力差。 药化研究员真正需要的是"哪个化合物最强"，不是"预测的ΔG是-9.2 kcal/mol"。FEP在这一步上还没有完全解决。 新兴应用：选择性预测。 最近两年FEP在工业上的一个新场景是选择性预测——同一个配体对两个同源蛋白（比如野生型和突变型激酶）的结合自由能差，预测药物的选择性。这是肿瘤药物设计里的关键问题（避免脱靶副作用），FEP因为物理一致性，在选择性预测上表现往往比单分子预测更稳定——同等的系统性偏差会被部分抵消。4.2 其他领域：FEP的多面性 FEP在药物设计之外，还有一批成熟应用： 溶剂化自由能：分子从气相到液相的ΔG_solv。这是FEP最早的"基准测试"用例——体系小、收敛快、和实验对得上。Mobley实验室的SAMPL盲测就是用溶剂化自由能做基准，历届结果暴露了大量力场/方法学问题。溶剂化自由能也是其他力场验证的标准任务。 分配系数（logP, logD）：分子在水和辛醇两相之间的分配自由能，是药物口服吸收的关键参数。FEP可以通过两个溶剂化自由能相减得到。 蛋白质稳定性：单点突变对蛋白折叠稳定性的影响（ΔΔG_fold）。这是蛋白工程的基础问题，FEP给出的预测和实验（如ΔG_fold差）在不少体系上吻合。但蛋白构象空间巨大，采样困难，FEP在这个场景下精度波动较大。 反应自由能：化学反应物到产物的ΔG。这通常需要量子力学/分子力学结合（QM/MM）+FEP。FEP算的是固定反应坐标下的概率比，可以给出反应自由能谱。这个方向更多在学术研究中，工业应用较少。 相变研究：晶体不同多型之间的自由能差、固-液相平衡。这是制药工业里多晶型筛选的核心问题——同一分子的不同晶型溶解度、稳定性差异巨大，影响药效。FEP在多晶型预测上的应用近几年才开始有像样的工业尝试。 膜蛋白-配体结合：跨膜蛋白-配体结合自由能，因为膜环境复杂、采样极慢，长期是FEP的难题。最近GPU-resident MD和增强采样让这个方向有突破。 关键边界。 FEP能解决的核心问题是**"已知两个状态之间有连续耦合路径"**的自由能差。如果两个状态相空间差异巨大、没有合理的λ路径，FEP基本无能为力。这就是为什么FEP擅长RBFE（同骨架变R基），不擅长ABFE（全新分子）和大幅构象变化。五、缺陷与不足：FEP尚未解决的难题 FEP七十年的发展史，是问题被一个个识别、一个个缓解、但远未被彻底解决的历史。今天FEP的主要瓶颈集中在六个方面。5.1 计算精度：力场和水模型的"幽灵" 力场参数误差是FEP最大的系统性偏差来源。FEP用的是经典分子力场（OPLS、AMBER、CHARMM、OpenFF等），把电子结构塌缩成原子点电荷+Lennard-Jones项+键参数。这套近似在"配体-蛋白相互作用"这种弱相互作用场景下，误差在所难免。 具体到几个关键点： • 电荷模型：RESP、AM1-BCC这些原子电荷方案，对小分子偶极矩、氢键给受体性的描述有系统性偏差。同一个分子的不同电荷方案，给出的水合自由能差可以差0.5-1 kcal/mol。 • Lennard-Jones参数：碳、氮、氧的σ和ε值，决定了疏水packing和氢键几何，对FEP结果影响巨大。OpenFF计划试图用拟合方法学解决，但完全落地还有距离。 • 极化：经典力场是固定电荷，无法描述诱导极化。这是FEP对金属酶、带电荷配体预测偏差大的根源之一。诱导偶极力场（AMOEBA、Drude）理论上更准确，但算力消耗3-10倍，工业上还无法承受。 水模型的影响被严重低估。一个常被引用的研究（Mobley团队等）显示，把TIP3P换成TIP4P-Ew，对小分子水合自由能FEP预测的影响，可以超过力场本身的选择。TIP3P是大众选择，但它对水的扩散、介电常数的描述都不准。问题是TIP4P、OPC这些"更准"的水模型会让MD变慢、需要更长时间才能平衡。 量子效应的缺失。FEP完全基于经典力学，不能描述质子转移、电子转移、共价键断裂重组。这让FEP对涉及质子化状态变化、共价抑制剂、金属配位配体的预测严重失真。5.2 采样效率：相空间的迷宫 这是FEP最古老、最顽固的问题。 FEP方程假设的是"在参考态充分采样"，但实际的MD模拟采样远远不充分。蛋白质有大量亚稳构象、慢变量（loop翻转、侧链旋转异构、别构运动），这些慢变量在常规FEP模拟的时间尺度（ns级）里基本采不到。 具体症状： • 稀有事件采样：Zwanzig方程对ΔE尾部敏感，恰好需要稀有构象。但稀有构象出现频率低，导致估计方差爆炸。BAR/MBAR改善了，但没根治。 • 慢变量陷阱：一个蛋白loop有两种构象A和B，转换需要μs级，FEP模拟只有ns。如果微扰路径需要loop转换，FEP给出的ΔG严重依赖初始构象，几乎随机。 • 配体取向：同一个口袋里配体可能有多种binding mode，FEP往往只能采到一种，给出"局部正确"的ΔG。 增强采样方法的局限：REMD、REST2、metadynamics都能改善，但有代价： • REMD需要大量副本（温度维度），算力开销线性增加 • REST2对溶质加热会破坏力场参数化，在FEP里要小心使用 • metadynamics需要选反应坐标，而FEP的反应坐标（λ）是人为构造的，加一个"自然反应坐标"不直观 • 2008年Wang等人在FEP+里用的REST2+replica exchange是当前工业实践里平衡较好的方案，但仍非银弹5.3 收敛性：难以言说的痛 收敛性是FEP"能不能信"的最终判据。但讽刺的是，判断收敛性的方法本身就不完美。 常规做法是看相邻λ窗口之间的相空间重叠（用Heidelberger-Welch诊断、或者重叠矩阵的迹），重叠度低说明采样不足。但这只是必要条件，不是充分条件——重叠度好不等于真正收敛。 滞后效应：从λ=0跑到λ=1，再从λ=1跑回λ=0，应该得到一样的ΔG。实际经常有hysteresis（差0.5-1 kcal/mol）。这是采样不充分的直接证据。但工业FEP流程往往只单向跑一次，不查hysteresis，掩盖了问题。 系统误差累积：FEP的精度报告往往是"和实验对的RMSE"，但这个RMSE里包含力场误差、采样误差、估计器误差、初值误差的混合。无法分辨哪个是主因。SAMPL盲测反复暴露：同一方法、不同实现、不同参数选择，给出的ΔG可以差0.3-1.0 kcal/mol。这种"内部不可重复性"比"和实验的偏差"更值得警惕。 实验误差下限：Ross et al. 2023的基准研究发现，实验测量的ΔG本身就有0.91 kcal/mol的RMSE（不同实验室、不同方法测的）。所以FEP的1.0-1.3 kcal/mol RMSE听起来不够好，但理论上限就是0.91——留给方法的"改进空间"实际上只有0.3-0.4 kcal/mol。这个发现既是安慰，也是警告。5.4 系统规模限制：算力的硬天花板 FEP算蛋白-配体结合，典型体系是30,000-100,000个原子（蛋白+配体+水+离子）。一个λ窗口需要跑5-20 ns，11个窗口+REST2的6副本，总采样时间在100-500 ns。这在GPU上大概需要1-2天。 听起来还行。但药化项目动辄几百个配体，每个配体都要建拓扑、跑模拟、分析结果——FEP的批量应用很快就撞上算力墙。 具体瓶颈： • 蛋白质大小：>500残基的蛋白FEP会很慢，>1000残基基本不现实（除非有专门的GPU-resident方案） • 配体多样性：FEP+支持骨架跃迁，但成功率不高；OpenFE在2024年引入SepTop后才补上这个能力 • GPU利用率：NAMD 3.0、GROMACS 2024都在做GPU-resident（不用CPU-GPU数据传输），让单卡能跑百万原子级FEP，但通用化还需要时间 • 算力成本：对一个中等规模药企，一年FEP计算的成本（云算力+软件许可）在百万美元量级，对小公司不友好5.5 特殊化学挑战：FEP的暗角 FEP有一批"特殊化学体系"的暗角，在这些场景下，方法学没有完全成熟。 质子化状态：配体或者蛋白活性位点的可滴定残基（His、Asp、Glu、Lys）的质子化状态，FEP默认固定。如果结合过程中发生了质子化状态变化（这在激酶、蛋白酶里很常见），FEP的预测会系统偏差。Constant-pH MD + FEP是个方向，但远未成熟。 金属配位：金属酶（如锌蛋白酶、铁硫簇）的金属-配体相互作用，经典力场描述粗糙。Zinc参数化（Stote, 12-6-4 Lennard-Jones）有改进，但FEP对含金属口袋的预测依然不稳定。 共价结合：共价抑制剂涉及键的断裂/生成，需要QM/MM-FEP。算力消耗巨大，方法学不够成熟，目前还没工业级工具。 别构调节：别构位点和正构位点的耦合，构象变化复杂。FEP只能算局部微扰，不能描述"远端变构"这种长程效应。 骨架跃迁：把苯环换成吡啶这种"原子类型变化"的微扰，拓扑映射不唯一，软核势的设计有歧义。FEP+有专门处理（一个原子一个原子地突变），OpenFE 2024年才补上SepTop方法。5.6 工程化门槛：软件使用的最后一公里 哪怕方法学、力场、算力都到位，"用对FEP"依然需要专家知识。 • 拓扑生成：从SMILES到FEP拓扑（定义哪些原子被微扰、电荷怎么变、软核势参数）需要专门的工具（FEPMorph、PMX、Lomap2）。每一步都有判断：哪些原子保留不变？哪些原子突变？突变路径有几条？选哪条？ • λ窗口调度：默认的均匀分布（11个λ）经常不够，需要根据重叠度自适应加窗。这是FEP+的MS-λA做的事，开源工具里OpenFE有自适应调度，但用户要懂原理才能判断结果可信度 • 结果验证：跑出来的ΔG表，哪些可信、哪些可疑？没有自动判据。需要看重叠度、看收敛、看hysteresis。这是一门手艺。 • 失败排查：FEP跑出来和实验对不上，原因可能来自力场、采样、初值、构象、方法学任何一个。新手排查无门。 FEP+这类商业工具把门槛降低了一些，但远没到"小白也能用"的程度。这也是为什么药企里的FEP使用往往集中在少数几个"专家用户"手里——而不是所有药化研究员都能用。六、横向分析：FEP的工具图谱 今天FEP生态里有十几个工具，从商业旗舰到开源新手、从通用引擎到专门工具。这一节做横向对比。 先说一个分类原则：FEP工具的"垂直分工"很清晰——分底层MD引擎、FEP工作流层、估计器层、配套工具层。一个完整的FEP计算通常横跨这四层。 层次 角色 代表工具 底层MD引擎 跑分子动力学 Desmond, OpenMM, AMBER, GROMACS, NAMD, ACEMD FEP工作流 编排λ窗口、生成拓扑、调用引擎、整合估计 FEP+, OpenFE, pmx, alchemical-λ 估计器 从采样数据估ΔG PyMBAR, alchemical-analysis, bar 配套工具 拓扑生成、可视化、自动化 Lomap2, LigandFEP, fePrepare 下面按工具逐个分析。6.1 FEP+（Schrödinger）：工业旗舰 身份：Schrödinger公司2015年推出的商业FEP工作流，是当前FEP工业应用的"事实金标准"。 技术栈：基于Desmond MD引擎（DE Shaw Research开发，Schrödinger商业分发）；用OPLS4力场（Schrödinger自家迭代到第四代）；默认用MBAR估计器；自适应λ调度（MS-λA）；REST2增强采样；带 LigandFEP和FEP+图形界面。 性能：在公开基准上RMSE约1.0-1.3 kcal/mol；2023年Ross et al.大规模基准测试中FEP+ RMSE 1.26 kcal/mol。 优势： • 工业级稳定性和自动化，药化研究员能直接用 • 自家力场OPLS4专门为FEP校准过电荷和LJ参数 • 全套用户体验：从蛋白准备、拓扑生成、λ调度、模拟、分析到可视化，闭环 • 24/7商业支持 • 在D3R盲测中连续多年取得靠前成绩 劣势： • 商业付费，价格不公开，对学术和小公司不友好（年许可费通常在六位数美元） • 闭源，方法学细节不完全透明，"黑箱"批评从未断过 • 强绑定Schrödinger生态（Maestro、Desmond、OPLS4），迁移成本高 • 工程化优秀但方法学创新有限——BAR、MBAR、REST2都是别人发明的 适用场景：中大型药企的先导优化项目，预算充足、追求稳定性、需要规模化跑数百个配体FEP。6.2 OpenFE（OMSF）：开源旗舰 身份：Open Molecular Sciences Foundation（OMSF）托管的开源FEP工作流，2022年发布1.0，MIT协议。基于OpenMM底层引擎。 技术栈：OpenMM作为MD引擎；支持OpenFF、SMIRNOFF、AMBER力场；MBAR作为默认估计器；支持RBFE；2024年v1.7加入SepTop方法支持骨架跃迁。 优势： • 完全开源，学术用户和工业用户都能免费用 • Python化设计，Workflow是脚本化的、可重复的——这是相比FEP+最大的差异化 • 可扩展架构，方便学术团队加新方法 • 社区驱动，OMSF作为一个独立非营利组织托管，发展健康 • v1.7的SepTop补齐了骨架跃迁这一FEP+传统优势功能 劣势： • 工业稳定性还在追，缺少商业支持 • 缺少FEP+那种一键图形界面，对药化研究员不友好 • 默认OpenMM引擎在大体系性能上不如Desmond优化版 • 文档和教程比商业软件少，新手门槛高 • 力场选择更自由，但缺少"为FEP校准过的"力场，精度上限略低于FEP+ 适用场景：学术研究、开源工具开发、预算受限的中小药企、追求可重复研究和可改造工作流的研究者。6.3 GROMACS + PMX：学术主流 身份：GROMACS是开源MD引擎（荷兰/瑞典发起，1991年首版），PMX是GROMACS的FEP拓扑生成和分析工具（德国Charité医院的Bartosz Różalski维护）。 技术栈：GROMACS原生支持FEP/TI计算；gmx bar工具做BAR/MBAR估计；PMX提供拓扑生成、采样分析、可视化。 优势： • GROMACS是开源MD引擎里最广泛使用的，社区成熟 • 性能优秀，CPU和GPU都有优化 • PMX把FEP流程从"专家系统"拉到"配置文件+脚本" • 免费、开源、可商用 • 学术界认可度高，论文复现友好 劣势： • FEP不是GROMACS的核心功能，工作流不如FEP+整合 • 默认是单向采样，hysteresis检查要手动做 • 缺少自适应λ调度、REST2这类工程化优化 • 拓扑生成（PMX）对复杂配体（骨架跃迁）支持有限 • 用户要懂方法学才能正确使用 适用场景：学术界FEP研究、教学、力场开发、预算紧张但需要稳定开源工具的场景。6.4 AMBER pmemd.cuda：GPU性能王者 身份：AMBER是商业MD软件（UCSF的David Case团队+AmberTools开源版），pmemd.cuda是AMBER的GPU加速引擎。 技术栈：AMBER原生支持TI计算（不是FEP）；pmemd.cuda在单GPU上性能领先；AMBER力场（ff14SB、ff19SB、GAFF2）配套。 优势： • 单GPU性能优秀，长时间FEP/TI模拟效率高 • AMBER力场在生物分子领域认可度高 • AmberTools开源，包括pmemd（部分） • 学术界历史最长，文献丰富 劣势： • AMBER的商业版本收费（商业用途需付费） • FEP支持不如TI成熟，主要用TI做RBFE • 工作流相对原始，缺少FEP+那种整合度 • 拓扑生成工具（tleap）老旧，复杂配体处理麻烦 • 配体力场（GAFF2）相比OPLS4/SMIRNOFF没有FEP校准优势 适用场景：偏好AMBER力场的研究团队、需要长时间TI计算的项目、对单GPU性能敏感的应用。6.5 NAMD：大体系专家 身份：UIUC的Klaus Schulten团队发起的开源MD引擎（1996年首版），现在由UIUC理论生物物理组维护。 技术栈：NAMD原生支持FEP/TI（通过colvars模块）；2024年的NAMD 3.0引入GPU-resident模式，突破百万原子级FEP。 优势： • 大体系并行性能优秀，适合膜蛋白、病毒衣壳等 • NAMD 3.0的GPU-resident模式是当前大体系FEP的最优解 • 完全开源，免费 • 与VMD可视化深度整合 • 学术界大体系FEP首选 劣势： • 默认CHARMM力场，对配体FEP校准不如OPLS4 • 小分子FEP不是NAMD的强项，工作流不如FEP+整合 • GPU-resident模式还在快速演进，稳定性待提升 • 用户群偏学术大体系方向，工业药化使用少 • FEP估计工具相对原始 适用场景：膜蛋白FEP、病毒-药物FEP、大体系构象变化研究、对单GPU性能敏感的大体系应用。6.6 Desmond：FEP+的引擎底盘 身份：DE Shaw Research开发的商业MD引擎，Desmond作为Schrödinger FEP+的底层引擎。也作为Schrödinger的Maestro套件一部分单独分发。 技术栈：Desmond是GPU优化的MD引擎；通过FEP+使用；也有独立命令行版本。 优势： • GPU性能优秀，单卡FEP效率高 • DE Shaw在硬件加速上有积累（Anton超算的同源技术） • 与FEP+深度整合，是FEP+稳定性的基础 劣势： • 商业付费 • 独立使用（不通过FEP+）的FEP支持有限 • 几乎只在Schrödinger生态里用 • 开源替代（OpenMM、GROMACS）性能在追上 适用场景：通过FEP+使用，作为FEP+的底层引擎；或者作为Schrödinger Maestro套件的一部分。6.7 YANK：ABFE开源工具 身份：Chodera实验室（MSKCC）开发的基于OpenMM的开源ABFE（Absolute Binding Free Energy）工具，2017年发布。 技术栈：基于OpenMM引擎；做ABFE为主，也支持RBFE；用MBAR（PyMBAR同源）估计；Python化工作流。 优势： • 开源、可重复 • ABFE的开源标准实现（FEP+的ABFE能力开源对标） • 学术认可度高，Chodera实验室是FEP方法学的重要力量 • Python化、模块化，方便方法学研究 劣势： • 工业稳定性不足，缺少商业支持 • ABFE本身采样困难，应用场景窄 • 用户群偏学术方法学，药化研究员少用 • 维护节奏慢，文档相对少 适用场景：ABFE学术研究、FEP方法学开发、需要绝对ΔG_bind的开源场景。6.8 PyMBAR：误差估计标准 身份：Chodera实验室开发的Python库，是FEP估计器的事实标准，2008年MBAR论文的代码实现。 技术栈：纯Python（最近版本加JAX后端，加速）；实现BAR、MBAR；被OpenFE、GROMACS bar、YANK等大量工具引用。 优势： • 是估计器的事实标准 • 学术认可度最高 • 开源免费 • 被几乎所有FEP工具依赖 劣势： • 是库不是工作流，不能独立完成FEP计算 • 需要自己处理采样数据接口 • 不是用户友好型，是开发者友好型 适用场景：所有FEP工具的估计器后端；方法学比较研究；FEP结果分析。6.9 Uni-FEP（深势科技）：中国力量 身份：深势科技Hermite药物设计平台的一个FEP模块，2023年前后推出，对标FEP+的中国商业产品。 技术栈：使用深势自研的DPA-2深度势能模型作为力场；基于自家MD引擎；FEP工作流和FEP+类似。 优势： • 中国市场定位清晰，本地化支持 • DPA-2神经网络力场是差异化技术亮点，理论上能克服经典力场的精度限制 • 商业产品的整合度 劣势： • 商业付费，闭源 • DPA-2在大体系FEP上的精度验证数据公开有限 • 生态和文献积累不如FEP+ • 国际认可度还在建立中 适用场景：中国市场的药企FEP需求、对神经网络力场感兴趣的研究、希望尝试NNP力场的用户。6.10 工具格局总览 把上面的工具放在一起看，2026年FEP工具生态的格局可以总结为几条线： 商业 vs 开源的两极分化。 FEP+和Uni-FEP是商业旗舰，OpenFE是开源旗舰，GROMACS+PMX是学术开源主力。商业产品在整合度和稳定性上胜，开源产品在透明度和成本上胜。 引擎层面的趋同。 Desmond、OpenMM、AMBER、GROMACS、NAMD底层都支持FEP，方法学核心（Zwanzig、BAR、MBAR、TI）在2010年代已经标准化。差异不来自方法学，来自工程化整合度和力场校准。 力场是真正的差异点。 FEP+用OPLS4（FEP校准过）、AMBER用GAFF2/ff19SB、OpenFE用OpenFF/Series、Uni-FEP用DPA-2（神经网络）。力场的选择比引擎的选择对FEP结果影响大。 估计器层已经收敛。 MBAR是事实标准，PyMBAR是事实代码实现。这一层差异不大。 ABFE vs RBFE的分化。 FEP+、OpenFE、GROMACS+PMX、Uni-FEP主攻RBFE；YANK主攻ABFE。RBFE工业应用成熟，ABFE还在攻坚。 中国生态正在崛起。 Uni-FEP是国内第一个真正工业级FEP产品。它在力场（NNP）上做了和FEP+不同的押注，是值得关注的差异点。七、横纵交汇洞察 纵向七十年的FEP史和横向十几个工具的格局，交叉在一起能看出什么？这一节给出综合性判断。7.1 历史→当下：FEP+的胜利为何是历史的必然 把FEP+放到时间线上看，它的成功不是偶然，是几个时间窗口的对齐： • 1990年代：BAR、MBAR、REMD这些核心方法学都成熟了，但工业上没人整合 • 2000年代：GPU计算兴起，Desmond在DE Shaw加持下做硬件优化；OPLS力场迭代到第三代 • 2010年代：Schrödinger决定把FEP作为商业战略押注，做FEP+ Schrödinger在2010年押注FEP+，时机完美。那时所有的方法学（MBAR、REST2）都已经标准化，但没有人愿意花工程力气把它们打包成产品。Schrödinger的核心能力不是发明新方法，是把成熟方法做成产品。这和苹果把多点触控、Retina屏这些已有技术做成iPhone是一个故事。 所以FEP+今天的工业地位，是工程化押注在时间窗口对齐下的产物。它的"金标准"地位不是源于方法学领先，而是源于整合度领先——把BAR/MBAR/REST2/OPLS4/Desmond/MS-λA拼成一个有用户体验的产品，这件事在2010-2015年只有Schrödinger愿意做、且做对了。7.2 工具的纵向对比：起源决定命运 把几个主要工具的纵向脉络放在一起，能看到起源决定命运： FEP+的起源：商业公司的产品押注。决定了它今天整合度高、用户体验好、但闭源和付费的格局。Schrödinger做FEP+从一开始就是为了卖软件，不是为了发论文。 OpenFE的起源：开源社区对FEP+商业垄断的反击。决定了它今天开源、Python化、可重复，但稳定性还在追的格局。OpenFE的存在意义就是"FEP+应该有一个开源版本"。 GROMACS+PMX的起源：学术MD引擎+FEP插件。决定了它今天方法学自由、社区活跃，但工作流整合度不高的格局。GROMACS的优先级永远是大体系MD性能，不是FEP。 AMBER的起源：力场开发者的引擎。决定了它今天AMBER力场深度整合、单GPU性能优秀，但配体FEP工作流不够工业化的格局。AMBER关心力场，FEP是力场的应用之一。 NAMD的起源：大体系并行MD。决定了它今天在大体系FEP上有独特位置，但在药化FEP主流里靠边站的格局。 Uni-FEP的起源：深势科技押注神经网络力场。它的命运要看DPA-2能否在FEP场景下证明精度优势。如果NNP在FEP上突破了经典力场的精度天花板，Uni-FEP可能走出和FEP+完全不同的路。但目前证据还不够。7.3 优势与劣势的历史根源 每个工具的核心优势和劣势，都能追溯到历史上的某个决策： FEP+的优势是产品整合度——源自2010年Schrödinger决定做FEP+时就设定的产品目标。FEP+的劣势是闭源付费——源自商业模式的必然代价。FEP+的另一劣势是力场深度绑定OPLS4——Schrödinger从2010年起押注OPLS系列迭代，今天的精度优势部分来自这个押注，但今天用户也被绑死在OPLS4生态里。 OpenFE的优势是开源可重复——源自2020年OMSF成立时的开源使命。OpenFE的劣势是缺少FEP+级别的工程化和用户体验——开源项目没有FEP+那种商业资源投入。 GROMACS+PMX的优势是社区和成本——源自1991年GROMACS开源以来三十年的社区积累。GROMACS+PMX的劣势是FEP工作流原始——GROMACS的核心优先级从来不是FEP，PMX是个学术插件。 AMBER的优势是力场和GPU性能——源自David Case团队四十年的力场开发投入。AMBER的劣势是工作流原始、配体FEP校准不足——AMBER的力场是给蛋白的，配体GAFF是力场的附属品。 NAMD的优势是大体系——源自Schulten团队二十年的并行MD投入。NAMD的劣势是药化FEP支持弱——NAMD的目标用户从来不是药化研究员。 Uni-FEP的优势是NNP力场——源自深势科技从2018年开始的深度势能模型积累。Uni-FEP的劣势是验证不足、生态薄弱——商业产品推出时间太短，工业验证数据不够。7.4 力场是真正的差异点，但没人赢 把工具横向对比完会发现一个有意思的悖论：方法学（BAR、MBAR、REMD）已经收敛，估计器（PyMBAR）已经收敛，MD引擎也基本都能跑FEP，真正决定FEP精度的差异点落在力场上。 但力场上没有赢家： • OPLS4在FEP基准上是当前商业最强，但绑死在Schrödinger生态 • OpenFF/Series在学术上最有前景（开放式拟合），但FEP校准还在做 • AMBER GAFF2用得广，但没有FEP校准优势 • NNP（DPA-2、ANI）理论上能突破经典力场天花板，但工业FEP场景的验证数据少 所以2026年FEP的真正战场不在方法学（那已经稳了），在力场。下一轮FEP精度的提升，要么来自OpenFF这类开放式拟合力场的成熟，要么来自NNP在FEP场景的验证。Uni-FEP的押注值得跟踪。7.5 未来推演 基于纵向趋势和横向格局，FEP未来五到十年的走向可以分几种可能： 最可能路径：开源工具继续追上FEP+，工业FEP价格下移 OpenFE在2024-2026年已经覆盖了FEP+大部分功能，SepTop补齐了骨架跃迁。再过2-3年，OpenFE的工业稳定性和文档会达到FEP+的80-90%。届时药企的FEP使用门槛大幅降低——开源能干的事，商业的价格支撑不住。FEP+不会消失（商业支持和稳定性还有市场），但市场份额会下降。整个FEP工业应用规模会扩张，从今天的几百个项目/年扩大到几千个/年。 最危险路径：力场瓶颈锁死FEP精度，NNP未能突破 经典力场在FEP上的精度天花板可能就是1.0-1.2 kcal/mol这个区间，剩下的0.3-0.4 kcal/mol改进空间，靠参数优化已经很难再压。如果NNP在FEP场景下也没能证明明显优势（算力开销过大、训练数据不够、长时间稳定性问题），FEP会进入"精度平台期"——好用、稳定，但不能解决需要0.5 kcal/mol以内精度的应用（如区分同一骨架的halogen swap）。这种情况下，工业上对FEP的预期会回归理性，部分场景被ML预测模型取代（虽然ML模型物理依据不足，但便宜快）。 最乐观路径：NNP + 增强采样突破精度瓶颈 如果DPA-2这类NNP在FEP场景下证明可以把精度推到0.7-0.8 kcal/mol区间，同时算力瓶颈被GPU-resident和定制硬件解决，FEP会进入"工业标准"的真正黄金期。届时FEP不再需要专家调参，ABFE（绝对结合自由能）也会回暖。药物发现的"算后再合成"流程会真正大规模落地，FEP成为药物设计的基本工具，地位类似今天的docking。 最可能的"意外变量"：AI原生方法的颠覆 值得跟踪的还有一类不在FEP框架内的方法——纯ML的ΔG预测模型。这些模型用图神经网络/Transformer在大量FEP+计算数据上训练，直接预测ΔG，绕过物理模拟。它们理论上没有FEP的采样瓶颈和力场瓶颈，但有"物理可解释性弱、外推能力差"的问题。如果这类模型在精度上追上甚至超过FEP（已经有了几个公开数据集上的对标结果），FEP的工业地位会被部分替代——但更可能的情景是ML模型做初筛，FEP做精排，两者协同。7.6 综合判断 回到最初的问题：FEP是什么？解决了什么？局限在哪？工具生态如何？ FEP是一种物理依据充分、工程化已成熟、但精度有天花板、采样有瓶颈的自由能差预测方法。 它在"同骨架配体的相对结合自由能"这一核心场景上是当前工业金标准，但远未到"无脑使用"的程度。 FEP解决了"在分子模拟中给出物理可信的自由能差"这个问题——这是docking、QSAR这类经验方法在原理上做不到的事。但FEP没解决"快速预测任意结构配体的活性"这个更大的问题——它只擅长RBFE，不擅长ABFE和大骨架变化。 FEP的局限集中在精度天花板（1 kcal/mol）、采样瓶颈（稀有构象）、力场依赖、工程化门槛四点。 前两个是物理和算法层面的硬约束，后两个是工程层面的可改进约束。 FEP的工具生态已经齐全。 商业有FEP+和Uni-FEP，开源有OpenFE、GROMACS+PMX、YANK，引擎层有Desmond、OpenMM、AMBER、GROMACS、NAMD，估计器层有PyMBAR。生态里没有"绝对的赢家"——商业在整合度上胜，开源在成本和透明度上胜，方法学层已经收敛。 七十年的FEP史，是一部"理论-方法学-工程化-生态"依次成熟的标准科学发展史。它今天站在工业可用的台阶上，但下一个台阶——"无脑可用"——还需要力场精度和算力的进一步突破。下一个十年，看力场。八、信息来源历史与理论 • Zwanzig, R. W. (1954). "High-Temperature Equation of State by a Perturbation Method. I. Perturbation of a Simple Fluid." Journal of Chemical Physics, 22(6), 1420. https://doi.org/10.1063/1.1740409 • Kirkwood, J. G. (1935). "Statistical Mechanics of Coupled Systems." Journal of Chemical Physics, 3(5), 300. https://doi.org/10.1063/1.1749657 • Bennett, C. H. (1976). "Efficient Estimation of Free Energy Differences from Monte Carlo Data." Journal of Computational Physics, 22(2), 245-268. https://doi.org/10.1016/0021-9991(76)90078-4 • Tembe, B. L., & McCammon, J. A. (1984). "Coupling of conformational transitions in the binding of ligands to proteins." Computers & Chemistry, 8(4), 281-283. • Jorgensen, W. L., et al. (1985). "Efficient computation of absolute free energies of binding by computer simulation: Application to the methane dimer in water." Journal of Chemical Physics, 89, 1707. • Kollman, P. A., et al. (1987). "Application of Free Energy Simulations to Biomolecular Systems." Accounts of Chemical Research, 20(3), 109-115. • Kong, X., & Brooks, C. L. III (1996). "λ-dynamics: A new approach to free energy calculations." Journal of Chemical Physics, 105(5), 2414. • Jarzynski, C. (1997). "Nonequilibrium Equality for Free Energy Differences." Physical Review Letters, 78(14), 2690. • Sugita, Y., & Okamoto, Y. (1999). "Replica-exchange molecular dynamics method for protein folding." Chemical Physics Letters, 314(1-2), 141-151. • Shirts, M. R., & Chodera, J. D. (2008). "Statistically optimal analysis of samples from multiple equilibrium states." Journal of Chemical Physics, 129(12), 124105. https://doi.org/10.1063/1.2978177FEP+和Schrödinger • Wang, L., et al. (2015). "Accurate and Reliable Prediction of Relative Ligand Binding Potency in Early Drug Discovery." Journal of Chemical Theory and Computation, 11(1), 425-438. • Wang, L., et al. (2015). "Fingerprinting for Drug Design: Assessing the Accuracy of a Free Energy Perturbation Workflow for Drug Discovery." Journal of the American Chemical Society. • Schrödinger FEP+ 官方文档: https://www.schrödinger.com/fep • OPLS4 力场: Harder, E., et al. (2016). "OPLS3e model." Journal of Chemical Theory and Computation, 12(1), 281-296. • Lingle Wang, et al. 后续FEP+应用论文 (2015-2023)D3R与盲测 • D3R Grand Challenge: https://drugdesigndata.org/ • Gathiaka, O., et al. (2016). "D3R Grand Challenge 2015: Evaluation of protein-ligand pose and affinity predictions." Journal of Computer-Aided Molecular Design, 30(9), 659-668. • Gaieb, Z., et al. (2018). "D3R Grand Challenge 2: blind prediction of protein-ligand poses, affinity rankings, and relative binding free energies." Journal of Computer-Aided Molecular Design, 32(1), 85-99.SAMPL和Mobley团队 • Mobley, D. L., et al. SAMPL系列论文: https://samplchallenges.github.io/ • Nicholls, A., et al. (2008). "Predicting Small-Molecule Solvation Free Energies with Semiempirical Quantum Mechanical Methods." Journal of Chemical Theory and Computation. https://doi.org/10.1021/ct800147d工具与开源项目 • OpenFE官方文档: https://docs.openfreeenergy.org/ • OpenFE GitHub: https://github.com/OpenFreeEnergy/openfe • OpenFE SepTop (v1.7): https://openfreeenergy.org/latest/release_notes/ • GROMACS官方: https://www.gromacs.org/ • GROMACS FEP教程: https://tutorials.gromacs.org/ • PMX工具: https://github.com/DeVico-U2/PMX • AMBER官方: https://ambermd.org/ • AMBER pmemd.cuda 文档: https://ambermd.org/Programs.php • NAMD官方: https://www.ks.uiuc.edu/Research/namd/ • NAMD 3.0 文档: https://www.ks.uiuc.edu/Research/namd/3.0/ • Desmond (Schrödinger): https://www.schrödinger.com/products/desmond • YANK GitHub: https://github.com/choderalab/yank • PyMBAR文档: https://pymbar.readthedocs.io/ • OpenMM官方: https://openmm.org/ • OpenFF Initiative: https://openforcefield.org/Uni-FEP和深势科技 • 深势科技 Hermite平台: https://www.dptechnology.com • DPA-2 模型论文: https://arxiv.org/abs/2408.00739 (或后续版本)综述和基准研究 • Ross, G. A., et al. (2023). "Calculating the Free Energy of Binding of Hydrogen and Non-Hydrogen Ligands to Proteins with Widely Variable Roots." Journal of Chemical Information and Modeling. (大规模FEP基准) • Cournia, Z., et al. (2017). "Rigorous Free Energy Calculations in Structure-Based Drug Design—A Systematic Review." Journal of Chemical Information and Modeling, 57(6), 1333-1340. • Procacci, P. (2021). "Robosampler: a Monte Carlo based software tool for enhanced sampling of molecular dynamics simulations." (相关批判性论文) • Abel, R., et al. (2017). "A Critical Assessment of the Current State of Free Energy Calculations for Drug Discovery." Journal of Chemical Information and Modeling, 57(6), 1187-1190.力场与采样 • Beutler, T. C., et al. (1994). "Avoiding singularities and numerical instabilities in free energy calculations based on molecular simulations." Chemical Physics Letters, 222(6), 529-539. (软核势) • OpenFF Initiative. SMIRNOFF力场规范和OpenFF 2.x系列: https://openforcefield.org/ • AMBER ff14SB, ff19SB论文 • CHARMM22/CMAP, CHARMM36论文 • Wang, K., Chodera, J. D. et al. (2022-2024). "Uni-FEP"相关论文（如有公开）AI/ML与FEP • Noé, F., et al. Boltzmann Generators论文 • Neural Network Potentials在FEP中的近期综述（如有） • Active Learning for FEP相关论文 • BiLSTMK-MD加速FEP (2024年报道) 完整报告：AI4AI 博客 · FEP 横纵分析报告 Netwohttps://ai4ai.genegps.com/blog/posts/fep-free-energy-perturbation/ 交互式知识图谱：44个节点 · 55条关系 · 25个里程碑事件的交互式时间线 https://ai4ai.genegps.com/fep/ AI4AI · AI for AI · AI for Science · 探索人工智能与科学研究交叉的前沿领域

2025年全球AI药物发现市场规模25.8亿美元，预计年均增长15%。但数字背后是另一幅画面：有的公司一年亏6.4亿美元，有的已经盈利，有的合并了，有的股价一年翻了5倍，有的手握诺贝尔奖却连人体试验都还没开始。本文拆解五家海外AI制药公司——薛定谔、Exscientia、Recursion、Relay、Isomorphic Labs——看看这条赛道上，到底谁在领跑，谁在掉队。一、薛定谔：一个用物理方程卖软件的公司，顺便做了药1990年，物理学家的"异想天开" 薛定谔公司（Schrödinger, NASDAQ: SDGR）的故事开始得最早。1990年，哥伦比亚大学化学教授Richard Friesner和加州理工学院William Goddard III教授创立了这家公司。名字取自量子力学泰斗埃尔温·薛定谔——对，就是那个猫的薛定谔。 他们的想法在当时看来近乎疯狂：用量子物理方程精确计算药物分子和蛋白质之间的相互作用。 不是"AI猜一个分子试试"，是"从第一性原理出发，用薛定谔方程算清楚电子云怎么重叠、氢键怎么形成、能量怎么变化"。这在1990年代的算力条件下简直是天方夜谭——但Friesner坚信，只要算力跟上，这条路一定能跑通。 30年后，他赌对了。"两架马车"模式：软件赚钱，药物造梦 薛定谔是全球AI制药公司里唯一一个走"软件+药物发现"双引擎模式的企业： 软件业务（摇钱树）：卖计算化学软件给全球药企和学术机构。2025年软件收入1.995亿美元，毛利率74%。全球TOP20药企几乎都是客户，年度合同价值（ACV）1.985亿美元。从默沙东到诺华，从辉瑞到BMS，药企的计算机辅助药物设计（CADD）团队用的很可能就是薛定谔的Maestro平台。 药物发现业务（造梦机）：用自己的软件平台设计药物，然后找合作伙伴一起推临床。2025年药物发现收入5640万美元，同比增长107%。超过25个首创/最优项目，10+个临床阶段项目，未来潜在里程碑付款近50亿美元。 这个模式的好处是：软件业务提供稳定的现金流和毛利率，药物发现业务提供想象空间。坏处是：两条线同时烧钱，净亏损1.033亿美元——虽然比2024年的1.871亿收窄了45%。 薛定谔自己定的目标是：2028年底前实现调整后EBITDA转正。 路径很清晰——软件ACV年均增长10%-15%，药物发现收入年均5000万美元，运营费用持续下降。一个数据告诉你薛定谔的软件有多牛 武田药的zasocitinib（TYK2抑制剂），用了薛定谔的平台设计，Phase 3数据阳性，2026年计划向FDA提交NDA。Structure Therapeutics的口服GLP-1受体激动剂alenigliptron——没错，就是跟诺和诺德/礼来竞争的那个减肥药——也是薛定谔平台设计的，Phase 2B数据阳性，2026年中期启动Phase 3。 一个软件平台同时设计出TYK2抑制剂和GLP-1口服药，这两个靶点哪个不是当今药企必争之地？二、Exscientia：世界上第一家AI制药公司，最终选择了"嫁人"从辉瑞到邓迪：一个化学家的三次转身 Exscientia的创始人安德鲁·霍普金斯（Andrew Hopkins），是AI制药行业最值得讲的人物之一。 1998年，牛津大学博士毕业的霍普金斯加入辉瑞。在那里，他被指派组建一个跨学科计算药物发现小组——背景是辉瑞想复制"伟哥"的成功，用计算方法找药物的新适应症。没有数据、没有模型、没有算法，霍普金斯带着12个人从零开始，手动整理了制药行业最早的大型数据库之一。他创造的"配体效率""成药性"等概念，至今仍是现代药物研发的标准指标。 2007年，他离开辉瑞，加入苏格兰邓迪大学。在那里，他推动建设了ChEMBL数据库——如今全球AI制药公司最重要的开源训练数据源之一，收录超过210万个化合物、1.4万个靶点。 2012年，他在邓迪大学孵化出Exscientia。公司名取自拉丁语"ex scientia tridens"（海权来自知识），霍普金斯化用为"ex scientia medicinae"——药物来自知识。多个"全球第一" Exscientia创下了AI制药行业的多个里程碑： • 2020年1月：全球第一款AI设计的药物分子DSP-1181进入I期临床 • 3款AI设计药物进入I期临床，4款推进IND • 与赛诺菲签订潜在价值52亿美元的合作协议——当时AI制药领域最大单笔交易 • 与GSK、BMS等跨国药企建立合作2024年：被Recursion收购 但Exscientia的故事没有按照"独立上市→做大做强"的剧本走。2024年，Exscientia经历了一个艰难的年份。8月，Recursion宣布以6.88亿美元全股票交易收购Exscientia——AI制药领域迄今最大的一笔并购。11月，合并完成，Exscientia从纳斯达克退市。 2025年8月，合并后的整合基本完成，新实体以Recursion名义运营。 一个时代的先驱，最终选择了"嫁人"。这不是失败——但确实说明，在AI制药这个赛道上，单打独斗的窗口期正在关闭。三、Recursion：用细胞照片训练AI的"数字生物学Netflix"2013年，犹他大学实验室里的失败 Recursion的创始人Chris Gibson，本来是个MD/PhD学生。在犹他大学Dean Li教授的实验室里，他研究一种脑血管畸形疾病。他们用传统的分子生物学方法做了十年，得出了一个假设——然后实验结果完全相反。 "那次失败让我意识到，我们对生物学的理解太碎片化了。" Gibson的想法跟薛定谔完全不同：薛定谔是从物理方程出发，Recursion是从数据出发。具体来说，是用高通量细胞成像技术，给培养皿里的细胞拍照片——数百万张——然后用AI分析这些照片，找出药物分子对细胞的影响模式。 如果薛定谔是"用方程预测"，Recursion就是"用图像发现"。Recursion OS：一个工业化的药物发现工厂 Recursion把自己的平台叫"Recursion OS"——一个三段式流水线： 1. Biology to Insight：用自动化实验室对数百万个化合物做高通量细胞成像，AI分析出哪些化合物影响了哪些生物学通路 2. Insight to Molecule：AI原生引擎设计新颖且可专利的化合物 3. Molecule to Patient：整合患者数据，优化临床试验设计 效率有多恐怖？每个项目平均只需合成约330个化合物、耗时约17个月——行业平均需要2500+个化合物、42个月。 效率提升约2.5倍。2025年：亏了6.4亿美元，但手里有7.5亿现金 2025年全年数据： • 总收入7470万美元（+27%） • 研发费用4.753亿美元（+51%，主要因Exscientia并表） • 净亏损6.448亿美元 • 现金7.539亿美元，跑道可至2028年初 亏损在扩大，但几个数据值得注意： 合作伙伴累计里程碑付款超过5亿美元。赛诺菲已接受5个项目，罗氏/基因泰克接受了6张"Phenomap"（生物学图谱），每张价值3000万美元。这意味着大药企在持续为Recursion的发现买单。 REC-4881（MEK1/2抑制剂）首次临床验证了Recursion OS：在家族性腺瘤性息肉病（FAP）——一种目前无药可治的罕见病——的II期试验中，75%可评估患者息肉总负担降低，停药12周后82%患者维持缓解。为什么要收购Exscientia？ Recursion的强项是"从数据发现靶点"，Exscientia的强项是"从靶点设计分子"。两家合并后，形成了一个从生物学发现到分子设计的端到端平台。 但这笔6.88亿美元的婚姻能不能幸福，还需要时间验证。 2025年整合过程中的成本已经体现——研发费用暴增51%，管理费用虽下降但仍有3370万美元的交易相关支出。四、Relay Therapeutics：让蛋白质"动起来"的公司，股价一年翻了5倍一个量化投资之王的"极客转身" Relay Therapeutics（NASDAQ: RLAY）是这几家公司里最有故事性的一家。它的联合创始人之一是David E. Shaw博士——华尔街量化投资的传奇人物。 Shaw的故事本身就能写一本书：斯坦福计算机博士，不到30岁进哥伦比亚大学任教，然后投身华尔街，加入摩根士丹利。1988年创办DE Shaw对冲基金，用算法做量化交易，赚得盆满钵满。《财富》杂志称他为"量化投资之王"（King Quant）。 然后他干了一件所有人都不理解的事：2001年，他从金融界全身而退，回到科学界，创办D.E. Shaw Research，专门做蛋白质分子动力学模拟。他还造了一台专用超级计算机Anton——执行分子动力学模拟的速度比当时最快的通用超级计算机快100倍，两度获得高性能计算最高荣誉Gordon Bell奖。 一个在华尔街赚够了钱的极客，回头来造超级计算机算蛋白质怎么折叠。这个故事本身就够离谱了。"蛋白质不是照片，是电影" Relay的核心技术叫"基于运动的药物设计"（Motion-Based Drug Design）。传统的结构生物学把蛋白质当成一张静态的照片——你拿到一个晶体结构，然后在这个静态结构上设计药物。 Relay说：蛋白质不是照片，是电影。它在不断运动、不断变形。你只看一张截图，怎么可能设计出好药？ 用Anton超级计算机做长时间尺度的分子动力学模拟，Relay能看到蛋白质在自然状态下的动态行为——哪些口袋会打开、哪些构象会变化、哪些位置是静态结构看不到的。RLY-4008：一个教科书级的案例 最能说明Relay技术价值的是RLY-4008（Lirafugratinib），一款高选择性FGFR2抑制剂。 FGFR1和FGFR2的静态结构高度相似，传统方法做不出选择性——所有已有的泛FGFR抑制剂都会同时抑制FGFR1和FGFR4，导致高磷酸血症和腹泻等严重副作用。 Relay通过分子动力学模拟发现：FGFR1和FGFR2蛋白结构上都有一个规律开合的片段，但FGFR1开合的频率明显高于FGFR2。 这个动态差异意味着：小分子可以在FGFR2的"关闭"状态下结合并锁定，但在FGFR1上会被"甩开"。 基于这个发现设计的RLY-4008，对FGFR2的选择性比FGFR1高200倍以上。在胆管癌患者中，客观缓解率88.2%，疾病控制率100%，且未观察到高磷酸血症和腹泻。 这就是"让蛋白质动起来"的价值——不是渐进式优化，是从根本上看到了传统方法看不到的东西。2025年：股价暴涨500% 2025年，Relay的股价过去一年涨了约500%，市值约43亿美元。核心催化剂是Zovegalisib（RLY-2608）——全球首个pan-mutant选择性PI3Kα抑制剂： • 获FDA突破性疗法认定（PIK3CA突变HR+/HER2-晚期乳腺癌） • III期临床试验ReDiscover-2推进中 • 中位无进展生存期11.1个月（重度预处理患者） • 血管畸形适应症Phase 2：60%体积缓解率，79%患者报告临床改善 现金5.545亿美元，2026年5月又增发募集2.75亿美元，跑道可至2029年。Q4 2025首次产生收入（来自Elevar Therapeutics的授权协议）。 五家公司里，Relay是唯一一个股价一年翻5倍的。 原因很简单：它有临床数据说话，不是PPT。五、Isomorphic Labs：手握诺贝尔奖的"富二代"，连人体试验都还没开始2024年10月：一个诺贝尔奖的"副作用" 2024年10月，诺贝尔化学奖公布：DeepMind创始人Demis Hassabis和John Jumper因AlphaFold获奖。AlphaFold——这个用AI预测蛋白质三维结构的模型，把过去需要数月甚至数年的实验工作压缩到了几小时，被《Nature》称为"改变了生物学的游戏规则"。 但很多人没注意到，Hassabis还有另一个身份：Isomorphic Labs的创始人兼CEO。 2021年，Alphabet把DeepMind的生命科学团队拆分出来，成立了Isomorphic Labs。公司的使命口号大得吓人——"解决所有疾病"（solve all disease）。 这不是一个创业公司喊口号。这是Google用自己最强大的AI武器，正式向制药行业宣战。AlphaFold 3：从"看照片"到"看电影" AlphaFold 2（2020年）解决了一个问题：给你一段氨基酸序列，预测它折叠成什么三维形状。这在生物学界相当于"登月"——过去50年没人做到。 但药物发现需要的不只是"蛋白质长什么样"，而是"药物分子怎么跟蛋白质结合"。 2024年5月，AlphaFold 3发布。它不仅能预测蛋白质结构，还能预测蛋白质与DNA、RNA、小分子药物、抗体之间的相互作用。蛋白质-分子交互预测精度比此前方法提升至少50%，部分领域精度直接翻倍。 如果说AlphaFold 2是给蛋白质拍了一张高清照片，AlphaFold 3就是拍了一部分子级别的动作电影。IsoDDE：比AlphaFold 3再翻一倍的秘密武器 2026年2月，Isomorphic Labs发布了专有AI药物设计引擎IsoDDE（Isomorphic Drug Design Engine）——哥伦比亚大学计算生物学家Mohammed AlQuraishi评价它为"一次重大突破，规模相当于AlphaFold 4"。 IsoDDE在三个维度上碾压AlphaFold 3： 1. 结合口袋识别：在蛋白质上找到药物可以"停靠"的位置——传统方法需要数月晶体学实验，IsoDDE几秒钟完成 2. 结合构象预测：预测药物分子具体怎么"咬"住蛋白质——精度达到实验室级别 3. 结合亲和力估算：预测药物和靶点结合的紧密程度——超越FEP+等基于物理的黄金标准方法 在蛋白质-配体泛化基准测试上，IsoDDE的精度是AlphaFold 3的两倍以上。 而且，与AlphaFold 2的开源策略不同，IsoDDE是完全闭源的。Isomorphic Labs把它当作核心竞争力，只在与药企的合作项目中使用。6亿美元融资+30亿美元合作：最贵的"零临床" 2025年3月，Isomorphic Labs完成首轮外部融资——6亿美元，由Thrive Capital领投，Google Ventures参投，Alphabet追加跟投。在此之前，公司靠Alphabet内部拨款运转了整整三年。 2024年1月，公司同时宣布与礼来和诺华签署合作协议： 合作方 预付款 最高里程碑 合作内容 礼来 4500万美元 17亿美元 多靶点小分子药物发现 诺华 3750万美元 12亿美元 小分子药物发现，扩展至更多难成药靶点 强生 未披露 未披露 多靶点、跨模态药物发现 两家合作总预付款8250万美元，潜在里程碑总额近30亿美元。 诺华研究负责人Fiona Marshall说了一句意味深长的话："我们正在探索传统方法无法触及的新化学空间。" 但有一个数字格外扎眼：零。 截至2026年中，Isomorphic Labs没有一款药物进入临床试验。Hassabis最初预测2025年底开始人体试验，后来推迟到2026年初，再推迟到2026年底。每一次推迟，都是对市场耐心的考验。200人的团队：DeepMind的技术班底+药企老兵 Isomorphic Labs约200人，团队构成极其跨界： • 创始人/CEO Demis Hassabis：剑桥计算机科学本科，UCL认知神经科学博士，2010年创办DeepMind，AlphaGo和AlphaFold的缔造者 • 总裁Colin Murdoch：前DeepMind首席商务官，主导了与礼来、诺华的合作谈判 • CSO Miles Congreve：来自Astex/Heptares，乳腺癌药物Kisqali®的共同发明人，20+候选化合物推进临床 • 首席AI官Max Jaderberg：前DeepMind AlphaStar团队，强化学习和生成模型专家 • CMO Ben Wolf：来自Genentech和Relay Therapeutics，2025年6月加入，负责搭建临床团队 科学顾问委员会更夸张——四位诺贝尔奖得主：CRISPR奠基人Jennifer Doudna、有机催化先驱David MacMillan、细胞周期发现者Paul Nurse、核糖体结构先驱Venki Ramakrishnan。 这支团队的定位很明确：不做湿实验，不做自有管线（至少目前不做），只做计算。 它的角色是药企的"AI Foundry"——你给靶点，我给分子设计。药企做实验验证，数据回传，模型进化。飞轮转起来，效率持续提升。与其他四家的根本区别 Isomorphic Labs的路径跟前四家都不一样： 薛定谔走的是物理方程路线，用30年积累了软件护城河。Exscientia走的是AI分子设计路线，结果被收购了。Recursion走的是数据规模路线，用百万张细胞照片训练AI。Relay走的是蛋白质动力学路线，用一个超级计算机看到了别人看不到的东西。 Isomorphic Labs走的是"结构预测精度的指数级提升能改变一切"的路线。 它的逻辑链是：AlphaFold 2证明了AI能预测蛋白质结构 → AlphaFold 3证明了AI能预测蛋白质-药物相互作用 → IsoDDE证明了AI能比AlphaFold 3再精确一倍 → 如果精度足够高，药物发现就不需要做那么多湿实验了。 这是一个"如果……就能……"的逻辑。 "如果"的部分已经被AlphaFold的进化不断验证。"就能"的部分——能不能真的减少临床失败率——还需要人体试验来回答。 但别忘了，Isomorphic Labs背后站着Google的算力、DeepMind的人才、Alphabet的资金、诺贝尔奖的光环。即使晚一年进临床，也没有人会质疑它的技术实力。 问题是：在AI制药这个赛道上，"技术最强"和"最先成功"是同一件事吗？ Exscientia曾经也是"技术最强"的——全球第一个AI设计药物进临床。然后呢？六、五家公司横比：谁在领跑，谁在掉队？ 维度 薛定谔 Exscientia Recursion Relay Isomorphic Labs成立年份 1990 2012 2013 2016 2021核心方法 量子物理计算 AI分子设计 表型筛选+图像AI 蛋白质动力学 AlphaFold结构预测商业模式 软件+药物发现双引擎 服务费+里程碑 平台授权+自有管线 自有管线为主 项目制合作，不做湿实验2025收入 $2.56亿 并入Recursion $0.75亿 ~$0.07亿 未披露（私估）2025净亏损 $1.03亿 并入Recursion $6.45亿 ~$2亿+ 未披露现金/融资 $4.02亿 — $7.54亿 $6.42亿 $6亿+Alphabet输血核心管线 SGR-1505(MALT1) 并入Recursion REC-4881(MEK) Zovegalisib(PI3Kα) 肿瘤/免疫学（未公开）最大单笔合作 ~$5B潜在里程碑 $5.2B(赛诺菲) $5亿+累计里程碑 $6.95亿(基因泰克) ~$3B(礼来+诺华)最大亮点 唯一软件盈利模式 全球第一个AI设计药物进临床 效率2.5倍于行业 股价一年涨5倍 诺贝尔奖+AlphaFold 3最大风险 2028年才能EBITDA转正 已被收购，独立性丧失 年亏6.4亿美元 临床数据能否持续 零临床，人体试验一再推迟现状 独立运营 已并入Recursion 整合Exscientia中 独立运营，势头最猛 2026年底首次人体试验五种路径 薛定谔走的是"物理永远不过时"——量子方程不会骗人，算力涨了就一定能算得更准。30年验证了这个逻辑，但30年也说明这条路有多慢。 Exscientia走的是"AI替代药物化学家"——让AI从头设计分子，人类只做验证。它确实做出了全球第一个AI设计药物进临床，但商业化速度跟不上烧钱速度，最终被收购。 Recursion走的是"数据规模碾压一切"——不用懂物理，不用懂化学，只要有足够多的细胞照片，AI自己能找出规律。6.45亿美元的年亏损说明这条路很贵，但5亿美元累计里程碑说明大药企在买单。 Relay走的是"蛋白质动力学是被忽略的金矿"——所有人都看静态结构，只有我看动态运动。RLY-4008的200倍选择性和88.2%缓解率证明这条路跑通了。股价一年5倍不是泡沫，是临床数据撑的。 Isomorphic Labs走的是"结构预测精度的指数级提升能改变一切"——AlphaFold 2预测蛋白质，AlphaFold 3预测蛋白质-药物互作，IsoDDE再翻一倍。如果精度足够高，湿实验就可以大幅减少。6亿美元+30亿美元合作+诺贝尔奖的光环加身，但零临床数据——这是五家里最贵的一场"信仰之押"。七、海外故事对中国意味着什么？ 写到这里，回头看看我们之前写过的中国AI制药三小龙——晶泰科技、英矽智能、剂泰科技——会发现一些有意思的对照： 薛定谔 vs 晶泰：都是"物理第一性原理"路线，都是"平台+自有管线"双引擎。但薛定谔有30年积累和全球TOP20药企客户，晶泰用了10年就跑到了全球第一家AI for Science盈利——速度上晶泰更快，深度上薛定谔更深。 Recursion vs 英矽智能：都是"AI+大数据"路线，都强调端到端平台。Recursion合并了Exscientia，英矽智能还在独立跑。Recursion年亏6.4亿美元，英矽智能的亏损规模小得多——但Recursion有赛诺菲和罗氏的5亿美元里程碑做后盾。 Relay vs 剂泰：Relay做的是"蛋白质动力学"——让靶点蛋白质动起来；剂泰做的是"纳米递送"——让药物分子在体内精准导航。两个方向完全不同，但逻辑相似：在别人忽略的物理细节里找突破。三个趋势判断 1. 行业整合已经开始 Exscientia被Recursion收购是第一个信号。AI制药公司从2020年的"百花齐放"到2025年的"大鱼吃小鱼"，说明市场在理性化——没有临床数据的AI公司正在被淘汰，有数据的正在被收购。 中国的AI制药三小龙暂时都是独立的，但这个窗口期不会永远开着。 2. "软件+药物发现"双引擎模式被验证 薛定谔30年走通了这条路，晶泰10年也走通了。Recursion收购Exscientia本质上也是在补齐"分子设计"能力，向双引擎靠拢。纯做软件太慢，纯做药太贵，两个一起做才能对冲风险。 3. 临床数据是唯一硬通货 Relay股价一年涨5倍，不是因为它的AI有多炫，是因为RLY-4008的88.2%客观缓解率和200倍选择性是实打实的临床数据。Recursion的REC-4881首次临床验证了Recursion OS，也是因为数据说话。AI制药行业正在从"讲故事"阶段进入"交数据"阶段。 在这个阶段，没有临床数据的AI公司——无论中美——都将面临生存危机。八、最后一句 海外AI制药的故事讲了十几年，从Exscientia在邓迪大学实验室里的12个人，到Recursion 500+员工的上市公司，到Relay一年5倍的股价神话，到Isomorphic Labs手握诺贝尔奖却还在等人体试验——这条路走得比所有人预期的都慢，但也比所有人预期的都扎实。 中国AI制药起步比海外晚了5-8年。但晶泰科技2025年率先盈利，剂泰科技6900倍超额认购，说明中国在"商业化速度"上正在追赶甚至超越。 AI制药不是一场短跑，是一场马拉松。跑到最后的，不是跑得最快的，是跑得最稳的。 海外五家的故事，就是五个"如何不死于马拉松中途"的范本。 本文为"穿越周期·公司解码"系列特别篇——海外AI制药启示录，仅代表作者个人观点，不构成任何投资建议。 本系列其他文章： • 天泽云泰：科创板第一支基因治疗股 • 芳拓生物：资本"造"出来的AAV平台 • 欧康维视：眼科全品类平台，72天极速IPO • 剂泰科技：制药界的SpaceX • 晶泰科技：从AI制药到AI for Science的孵化帝国