2026年世界人工智能开源大赛总决赛上,全场大奖落在了一个名字很拗口的项目上:MirrorPeptidizer,镜像多肽设计算法。团队负责人王哲是浙江大学博士,目前在华东医药从事 AI 算法研究。
地球上的蛋白质几乎都由左手型氨基酸构成,人体内负责分解蛋白质的酶,已经高度适应了这套结构。如果把一条多肽整体换成右手型,那些酶就很难再按原来的方式识别它。
后果是稳定性上的巨大差别。一条天然多肽在模拟肠液里几秒钟就会被代谢干净,镜像化之后 24 小时仍能保持接近百分之百的稳定。
镜像多肽不是新概念。传统做法是先化学合成镜像靶蛋白,再用镜像噬菌体展示之类的实验方法去筛。合成一个镜像靶蛋白的成本高、周期长,而且每换一个新靶点,整套流程几乎要重来一遍。
这就是典型的"技术上可行、工程上不划算"。一个方向如果每个靶点都要几个月的实验投入,药企只能在最有把握的项目上试,绝大多数想法根本走不到验证阶段。
计算机辅助本该解决这个问题,但这里撞上了另一堵墙:AI 不认识右手世界。今年的一项测评显示,当时最强大的结构预测算法在镜像属性上的错误率超过 50%。模型在天然结构上训练出来的直觉,到了镜像分子上基本失效,等于抛硬币。
成本高只是表象,真正的问题是流程不可复用。每换一个靶点,就要重做一遍镜像蛋白的合成与筛选,前面在别的靶点上积累的经验几乎帮不上忙。这使得镜像多肽长期停留在论文与专利里,产业界只能偶尔试一次。
团队的思路可以用一句话概括:既然 AI 在右手世界里不行,就不要逼它在右手世界里解题。他们先在计算机里构造靶蛋白的镜像结构,把这个镜像结构交给模型,让它在自己擅长的天然结构框架里设计多肽,最后把整个复合物翻转回来。
这套做法成立的前提是一个物理事实:镜像变换保持几何与能量关系。左右手互为镜像,距离、角度、能量这些量在变换前后是对应的。所以在一个世界里算出来的最优解,翻回去之后在另一个世界里依然是最优解。
真正的难点在"翻回来"这一步。整个变换过程中,靶蛋白的结构不能变形,一旦骨架发生哪怕很小的偏移,翻转回来之后的对接口就不对了。团队直到复赛阶段才把这一关攻下来,这也是整个项目里技术含量最高的部分。
值得一提的是,这条路并不是"用更强的模型硬扛",而是承认模型的知识边界,然后在边界内换一种问法。
验证方式是成对比较:取十三对互为镜像的体系,分别在镜像空间与天然空间里打分,看模型给出的判断是否一致。结果是在镜像空间里的判别能力与天然空间几乎相同,说明这套映射没有引入系统性偏差。
更有价值的是它的输出不只是一句"像不像"。模型支持条件式生成:研发者可以指定要一个抑制剂还是激动剂,模型就朝这个方向去设计。这把工具从"筛选器"变成了"设计器",性质完全不同。
团队还做了湿实验,验证算法设计出来的分子起点在真实体系里成立。这一步很关键,纯计算的成果在药物领域说服力有限,能拿出实验数据,才谈得上进入研发流程。
湿实验这一步还带来一个额外收获:它给出了算法的失败模式。哪些镜像多肽在计算里得分很高、到了实验里却结合不上,这些反例比正例更有价值,可以反过来修正打分函数与数据结构。纯计算的团队通常拿不到这类反馈。
王哲在路演里提到,这套平台已经在华东医药内部的创新药研发中开始使用。使用者只需输入靶蛋白序列、选择手性空间与设计模式,系统就自动完成从结构预测到多肽设计的全流程。
这个落点并不意外。华东医药此前公开披露已搭建人工智能辅助药物发现平台,支持近 30 个在研项目,覆盖抗体设计与小分子成药性预测,其中 HDM1013 项目已推进至 IND 开发阶段。一个有真实管线、有湿实验能力的环境,正是这类算法最需要的验证场。
项目代码全部开源。对一个从大赛出来的成果,开源既是姿态也是策略:算法本身不难抄,难的是把它接进真实的研发流程,而后者需要药企配合。
开源也带来一个现实问题:谁会真的把它跑起来。算法代码是公开的,但要跑通还需要靶蛋白结构、算力、以及一整套湿实验验证能力。对高校课题组,缺的通常是最后一项;对药企,缺的是把开源代码接进内部合规流程的耐心。真正能用起来的,是两头都有的少数机构。
必须把话说清楚。镜像多肽抗蛋白酶降解,解决的是稳定性这一个问题。它不解决亲和力、不解决选择性、不解决毒性,也不解决免疫原性。
一个具体的风险是清除途径。D 型肽不容易被蛋白酶降解,但可能被肾脏更快地过滤掉,半衰期未必如想象中长。稳定性提升几万倍是体外模拟肠液里的数字,进到体内还要过分布、代谢、排泄这几关。
从分子设计到临床,中间还有生产工艺这一关。镜像多肽的合成成本、纯化难度、放大可行性,都会直接影响它能不能成为一门生意。算法把发现阶段的时间压缩了,但后面的路一步都省不掉。
还有一个常被跳过的环节是给药方式。多肽不能口服,多数要皮下或静脉给药,患者的依从性因此受限。稳定性提高能延长给药间隔,但改不了"要打针"这件事。市场规模因此被限定在特定适应症上,这是任何多肽项目都绕不开的商业约束。
这个项目最值得记的一点,不是它拿了多少奖金,而是它展示了一种工作方式:先在计算机里把不可能的方案筛掉,把有限的实验资源留给最有可能成立的那几个。
这与过去两年 AI4S 的主流叙事有细微差别。过去的说法是 AI 能"发现"新分子;更准确的说法是 AI 能"排除"大量不该做的实验。后者的价值更容易量化:一个课题组一年能做几百次湿实验,如果前期的虚拟筛选能把命中率从个位数抬到十几个百分点,同样的经费能推进的项目数就翻了一倍。
镜像空间这个思路还有一层方法论意义。当模型在某个分布上系统性失效时,与其硬训,不如做一次坐标变换,把问题搬到模型熟悉的分布里。这个技巧在别的领域同样适用,只是很少有人把它做到药物设计这种精度要求上。