Topos Bio AI 模型瞄准不愿保持静止的蛋白质
Topos Bio 于 9 月 30 日推出两款 AI 模型，目标是那些会在多种形态之间切换、而非保持单一稳定结构的蛋白质。Topos Bio AI 模型挑战了基于结构的药物发现中的一个主流假设：研究人员可以围绕一个可靠的分子快照进行设计。
Topos-2 可根据氨基酸序列生成一组蛋白质构象。Topos-Bind 则加入潜在药物分子，并预测蛋白质-配体系统如何在这些构象之间发生变化。Topos 将这些集合称为构象系综，即一种蛋白质可能采用的各种形态及其相对分布范围。
这一差异对内在无序蛋白（IDP）尤为重要。此类蛋白缺乏单一稳定的三维结构，与神经退行性疾病、癌症和代谢性疾病有关。不过，这些模型进入的是一个竞争激烈的领域，其中已有 BioEmu、AlphaFold 衍生方法、Boltz-2、Chai-1 和 OpenFold3。
Topos 报告了强劲的基准测试结果和一项 β-淀粉样蛋白案例研究。然而，其最具影响力的主张仍依赖于公司自行进行的比较、模拟参考数据，以及尚未产出经临床验证药物的模型。
Topos Bio AI 模型填补两种不同的空白
Topos-2 模拟蛋白质如何运动，而 Topos-Bind 则研究小分子如何改变这个动态系统。
Topos-2 是一款全原子生成模型。它接收氨基酸序列，并生成代表蛋白质可能状态的多个结构。“全原子”意味着输出包含单个原子，而不是更大分子单元的简化表示。
该模型扩展了 Topos-1 的覆盖范围。此前的系统聚焦于无序蛋白，以及较大蛋白质中的无序区域。Topos-2 则覆盖从有序蛋白到部分无序和完全无序系统的更广泛谱系。
这一设计使该模型不同于那些旨在返回单一最可能结构的系统。当蛋白质折叠为相对稳定的形态时，单一结构可能很有用；但当运动和结构可变性影响蛋白质的生物学作用时，这种表示的信息价值便会下降。
Topos 表示，Topos-2 在独立 PeptoneBench 框架中表现最佳。该基准将计算得到的系综与核磁共振和小角 X 射线散射实验测量结果进行比较。
公司报告称，Topos-2 的重加权综合得分为 1.11。其比较中表现次佳的系统 BioEmu 得分为 1.49。在这一基准中，1.0 表示结果在实验和计算测量的估计不确定性范围内相符。
“四倍更接近”这一说法需要放在具体语境中理解。它比较的是各得分与 1.0 的距离，并不意味着 Topos-2 在所有用途上都高出四倍准确度。报告的距离分别为 0.11 和 0.49。
PeptoneBench 本身独立于 Topos。其公开的基准仓库提供代码，用于根据实验可观测量评估预测系综；同时也要求参与者为每条序列至少生成 100 种构型。
Topos-Bind 解决的是第二个问题。它接收蛋白质序列和以 SMILES 字符串表示的小分子，后者以文本形式编码分子结构。随后，该模型为结合后的蛋白质-配体系统生成一个系综。
根据该公司的模型发布说明，Topos-Bind 是首个专为与小分子结合的无序蛋白系综设计的生成模型。这一优先性主张尚未获得广泛的独立验证。
Topos 将 Topos-Bind 作为预览发布，而非将其呈现为已完成、普遍可用的产品。二者的差别很重要：Topos-2 已具备外部基准测试结果，而 Topos-Bind 目前仍主要依托于范围较窄的公司案例研究。
该案例研究采用了与阿尔茨海默病相关的柔性肽 β-淀粉样蛋白。Topos-Bind 不再寻求一个首选复合物，而是估计每种化合物如何改变 β-淀粉样蛋白不同形态的分布。
因此，此次发布串联了拟议发现流程的两个阶段：Topos-2 描绘动态靶点，Topos-Bind 则尝试描绘候选分子如何改变这种动态。
动态蛋白质令单一结构工作流承压
此次发布对围绕最佳猜测结构构建的药物发现工作流施加了压力，但并非所有蛋白质预测系统都同样受影响。
基于结构的药物设计通常始于一个三维靶点。研究人员识别口袋、模拟相互作用，并优化能够匹配有利原子排列的分子。当所选结构代表具有生物学意义的状态时，这种方法最为有效。
IDP 使这一过程变得复杂，因为其柔性不仅仅是实验噪声。它们不断变化的结构可支持信号传导、转录、分子识别，以及细胞内生物分子凝聚体的形成。
Topos 援引研究称，五分之三的人类蛋白质含有长度超过 30 个氨基酸的无序区域。另有估计认为，内在无序内容约占人类蛋白质组的 30% 至 40%。
确切比例会随定义和预测方法而变化，但根本问题并未改变：相当一部分与疾病相关的蛋白质生物学无法由单一固定结构充分表示。
AlphaFold 展示了 AI 如何根据序列准确预测稳定蛋白质折叠。这一成就为生物学创造了庞大资源，但并未让蛋白质运动变得无关紧要。
一项 2025 年的 Nature Communications 研究将无序蛋白描述为应由结构系综表示的系统。研究人员结合 AlphaFold 衍生距离与分子动力学，生成了此类系综。
这项工作说明了真正的竞争格局。该领域并非简单划分为静态 AlphaFold 预测与 Topos 替代方案。多个团队正在通过模拟、实验约束和生成式采样扩展结构预测。
BioEmu 同样生成蛋白质构象系综。其他方法则对 AlphaFold 输出进行细化，或将其作为分子动力学的先验。这些方法在训练数据、计算成本、物理假设以及对实验测量的依赖程度上均有不同。
Topos 正在进行一项更聚焦的战略押注。它专注于有序—无序谱系，并旨在将系综生成直接连接到小分子设计。
这一重点令那些使用对接或共折叠系统、并返回少量高置信度结构的团队面临压力。对于稳定复合物，这类工具仍可能有价值；但当靶点在结合前后都保持柔性时，其结果便更难解读。
Topos 在其 β-淀粉样蛋白研究中，将 Topos-Bind 与 Boltz-2、Chai-1 和 OpenFold3 进行了比较。该公司称，后者的输出聚集为相对狭窄的紧凑形态组。
公司将这一结果归因于竞争模型的目标设定。这些系统通常寻求高置信度的结构预测，而 Topos-Bind 则明确寻求状态分布。
这一比较并不表明 Topos-Bind 在所有场景下都更好。它表明，为系综优化的模型所回答的问题，与为可能复合物优化的模型不同。
对于药物开发人员而言，必须作出的回应是方法学上的：团队在追踪动态靶点时，必须决定单一预测复合物是否足够，或是否应由系综行为指导化合物选择。
这一回应将在数年而非数月内逐步展开。发现团队需要将预测构象与靶点结合、细胞效应、毒性以及最终的临床结果联系起来。
蛋白质系综为何改变药物设计问题
对于动态靶点，有价值的问题不仅是分子在哪里结合，更是结合如何重新分配蛋白质可能状态。
以单体形式的 β-淀粉样蛋白为例。这种肽会经历多种构象，其中某些状态更容易与其他分子结合。这些相互作用可能促成与阿尔茨海默病病理相关的聚集过程。
传统工作流可能会针对一个选定的 β-淀粉样蛋白结构，搜索一种结合构象。系综工作流则会考察，某种化合物是否会在更广泛的分布中改变易于聚集状态的概率。
Topos 使用 β-淀粉样蛋白 1-42 和 22 种小分子测试了 Topos-Bind。模型预测的系综再现了 Topos 生成的分子动力学模拟中发现的广泛分子尺寸分布。
该比较采用回转半径，即衡量分子结构紧凑或伸展程度的指标。更宽的分布表明，蛋白质会探索具有显著不同尺度的结构。
Topos 报告称，其他接受评估的共折叠模型将预测结果收敛到更窄的分布中。若这一模式能在实验中成立，单状态工作流可能会忽视那些改变系综、却不形成单一主导结构的化合物。
不过，参考数据是由 Topos 自身生成的分子动力学结果。分子动力学利用基于物理的计算来模拟原子随时间的运动，但其结果依赖于力场、初始条件和采样选择。
物理实验并不能直接揭示完整的原子系综。研究人员需要通过结合测量结果与计算模型来推断系综。因此，其评估比将预测晶体结构与实验结构进行比较更为复杂。
Topos 使用 Topos-DB 训练其方法。Topos-DB 是一个专有集合，包含超过 10 万个模拟无序蛋白质-配体系统。该公司称，按不同系统数量计算，这一规模约为下一个最大可比语料库的三倍。
该数据集是模型所报告优势的核心。公共结构数据库包含大量稳定蛋白质结构，但对于与小分子相互作用的无序蛋白而言，原子系综数据要少得多。
在实验数据仍然稀缺的领域，生成模拟数据可以提供规模；但这也引入了一种依赖性：模型可能学习到生成训练示例的模拟引擎中固有的模式和偏差。
Topos 试图通过将 Topos-2 与实验 NMR 和散射测量结果进行对照来应对这一问题。因此，其 PeptoneBench 结果比仅基于模拟轨迹的比较更具分量。
Topos-Bind 尚未达到同等的证据水平。其 β-淀粉样蛋白工作考察的是模型是否类似于分子动力学，而不是其预测的配体效应是否在众多靶点上与实验观察相符。
这一差异界定了此次发布背后的核心张力：Topos 已构建出适用于动态生物学的机制，但验证这一机制所需的数据又异常难以获得。
该公司正在与其计算工作同步开发实验反馈闭环。今年 3 月，Topos 宣布与 Dalriada Drug Discovery 合作，涵盖质谱、化学蛋白质组学和活细胞测量。
Dalriada 的实验项目包括靶点结合分析、肽图谱分析、共价结合动力学和作用机制蛋白质组学。这些方法可检验预测的相互作用是否会在生物系统中发生。
这项合作反映出模型无法单独解决的问题。再有吸引力的构象集合，在实验证明其结合能力、选择性、功能效应以及在细胞中的可接受表现之前，都仍只是一项假设。
Topos-2 加入拥挤的蛋白质建模竞赛
Topos 凭借专业化能力参与竞争，而规模更大、资金更雄厚的平台正不断扩展其可表示的蛋白质状态范围。
BioEmu 是 Topos-2 最直接的参照对象，因为它同样生成结构构象集合。Topos 在其 PeptoneBench 结果中将 BioEmu 作为次优比较对象。
报告中的 1.11 分让 Topos-2 在所选复合指标上拥有明显优势。然而，单一基准测试无法解答药物发现中的所有相关问题。
不同蛋白质长度、序列家族、环境条件和无序形式下的性能可能发生变化。即使不存在直接的训练集泄漏，基准数据集在概念上也可能与模型开发期间采用的假设存在重叠。
源自 AlphaFold 的方法提供了另一条路径。研究人员可将 AlphaFold 的预测距离信息作为约束条件，再运行分子动力学模拟，构建与这些距离一致的构象集合。
这种混合策略将经过广泛检验的结构预测器与成熟的物理模拟相结合。在具备相关数据时，它还可纳入实验测量结果。
其缺点包括较高的计算成本和更多额外的建模选择。Topos 押注于：经过训练、可直接生成构象集合的模型，将使工作流程更快且更具可扩展性。
Boltz-2、Chai-1 和 OpenFold3 属于相邻类别。它们建模生物分子结构和相互作用，包括蛋白质-配体复合物，但其主要设计目标并非复现高度无序靶点的完整平衡分布。
因此，Topos-Bind 对淀粉样蛋白 β 的比较有意测试了目标不完全匹配的模型。这具有参考价值，但并非在专业化程度相当的构象集合模型之间进行的完整竞赛。
商业竞争不止于模型准确度。实用的药物发现平台必须识别能够合成、能够到达靶点、避免有害相互作用并产生治疗效果的分子。
与大型制药公司和最大的 AI 实验室相比，Topos 进入这场竞赛时资本有限。这家旧金山公司在 2026 年 1 月完成了一轮 1,050 万美元种子轮融资。
其支持者包括 Boldstart、Threshold、Neo 以及个人投资者。这笔融资支持了一个雄心勃勃的平台，但临床药物开发所消耗的资本和时间可能远超单纯的模型训练。
Topos 还参与了 TuneLab，这是一项提供联合访问机制的计划，可使用基于 Eli Lilly 专有药物开发数据训练的模型。联邦学习使参与者能够从共享模型中受益，而无需直接汇集所有底层私有记录。
这种关系可以增强涉及吸收、分布、代谢、排泄和毒性的预测。这些性质往往决定一个有前景的分子能否成为可行的药物。
不过，融资和数据访问都无法解决核心验证问题。Topos 必须证明，更好的构象集合预测能够改善发现后期阶段的决策。
如果能避免对弱候选物进行昂贵实验，计算排序上的小幅提升也可能具有价值。若无法改变哪些化合物最终成功，即使基准测试上有显著提升，其价值也可能较低。
因此，竞争的核心问题并非 Topos 能否生成视觉上令人信服的分子运动，而是其专业化能力能否在先导化合物发现、先导物优化和治疗开发中带来可衡量的优势。
Topos-2 的证据强于 Topos-Bind
Topos-2 拥有独立的实验基准测试，而 Topos-Bind 仍是一项主要由基于模拟的证据支持、颇具前景的预览。
PeptoneBench 是一项有意义的测试，因为它涵盖有序和无序蛋白质。其数据集包括核磁共振化学位移和小角 X 射线散射测量结果。
Topos 表示，该基准包含 659 种蛋白质的 NMR 数据和 439 种蛋白质的 SAXS 数据。该评估将生成构象集合计算出的性质与实验观察结果进行比较，而非挑选一个视觉上看似合理的结构。
这种设计与 Topos-2 声称要解决的任务相一致。它奖励能够复现众多不断变化的分子状态平均测量结果的分布。
不过，Topos 披露的是经重加权处理的复合结果。重加权会调整生成结构的相对贡献，以提高与实验数据的一致性。这是一项获认可的构象集合精修技术，但不等同于完全前瞻性的预测。
因此，读者应区分三个层级的证据。第一是仅根据序列进行生成。第二是根据实验信息进行精修后的吻合程度。第三是在未见生物系统上的前瞻性成功。
公开公告强调了复合结果，但未提供经同行评议的 Topos-2 论文，以证明其在所有相关评估条件下的性能。独立复现将显著增强这一主张。
Topos-Bind 面临更大的证据缺口。其参考构象集合来自该公司的分子动力学引擎，而其训练数据库也包含公司生成的模拟数据。
这种安排并不会使结果失效。对于研究难以直接进行结构测量的系统，模拟不可或缺。但这意味着，评估可能偏向模型和参考过程共同采用的假设。
淀粉样蛋白 β 实验还仅测试了 22 种配体。这足以说明模型行为，但不足以确立其在无序靶点和化学类别中的普遍性能。
疾病生物学又增加了一层不确定性。准确预测某个分子会改变淀粉样蛋白 β 构象集合，并不能证明这种改变会在活体系统中减少有害聚集。
该分子必须到达相关组织、结合靶点、产生预期的功能变化，并避免不可接受的毒性。每一步都可能切断计算预测与药物之间的联系。
Topos 通过内部项目和合作承认实验工作的重要性。其与 Dalriada 的合作专门聚焦于靶点结合、选择性以及通路层面的效应。
该公司称，正将这些模型应用于神经退行性疾病和肿瘤学领域的内部项目。它尚未披露由 Topos-2 或 Topos-Bind 产出的临床候选药物。
对于一家早期生物技术公司而言，这种缺失很正常。但它也界定了目前尚不能作出的主张。这些模型尚未证明此前难以触及的靶点如今已具备可成药性。
“不可成药”也是一个不断变化的标签。它通常形容缺乏常规结合口袋，或难以通过既有开发方法应对的靶点。这并不意味着任何生物学或治疗策略都永远无法影响它们。
Topos 提出了一条进入这一领域的可信路径。如今，这条路径需要未被用于构建、调优或选择模型的前瞻性实验。
Topos Bio AI 模型发布后值得关注什么
三个信号将表明，构象集合建模能否成为实用的发现优势，而非又一次强有力的计算演示。
第一个信号是独立技术验证。研究人员应关注详细的 Topos-2 或 Topos-Bind 论文、披露的评估设置、可访问的输出，以及公司外部团队的复现结果。
接近所报告 PeptoneBench 性能的独立结果，将增强 Topos-2 的地位。若在替代设置下出现大幅性能变化，则会削弱其优势具有泛化性的主张。
对于 Topos-Bind，最有价值的验证将是在多种彼此无关的无序蛋白质中，将预测的配体诱导构象集合与实验测量结果进行比较。单一的淀粉样蛋白 β 案例无法确立广泛可靠性。
第二个信号是前瞻性实验成功。Topos 和 Dalriada 可以测试由模型筛选出的化合物，评估靶点结合、选择性以及相关细胞通路的变化。
盲测将尤其具有参考价值。Topos 可以在实验前对化合物进行排序，然后披露排名最高的分子是否优于采用传统方法选出的分子。
如果能够反复富集活性化合物，将增强构象集合驱动发现的论据。若无法提高实验命中率，则表明看似准确的运动尚不能指导更好的化学决策。
第三个信号是管线推进。Topos 最终应识别受 Topos-2 和 Topos-Bind 影响的具体项目、开发里程碑或候选分子。
公布开发候选物并不能证明临床价值，但能表明该平台支持超越回顾性基准测试的决策。后续的毒理学和人体数据将提供逐步增强的检验。
竞争对手在这些信号中的回应也很重要。BioEmu 的后续版本、基于 AlphaFold 的构象集合方法和专业化模拟系统都将持续改进。
Topos 可能会在聚焦无序蛋白质的基准测试上拥有早期优势，但未必能保持持久的技术领先地位。其可防御性或许反而来自专有模拟数据、实验反馈和化合物筛选经验。
对于 AI 产品团队而言，此次发布为评估带来了一项更广泛的启示。模型的目标、参考数据和现实验证必须与其应改善的决策相匹配。
需要跨模型发布、实验和合作关系追踪证据的团队，所需的不只是新闻稿的集合。一个可搜索的 AI 知识库可以帮助将基准主张与后续验证联系起来。
Topos 已识别出单一结构思维的一个真实弱点。动态蛋白质需要保留运动的信息表征，而非将其压缩成一个看似确定的答案。
悬而未决的问题不再是蛋白质构象集合是否重要，而是 Topos Bio AI 模型能否足够准确地预测它们，从而改变研究人员构建、测试和推进哪些化合物。在将这个问题视为已解决之前，应关注独立基准测试、盲法实验结果以及披露的候选药物。
