7月4日，一篇名为《Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine》的论文在arXiv发布，推出了OpenDDE——据作者所知，这是首个达到IsoDDE级别共折叠精度的Apache-2.0开源全原子生物分子基础模型。在抗体-抗原结构预测这一药物发现的核心场景中，OpenDDE全面超越了AlphaFold3、Chai-1、Boltz-1、OpenFold3和Protenix-v1等知名系统。这意味着，全球实验室和药企第一次可以在不依赖闭源黑箱的情况下，用上顶级药物发现AI。

OpenDDE是什么

OpenDDE是一个全原子生成式基础模型，以"共折叠"（co-folding）为入口，构建了一条从结构预测到亲和力估计、从头设计、结构条件优化的完整药物发现链路。

与AlphaFold3等将结构预测视为孤立终点不同，OpenDDE把共折叠设计为一个共享的"结构推理层"，让模型不仅能预测蛋白质-配体复合物的三维结构，还能为后续的药物设计任务提供统一的表征基础。

在架构上，OpenDDE基于Protenix-v1和OpenFold3进行了三项关键创新：

• 全原子架构改进：更精细的原子级建模，支持蛋白质、核酸、小分子、离子和修饰残基的联合预测
• 原子潜空间推理：在原子级别的隐空间中进行推理，提升对结合界面几何的建模精度
• 推理优化：在保证精度的前提下大幅降低推理开销

最重要的是，OpenDDE采用Apache-2.0许可证开源，代码、训练权重、推理管线和基准测试全部公开，任何人都可以自由使用、修改和商用。

性能表现：多项超越闭源系统

OpenDDE在三个抗体-抗原基准测试上进行了全面评估，结果令人瞩目：

PXMeter-AB基准：OpenDDE达到51.0%的成功率，为所有参评模型中最高。

FoldBench-AB基准：OpenDDE达到70.0%的成功率，同样排名第一。

2026ARK-AB基准：这是作者新构建的基准，包含164个2026年新发布的PDB复合物，涵盖159个独特的抗体-抗原界面簇，专门用于评估模型对未见体系的泛化能力。OpenDDE达到66.4%的成功率，大幅领先于ESMFold2（51.0%）、Protenix-v1（50.0%）、OpenFold3（21.9%）、Boltz-1（25.0%）和Chai-1（16.7%）。

值得注意的是，OpenDDE的优势不仅体现在"勉强达标"的低阈值层面——中高质量（DockQ ≥ 0.5）和高质量（DockQ ≥ 0.8）接口的比例也显著高于其他模型，说明它真正改善了结合界面的几何建模，而非仅仅产出"差强人意"的复合物。

两条Scaling Law方向

当前共折叠模型的精度提升正在趋缓，这意味着单纯堆参数和数据的边际收益在递减。OpenDDE的作者识别出了两条实用的缩放方向：

1. 数据与模型缩放：更高质量的训练数据、更合理的token化策略、更精细的数据处理管线
2. 推理与训练缩放：更多的推理采样、更长的推理计算、更高效的训练策略

这对行业的启示是：未来药物发现AI的竞争不仅是"谁更准"，更是"谁更会缩放"。OpenDDE的开源特性使得社区可以共同探索这些方向，而不是各自在闭源黑箱中重复试错。

对谁有用、怎么用

药企和生物科技公司：OpenDDE可以直接用于抗体设计、虚拟筛选和亲和力优化。过去这些公司要么依赖AlphaFold3等闭源系统（无法定制和审计），要么使用精度明显不足的开源替代方案。OpenDDE填补了这一空白。

学术实验室：无需商业许可即可复现前沿实验，可以基于OpenDDE的权重和代码进行独立验证和扩展研究。

开源社区：OpenDDE被定位为一个持续演进的项目，社区可以基于它二次开发，扩展到从头药物设计、结合亲和力估计、结构条件优化等更多任务。

需要注意的局限：目前OpenDDE主要验证了共折叠和抗体-抗原场景的性能，从头设计、亲和力估计等下游功能仍在开发中。此外，虽然共折叠精度已达到闭源水准，但药物发现全链路的端到端效果还需要更多实际案例验证。

---

*信息来源：arXiv论文 [arXiv:2607.03787](https://arxiv.org/abs/2607.03787)，发布于2026年7月4日。*

参考来源

• https://arxiv.org/abs/2607.03787

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。