为药物发现建立闭环
药物发现本质上是一条连续的决策链：结构假设要转化为结合假设，结合假设要转化为可排序的小分子或生物制剂候选，最有价值的候选还要经过实验验证、结果解释和下一轮设计。当这些步骤被分散在彼此独立的工具中，科学家就不得不手动拼接相互矛盾的结果、判断模型置信度，并决定下一步实验应该投入在哪里。
AnewDDE 是面向这一决策闭环的智能体驱动的药物发现引擎。它将四类能力连接起来：用于生物分子结构建模和口袋分析的 AnewFold，用于快速且可检查地排序结合亲和力的 AnewAffinity，用于结合湿实验反馈开展生物制剂设计的 AnewDesign，以及用于 ADMET 预测和长程药物研发推理的 AnewMind。引擎的目标不是输出一次性的预测，而是形成可重复的 提出假设 → 定量评估 → 生成候选 → 实验验证 → 后续迭代 循环。
面向困难与新颖体系的结构预测
可靠的结构假设是整个闭环的起点。AnewFold 覆盖抗体–抗原复合物、蛋白–配体相互作用、无配体条件下的口袋识别，以及分子胶三元复合物。当目标或相互作用模式远离熟悉的训练样本时，它的优势尤其明显。
在五个随机种子下，AnewFold 在 AF3-AB、PXMeter-AB 和 FoldBench-AB 上的 top-1 成功率分别达到 62.3%、60.8% 和 76.2%。在经过相似性过滤的 FoldBench 蛋白–配体基准上，top-1 联合成功率达到 77.4%。在截止日期之后整理的分子胶基准上，成功率达到 71.8%，而 Protenix-v1 为 45.0%，Protenix-v2 为 29.8%。
在无配体口袋识别任务中，AnewFold 的总体 AUPRC 为 0.751，其中隐蔽口袋为 0.663，非隐蔽口袋为 0.755。
从亲和力估计走向设计决策
一个合理的配体姿态只是起点。设计团队还需要知道哪一种化学变化可能改善结合，以及哪些预测值得进一步复核。AnewAffinity 将可学习的模型与FEP 分相、分窗口的置信度估计结合起来，使结果既能快速排序，也能在关键化学决策中被检查。
在来自八个 JACS 回顾性体系的 199 个配体上，AnewAffinity 的按配体数加权 Pearson R² 为 0.553，Spearman 相关为 0.724；同一数据上的 Boltz-2 本地评估分别为 0.486 和 0.620。两者的 pairwise ΔΔG RMSE 分别为 1.057 和 1.016 kcal/mol，AnewAffinity 最显著的优势体现在对结合亲和力变化趋势的保持，以及对配体亲和力排序的准确刻画。它在单张 GPU 上评估一个配体对边的端到端时间约为 1.5 秒，适合高通量筛选和设计周期早期的快速决策。
输出也不只是一个标量。在留出的 BACE 转化案例中，AnewAffinity 预测 ΔΔG = +1.12 kcal/mol，接近实验值 +1.33 kcal/mol，同时明确呈现支撑该估计结果的各热力学相及相应的炼金窗口。对于不确定的转化，可以进一步升级到显式 FEP、结构复核或实验验证。
这种工作点把精度和吞吐量连接起来：设计团队可以尽早排序大规模化学系列，同时保留对高价值或有疑问预测的证据检查路径。
让生物制剂设计进入闭环
对于抗体和纳米抗体，难点不只是生成一个看起来合理的序列。候选物还需要结合预期表位、具备可开发性、能够被表达并进入检测流程，并且能够在实验结果返回后继续优化。AnewDesign 将这些约束组织为一个由智能体辅助的实验闭环。
工作流从目标和表位开始，生成兼顾序列与结构的候选物，依据界面合理性和可开发性进行筛选，再把规模可控的候选面板送入湿实验。实验获得的亲和力和可开发性结果会更新下一轮设计的优先级。在一个用来概念验证的纳米抗体设计中，智能体生成 3,092 个候选，经过筛选形成 287 个 cluster，并为第一轮湿实验推荐 50 条序列。其中 50 条中有 7 条 的 SPR 测得 KD 低于 400 纳摩。随后的一轮计算亲和力成熟提出另外 100 条序列。在总计 150 个克隆的活动中，16 个克隆达到个位数纳摩级 KD。
这种方法带来的实际变化，是把实验搜索空间压缩成更小、信息量更高的候选集合。实验室不再只是最后的验收环节，而是通过实测亲和力和可开发性结果，直接参与下一轮设计。
面向 ADMET 预测与药物研发的科学推理
药物候选物的价值不只由效力决定。ADMET、可开发性、选择性、实验有效性和项目策略都会影响一个分子是否应该继续推进。AnewMind 是一个在百亿级参数规模上进行全参数后训练的科学语言模型，用于把这些不同类型的证据连接到药物研发决策。
在四类模态的零样本评估中，AnewMind Preview 在所有聚合设置中都进入前五：小分子分类（Elo-AUROC 0.771）、小分子回归（Elo-Spearman 0.520）、环肽 PAMPA 渗透性（Elo-AUROC 0.737，排名第一）和抗体可开发性（Elo-Spearman 0.247）。
PharmBench 是一个由内部药物研发专家设计的benchmark，用于进一步考察更长链条的研发决策支持。该 benchmark 包含 50 个研发场景和 200 道问题，基于实验数据构建，覆盖项目决策、ADMET、SAR 数据解释、分子设计与合成、化学推理、基于结构的药物设计，以及生物学和 assay 有效性。AnewMind 在多数能力维度和案例中展现出稳定优势，总体表现可与全球领先的前沿大模型相媲美。
它在闭环中的定位是决策支持：解释现有证据能说明什么，找出下一步不确定性，并提出可以验证的后续实验或设计动作。
推进闭环式药物发现
AnewDDE 把通常彼此分离的步骤连接起来：建模困难相互作用、识别可设计位点、排序候选转化、生成生物制剂、读取实验反馈，并推理下一步该做什么。各模块可以独立评估，但只有放进同一个决策闭环中，它们的价值才会真正累积。
这为跨模态的智能药物发现提供了基础。AnewFold 为困难靶点提供结构假设；AnewDesign 将这些假设转化为可进入实验的生物制剂；AnewAffinity 让亲和力排序足够快速，可以参与大规模筛选；AnewMind 将分子证据连接到 ADMET 和项目级推理。它们共同减少了从模型输出走向下一项实验之间的决策摩擦。
我们的目标是将对分子相互作用的更深入理解与迭代式实验学习转化为一条通向新型优质候选药物的捷径。