Anew Labs发布闭环药物发现引擎AnewDDE：AI制药开始把“设计—实验—再设计”接起来

9月19日，Anew Labs发布一套面向药物发现的智能体引擎——AnewDDE。它把结构预测、结合亲和力排序、生物药设计、ADMET（吸收、分布、代谢、排泄和毒性）推理，以及湿实验反馈接进同一流程。

平台目前由四个核心模块组成：①AnewFold负责结构建模和口袋分析；②AnewAffinity负责结合亲和力排序；③AnewDesign负责抗体和纳米抗体等生物药设计并接收湿实验反馈；④AnewMind则负责ADMET预测和更长链条的药物研发推理。官方给出的目标，是形成一条可以重复运行的“假设—筛选—设计—实验—再设计”循环。

从单点模型，走向闭环系统

过去AI制药平台常常强调某一个环节，比如结构预测、分子生成或性质预测。而AnewDDE更强调把这些步骤串起来——一个结构假设出来后，系统继续判断哪些分子更值得优先测试；实验结果出来后，又会反过来影响下一轮设计。

这类闭环的重要性在于，模型预测得再多，最终都需要实验回答“这个分子到底行不行”。如果实验结果能快速、标准化地回流，模型就可以基于真实数据不断缩小搜索空间。

这也是当前AI制药一个愈发明显的趋势：竞争重点正在从单个模型指标，向模型、实验和数据回流能否形成连续研发流程延伸。

3,092个候选物，已经做了湿实验验证

Anew Labs在一项纳米抗体概念验证中，AnewDesign共生成了3,092个候选物，筛成287个簇，再从中推荐50条序列进入第一轮湿实验。

其中7条序列的SPR（表面等离子共振，一种测量分子结合强度的方法）结果显示，KD（解离常数，用来衡量分子结合强弱）低于400 nM。之后系统又进行了第二轮计算优化，新增100条序列。整个150个克隆的实验中，有16个达到个位数nM级别的结合亲和力。

可以简单理解成，第一轮实验先告诉系统“哪些设计更容易和目标结合”，然后模型根据这些真实结果继续优化，第二轮再给出新的候选物。

这个案例比单纯展示“生成了多少分子”更有意义，因为它已经包含了真实实验反馈和下一轮再设计。

不过，这仍然只是概念验证。官方没有公开靶点名称，也没有给出功能活性、体内药效或更完整的成药性数据，因此还不能将“结合得更紧”直接理解成“药物效果更好”。

模型指标不少，但还需要独立验证

AnewFold在多个抗体—抗原结构预测基准中给出了较高Top-1成功率（模型首选答案达到成功标准的比例）——所谓Top-1成功率，可以简单理解成：模型只给一个最有把握的答案时，这个答案有多大概率预测对。

在几个抗体—抗原结构预测测试中，AnewFold的Top-1成功率约为60%到76%。也就是说，在这些测试里，模型给出的第一结构预测中，大约六到八成能达到测试设定的成功标准。

公司还公布了蛋白—小分子和分子胶等任务中的多组对比结果。这些数字说明，AnewFold在多个结构预测任务上已经表现出一定实用性。不过，不同基准的难度和判定标准并不一样，而且这些数据主要来自公司自己的技术报告，仍需要独立团队进一步复现。

AnewMind也进行了多类药物研发任务测试，包括小分子分类、回归、环肽通透性和抗体成药性等；同时，公司还建立了内部PharmBench（药物研发基准测试集），用来测试更复杂的药物研发推理。

这些数据说明Anew Labs已经在尝试覆盖药物发现的多个环节，但目前证据主要来自公司自发技术报告。部分指标使用公开基准，部分来自内部评测，尚缺少独立复现，也没有临床候选药物能够直接验证整个平台的长期价值。

因此，AnewDDE目前更值得关注的，是它代表的一种平台方向：AI制药正在从“模型给答案”，进一步走向“模型提出方案、实验验证、数据再回到模型”的持续闭环。

真正决定这类系统能否产生产业价值的，最终还是后续能不能稳定产出可开发、可重复验证，并一路推进到临床的药物资产。

参考资料

[1] ANEW LABS. AnewDDE: An Agentic Drug Discovery Engine[EB/OL]. (2026-09-19)[2026-09-20].

[2] ANEW LABS. AnewDesign: An Integrated Workflow for Antibody Design and Optimization[EB/OL]. (2026-09-15)[2026-09-20].

[3] ANEW LABS. AnewMind: A Scientific Reasoning LLM for Drug Discovery Decisions[EB/OL]. (2026-09-15)[2026-09-20].