Intology 的 Locus 把 AI 研发搬到分子发现：同等算力下，抗体设计少生成 1.5–2.8 倍候选
核心概要
Intology 把自主发现系统 Locus 从语言模型后训练扩展到分子发现，在分子性质预测、小分子效价预测和抗体设计三类任务上，与 BioHub、Boltz 的既有最优方法和 Codex、Claude Code 等前沿大模型智能体在同等算力下比较。在六个靶点的 Boltz-2 适配任务中，Locus 的平均 Spearman 相关系数为 0.622，高于 Boltz-2.1 接口的 0.225、Claude Code 的 0.450 和 Codex 的 0.569。抗体设计上，Locus 用 1.5–2.8 倍更少的生成候选达到相当的结合评分，但评分来自 OpenDDE 的 ipSAE 代理指标，仍需湿实验验证。
深度剖析
自主发现系统 Locus 现在被用于分子发现，而不只是语言模型后训练和机器学习工程；它要在没有起始模型、数据有限、评估噪声大的条件下自行提出并执行实验。 此前的对照是 BioHub 与 Boltz 的既有最优方法，以及 Codex、Claude Code 这类前沿大模型智能体；这些基线在初始小数据集上难以泛化，也难以压住小样本带来的高评估方差。 在一个保密的商业分子性质预测任务上，Locus 从零训练模型，最终在一次性留出测试集上超过基线并达到任务预设的性能阈值；该任务因保密只报告相对指标。
Locus 的工作方式是并行跑多组实验，再按评估反馈采样下一批实验，并用专门搭建的并发实验基础设施提高资源利用率。 它把问题难度拆成三条轴：评估成本、评估方差和实验搜索空间的大小，并针对这三条轴安排实验。 在六个靶点（BChE、CYP19A1、EGFR、MAO-B、MAP4K1、PLK4）的 Boltz-2 适配任务中，每次运行分配 12 H100 GPU 小时，数据取自 ChEMBL 并按时间与结构留出验证集和测试集。
在抗体设计上，Locus 围绕给定的生成与打分模型自行编写并修改工作流代码，包括序列初始化、突变策略、结构目标和候选排序逻辑。 BoltzGen 原论文的工作流是先做昂贵的生成再做严格过滤，Locus 学到的过滤准则保留更多有用候选，因此用更少的生成候选得到更强的结合体。 在 ESMC/ESMFold2 设置下，Locus 每个靶点前两个候选的平均 ipSAE 为 0.797，Codex 为 0.758，ESMFold2 基线为 0.704；在 90.3% 的匹配靶点—生成比较中，Locus 的候选面板平均分高于 ESMFold2。
启示与展望
已展示的范围是三类计算任务：一个保密的商业分子性质预测任务、六个 ChEMBL 靶点上的 Boltz-2 效价适配，以及基于 BoltzGen/Boltz-2 与 ESMC/ESMFold2 的计算机模拟抗体命中发现。抗体结合强度用 OpenDDE 的 ipSAE 评分作为代理，原文明确说明要完全验证所设计抗体的结合亲和力仍需湿实验测试。
抗体设计的结合评分是结构预测置信度类的代理指标，而非实测亲和力；分子性质预测任务因商业保密只以相对形式报告性能；在抗体设计任务中，Claude Opus 系列、GPT-6 Astra 及后续 Sol 系列模型触发过生物安全分类器而无法用于优化，因此 Locus 与基线都改用 GPT-5.6 Sol High。