在AI制药领域，一家名为深旋科技的新锐企业正引发行业关注。成立仅四个月，这家位于深圳南山区的公司便推出了自研的通用生物分子基础模型Melo-1 Preview，在蛋白-多肽、蛋白-小分子等复杂结构预测任务中刷新多项行业纪录，部分指标甚至超越了AlphaFold3的表现。
多肽药物市场的爆发为AI技术提供了新的竞技场。以GLP-1类药物为代表，多肽因其独特的"中间尺度"特性——既具备小分子的化学多样性，又拥有蛋白质的构象柔性——成为计算生物学领域最具挑战性的课题。传统模型在处理高自由度环肽复合物时普遍存在精度不足的问题，而Melo-1通过构建原子级相互作用模型，成功实现了对构象空间的精准捕捉。
该模型的创新性不仅体现在预测精度上。研发团队特别强调了结构合法性这一关键指标。当前部分模型生成的分子结构存在原子空间冲突、键长键角异常等物理化学错误，导致实验室验证阶段失败率居高不下。Melo-1通过内置严格的物理化学约束条件，使生成结构的实验室可合成率显著提升，有效降低了药物研发的试错成本。
在工程优化层面，深旋科技展现出独特的技术路线。通过算法创新，Melo-1在相同参数规模下实现了远超同类模型的性能表现。这种效率优势在药物研发领域具有战略意义——更低的训练成本意味着更快的迭代速度，为探索化学空间提供了更多可能性。特别是在核酸和抗体场景中，预览版模型已展现出显著的潜力提升。
公司核心团队的技术积累成为关键支撑。创始成员曾在GPCR靶点研发中取得突破性进展，成功交付多个高活性多肽分子并完成湿实验验证。这种从底层算法到产业落地的完整经验，使团队能够准确把握药物研发中的真实痛点。在访谈中，创始人张肖男将团队优势概括为"无知者无畏"的创新精神，强调跨学科融合对于突破技术边界的重要性。
对于全原子模型与序列模型的技术路线之争，张肖男提出独特见解。她认为序列模型擅长处理分子统计规律，而全原子模型是理解分子功能的必要基础。真正的药物设计需要构建"生成-预测-评估-验证"的闭环系统，其中结构预测的精度决定了整个系统的可靠性上限。这种认知直接影响了Melo-1的研发方向——模型不仅要预测结构，更要理解化学修饰、立体构象对药效的影响机制。
在抗体设计领域，团队指出当前技术面临多目标优化难题。正确的表位识别、CDR构象形成、亲和力优化等约束条件相互耦合，形成复杂的优化空间。环肽设计则更进一步，其分子行为受序列、化学修饰、环化拓扑等多维度因素共同影响，需要模型具备处理构象系综的能力。这些认知直接体现在Melo-1的架构设计中，使其能够处理非天然氨基酸等复杂化学实体。
关于AI替代传统研发流程的争议，张肖男认为技术正在重构而非取代现有体系。她将实验数据比作模型训练的"奖励函数"，强调闭环迭代的重要性。这种务实态度也反映在团队建设上——由AI专家、生物学家、化学家组成的复合型团队，既保持技术锐度，又具备产业洞察力。目前，深旋科技正着手构建下一代大分子设计平台，目标实现从结构预测到主动分子生成的跨越。
