? Evozyne 2025 最新 AI 基因组分析：NVIDIA BioNeMo 平台如何加速药物发现？
药物研发是一场与时间赛跑的马拉松，传统方法往往需要耗费十几年时间和数十亿美元，还面临着极高的失败风险。但随着人工智能技术的突飞猛进，这一局面正在被彻底改写。2025 年，Evozyne 发布的最新 AI 基因组分析成果，结合 NVIDIA BioNeMo 平台的强大算力，为药物发现带来了前所未有的加速度。
? Evo-2：重新定义基因组分析的超级 AI 模型
Evozyne 在 2025 年推出的 Evo-2 模型，堪称生物学领域的 “超级大脑”。这个模型基于从人类到单细胞细菌和古细菌的 12.8 万个基因组进行训练，涵盖了 9.3 万亿个 DNA 碱基，是迄今为止最大的生物人工智能模型。它不仅能从零开始编写完整的染色体和小基因组，还能解读复杂的非编码 DNA 序列，这对于理解疾病相关的基因突变至关重要。
比如，研究人员利用 Evo-2 预测了与乳腺癌相关的 BRCA1 基因突变的影响。在判断编码区域的变化是否会导致疾病方面，Evo-2 的表现几乎与现有的最佳生物人工智能模型相当，尤其在非编码突变分析上达到了最新技术水平。这意味着医生未来可能通过基因检测，更精准地评估患者的患病风险，并制定个性化的治疗方案。
此外，Evo-2 还能破译猛犸象等古老生物的基因组，帮助科学家了解物种进化的奥秘。加州大学旧金山分校的计算生物学家 Christina Theodoris 评价说：“Evo-2 代表了学习 DNA 调控语法的重要一步。”
? NVIDIA BioNeMo 平台：药物研发的 “超级引擎”
如果说 Evo-2 是药物发现的 “眼睛”，那么 NVIDIA BioNeMo 平台就是驱动这双眼睛的 “超级引擎”。作为一个开源框架，BioNeMo 提供了一系列加速计算工具，能让研究人员在不具备高性能计算专业知识的情况下，轻松扩展大型生物基础模型的训练。
? 核心功能与优势
- 无缝集成加速计算基础设施
BioNeMo 与 NVIDIA 的 GPU 硬件深度整合，大幅降低了训练成本。以 ESM2 模型为例，使用 BioNeMo 框架和 512 个 H100 GPU 进行训练，6.5 亿参数模型仅需 1.2 天，3B 参数模型也只需 3.5 天，相比传统方法缩短了数倍时间。这种效率提升，让研究人员能够更快地迭代模型，加速药物研发进程。
- 丰富的预训练模型和工具包
BioNeMo 提供了多种预训练模型，如 AlphaFold2（蛋白质结构预测）、DiffDock 2.0（分子对接预测）、RFdiffusion（新型蛋白质设计）等。这些模型通过 NIM 微服务提供，研究人员可以近乎实时地获取预测结果。例如，使用 AlphaFold2 NIM 微服务，蛋白质结构预测速度提高了 5 倍；DiffDock 2.0 的预测速度提高了 6.2 倍，准确率提升 16%。
- 企业级解决方案
对于大型药企和科研机构，BioNeMo 提供了可定制的 BioNeMo Blueprints，这是一套针对湿实验室和计算工作流的优化参考设计。通过这些蓝图，企业可以快速将 AI 部署到生产管线中，实现从靶点识别到分子设计的全流程自动化。
? 实际应用案例
- 英矽智能：通过迁移到 Amazon SageMaker 平台，并结合 BioNeMo 框架，将新模型的迭代和部署时间从 50 天缩短至 3 天，加速比超过 16 倍。其核心产品 ISM001-055 是全球首款由 AI 发现新颖靶点、设计创新分子结构并进入 2 期临床的药物，从疾病假设到 1 期临床试验仅用了 30 个月，而传统方法至少需要 6 年。
- Recursion：利用 BioNeMo 平台整合多组学技术，其核心平台 Recursion OS 已推动 10 个项目进入临床阶段，适应症覆盖肿瘤免疫、代谢疾病等领域。2024 年与 Exscientia 合并后，预计将在 18 个月内公布约 10 项临床试验结果。
? AI 如何重塑药物发现全流程？
1. 靶点识别：从大海捞针到精准定位
传统方法通过实验筛选靶点，耗时费力。而 AI 可以通过分析海量的基因组、蛋白质组数据，快速锁定与疾病相关的关键靶点。例如，Evo-2 模型能够解读非编码 DNA 序列，发现隐藏的疾病风险位点；BioNeMo 平台的 scBERT 模型基于单细胞 RNA 测序数据，可预测基因敲除的影响或识别细胞类型。
2. 分子设计：从随机试错到智能生成
在确定靶点后，AI 可以设计出与靶点结合的新型分子。NVIDIA BioNeMo 支持的 MegaMolBART 模型，基于小分子 SMILES 字符串的 ZINC-15 数据库进行训练，能够生成具有特定物理化学性质的分子。西安电子科技大学开发的 MD3MD 模型，则通过多尺度图等变扩散模型，生成高质量的 3D 分子构象，在无条件和条件生成任务中均表现出色。
3. 临床前研究：从实验室到虚拟模拟
AI 还能加速临床前研究，预测分子的活性、成药性和毒性。例如，ID4 公司结合量子物理、人工智能与云计算技术，可准确预测药物的多种重要特性；Absci 的 Integrated Drug Creation 平台通过 AI 设计抗体，并在六周内完成从设计到湿实验室验证的过程。
? 未来展望：AI 制药的挑战与机遇
尽管 AI 在药物发现中展现出巨大潜力，但仍面临一些挑战。例如，生物系统的复杂性使得从分子预测转向细胞或人体层面的预测困难重重；部分 AI 模型的 “黑箱” 特性也导致其结果难以解释。不过，随着技术的不断进步和监管框架的逐步完善，AI 制药的前景依然值得期待。
2025 年，预计会有更多由 AI 发现的分子进入临床试验。NVIDIA BioNeMo 平台与 Evozyne 等前沿技术的结合，正引领药物研发进入一个全新的时代。未来，或许我们能看到更多像 ISM001-055 这样的突破性药物，让曾经无药可治的疾病不再可怕。
该文章由 dudu123.com 嘟嘟 AI 导航整理，嘟嘟 AI 导航汇集全网优质网址资源和最新优质 AI 工具
