2026年7月，总部位于加利福尼亚州拉古纳希尔斯并在上海设有研发中心的AI TechBio公司Aureka宣布正式发布Open Drug Discovery Engine（OpenDDE）。这是一款开源的全原子生物分子基础模型，被设计为下一代药物发现系统的结构推理核心。OpenDDE的一个显著创新在于它以共折叠作为核心设计理念。在传统的药物发现流程中，研究人员通常分别预测目标蛋白的结构和候选药物的分子结构，然后将它们对接在一起看是否能结合。而OpenDDE将蛋白质和药物的结构预测整合为同一个折叠过程，让系统在学习蛋白质三维结构的同时理解该蛋白质与小分子或其他蛋白质之间的相互作用模式。这种共折叠的方法更接近真实的生物学过程，因为蛋白质在自然状态下并不是一个刚性的锁，而是一个具有柔性的动态结构，在与药物分子结合时会发生构象变化。OpenDDE的发布标志着AI驱动的药物发现正在从依赖专有封闭系统走向开源协作的新阶段。
OpenDDE之所以被称为全原子基础模型，是因为它在原子级别对生物分子进行建模。传统的分子建模方法往往采用粗粒度的近似，将多个原子合并为一个作用中心来计算，这样做虽然节省了计算资源但损失了精度。OpenDDE采用了一种名为结构令牌推理的新型神经网络架构，能够在兼顾计算效率的同时保持原子级别的建模精度。该模型使用了大约2亿个可学习参数，在训练过程中学习了来自蛋白质数据库、分子动力学模拟数据和实验结构数据的海量样本。经过训练的OpenDDE不仅能够预测蛋白质的三维结构，还能预测蛋白质与其他分子的结合模式、结合亲和力和结合后的构象变化。在公开基准测试中，OpenDDE在蛋白质-配体对接预测任务上达到了当前最佳的水平。特别是在处理柔性蛋白-配体结合时，OpenDDE的精度显著优于传统的分子对接软件和早期的深度学习对接模型。传统的分子对接软件通常需要将蛋白质视为刚体结构，无法很好地处理配体结合时蛋白质发生的诱导契合效应。而OpenDDE通过学习大量的蛋白质-配体共结构数据，在模型中内化了这种柔性结合机制。在实际测试中，OpenDDE对蛋白质-配体结合构象的预测均方根偏差比传统方法降低了35%以上，这意味着AI预测的结合模式更接近真实的实验结构。
OpenDDE最核心的技术创新是其结构令牌推理机制。这一机制借鉴了大规模语言模型中令牌的概念，但将令牌从文本片段转化为三维结构单元。在OpenDDE中，一个生物分子可以被表示为一串有序的结构令牌序列，每个令牌编码了局部区域的原子排列方式和相互作用势。这种表达方式的好处是它同时捕捉了序列信息和三维结构信息。模型不仅知道某个氨基酸在序列中的位置，还知道这个氨基酸在三维空间中的折叠方式和它与其他氨基酸的空间关系。在推理过程中，OpenDDE会逐步生成和完善结构令牌序列，最终形成一个完整的三维结构表示。这种逐步生成的方式比传统的端到端结构预测方法具有更好的可控性和可解释性。研究人员可以观察模型在生成过程中的中间状态理解模型认为哪些结构特征是确定的，哪些是仍在推理中的。Aureka在技术文档中指出，结构令牌推理架构还天然支持多模态融合。模型可以同时接收蛋白质的氨基酸序列、小分子的SMILES表达式、以及可选的实验约束信息如NMR距离约束或冷冻电镜密度图作为输入，将它们统一编码为结构令牌进行联合推理。这种多模态输入能力让OpenDDE能够在数据稀缺的研究早期阶段充分利用各种可用信息来提高预测精度。
OpenDDE的发布采用Apache 2.0开源许可，模型权重、推理代码和技术报告同时公开。这种全面开源策略在AI制药领域并不多见。目前大多数AI制药公司将其核心模型作为商业机密保护，依赖专利和技术壁垒构建竞争优势。这种做法导致整个领域的创新速度受到制约，因为一家公司解决的问题另一家公司可能需要重复投入大量资源来解决。Aureka认为，药物发现面临的核心挑战足够复杂，没有任何一家公司可以独自解决。开源OpenDDE是希望通过社区的集体智慧加速突破，同时建立一个开放的药物发现基础设施标准。公司在发布声明中表示，开放科学AI的一条重要原则是让基础设施惠及所有参与者，而不是成为少数公司的私有工具。从行业反响来看，OpenDDE的发布已经在AI制药社区引起广泛关注。多个研究团队表示计划在自己的管线中测试OpenDDE的性能，并将其与现有工具进行对比分析。如果OpenDDE能够在实际药物发现项目中展现出与封闭商业系统相当甚至更好的性能，它不仅会降低AI制药的技术门槛，还可能改变整个AI制药行业的竞争格局，从模型竞赛走向应用生态竞赛。