10月初，总部位于西雅图的AI制药公司Talus Bio宣布把自研模型Ptarmigan-1放上公开门户，向研究社区开放使用。公司给出的定位相当大胆：这是首个不需要蛋白三维结构的AI药物筛选模型。它只凭蛋白序列和化合物的化学式，就能判断哪些小分子会结合、结合在哪个位置。这项能力的意义在于，把可成药性判断的前提，从能否获得可靠结构，改写为能否在序列与化学空间中建立相互作用映射，让大量缺乏稳定结构的靶点第一次进入系统筛选的范围。
传统虚拟筛选的流程高度依赖结构：先获得蛋白的三维构象，找到可以装小分子的结合口袋，再逐个化合物做对接打分。AlphaFold等结构预测模型的进步让结构获取容易了很多，但问题没有根治。据公司科学顾问团队估算，约四成人类蛋白缺少可供建模的稳定结构，它们要么是内在无序蛋白，要么结合口袋柔性太大、构象漂移不定。另一组更扎眼的数据是：约两万个人类蛋白中，87%既没有获批药物，也没有强效小分子配体，大量疾病相关靶点事实上处于无药可用的状态。
结构方法的局限还体现在化学空间上。它擅长处理已有三维复合物数据的化学类型，对于全新骨架的化合物，打分可靠性明显下降。业内把这种耦合称为结构与化学类型的绑定：方法强不强，取决于你研究的蛋白恰好有没有好结构。Ptarmigan-1要打破的正是这个绑定，让筛选能力不再以结构可用为前提。
具体做法是把问题搬进机器最擅长的空间。模型用两个编码器分别处理蛋白序列与小分子的化学式表示，把每个残基和每个化合物投影到同一个256维潜在空间里，训练目标非常直接：真实结合的分子和残基，在空间中的距离要最近。这样筛选就不再是逐对模拟，而变成一次建图、反复查询，类似在地图上找最近的门店，而不是为每家店重新计算距离。
训练数据的来源是这个模型的另一处独到设计。公司大量使用化学蛋白质组学数据，在活细胞环境里直接测量小分子与蛋白的结合位点，而不是只依赖试管里的生化实验。这让模型学到的是蛋白在真实细胞环境里在哪里被结合，而不只是 purified 体系下是否结合。公司自研的MARMOT平台负责产出这类数据，覆盖肿瘤与自身免疫等疾病方向的活细胞测量，数据与方法形成了闭环。
效率是这套路线最直观的收益。据公司预印本的基准测试，在单张英伟达H100显卡上，Ptarmigan-1对单个化合物完成打分平均只需约10毫秒，而传统结构对接方法对同一化合物处理一个蛋白靶点大约需要54秒，两者相差三个数量级以上，整体速度约为结构方法的5000倍。换算成产能：一张显卡一天之内可以对全部人类蛋白完成3.4亿个化合物的筛选，这在结构方法下是不可想象的算力开销。
算力成本的塌缩会直接改变药物发现的探索方式。过去受限于算力，团队只能对少数靶点、小规模化合物库做精细筛选；现在可以反过来，先用极低成本在大范围里撒网，再把算力集中在少数高价值假设上。筛选从瓶颈变成日常操作，实验资源得以投向真正值得验证的候选。
模型的真实成色需要实验说话。公司把Ptarmigan-1用在一个近期披露的炎症疾病靶点上：STAT6，一个以结合口袋柔性大、难以建模著称的转录因子。测试设置相当苛刻，模型在训练中没有见过这个靶点，也没有见过参与测试的分子。结果显示，模型挑出的候选分子表现优于结构方法给出的排序，其中还包括结合到STAT6柔性口袋的新颖小分子，这些候选随后由独立第三方实验室完成了验证。
这个案例的说服力在于它测试的是方法的短板场景。如果模型只在熟悉的靶点上表现好，价值会大打折扣；能在从未见过的难建模靶点上给出可用候选，才说明它学到的是可迁移的结合规律。科学顾问团队成员、业内知名药物研发专家对此的评价是，跳过结构不仅意味着够到新靶点，还意味着够到新的化学类型，研究者可以检验的假设数量被成倍放大。
需要说明的是，这次开放采取的是门户访问形式，模型权重与代码并未公开，属于开放使用而非开源。研究者可以通过网页提交蛋白序列与化合物，获得结合预测，但无法自行部署或修改模型。这种模式在AI制药公司中越来越常见：开放入口换取学术影响力与潜在合作线索，同时保住核心资产。对学术用户来说，能用上免费的高质量预测已经解决了大问题。
公司背景也值得一提。Talus Bio成立于2020年，由两位年轻科学家联合创立，一位是哈佛化学生物学博士、MARMOT平台的主要发明人，另一位来自知名研究所的蛋白质组学团队。公司在2024年完成1120万美元种子加轮融资，项目获得美国国立卫生研究院资助。团队目前的策略是把开放门户作为获客漏斗，制药公司如果验证有效，自然会走向商业合作。从更长的时间线看，无结构筛选如果被行业广泛采用，会重塑虚拟筛选工具的竞争格局：比拼的不再是谁的结构预测更准，而是谁的结合数据更多、检索更快。Ptarmigan-1迈出了第一步，接下来就看有多少实验室愿意把它们的靶点交给这个模型。