25 毫秒打一个化合物、同一条时间预算里多筛 1250 倍:Genesis 的 Ruby 绕开了 3D 构象,但模型没开源、评测还是回溯性的
3分钟看懂
- 谁做的:Genesis Molecular AI,加州 San Mateo 的新药 AI 公司(原名 Genesis Therapeutics),旗下有共折叠基础模型 Pearl 和分子生成平台 GEMS。2026 年 11 月 20 日发布技术报告,推出效力(potency)预测模型 Ruby。
- 做了什么:一个直接预测小分子在靶点上「有多强」的模型。它不先算 3D 构象再打分,而是把 Pearl 主干输出的「蛋白—配体 token 关系表示」直接拿去做回归。输入只有两样:蛋白序列 + 配体 SMILES。
- 快多少:最低档每个化合物 25 毫秒(25.11 ms),最高档 4.06 秒。官方给的对照是 Boltz-2 的参考设置约 30 秒/配体,算下来 1250 倍;对 Nesso-1 是 42 倍。
- 准多少:7 个公开筛选靶点上,mean nEF@1% 从最低档 0.24 升到最高档 0.43,Boltz-2 同一批靶点是 0.23。四个公共效力基准全部拿到最高平均相关:OpenFE 0.74、CASP16 0.77、FEP+4 0.86、OpenBind 0.57。
- 放了什么:技术报告(14 页,含 Limitations)+ GenesisPotency-2026 数据集,约 560 万行、CC BY-SA 4.0、带行级溯源和审计标注。
- 没给什么:没有权重、没有 API、没有试用入口、没有 GitHub 模型代码。公开的只有一个数据集仓库。所有评测都是回溯性的。
本文基于多家媒体转述整理,数字口径以 Genesis 官网技术报告与公司新闻稿为主,韩国、中国媒体的独立改写用于交叉核对。
一句话先说结论
这轮真正能拿走的不是「一个更强的药物 AI 模型」,而是一份写清了失败边界的报告 + 一个 560 万行的审计数据集。模型本身你下不到,评测也没在真实项目里前瞻跑过——但它给出的那套「怎么清洗公开效力数据」的方法,任何要做内部活性模型的团队现在就能用。
它到底做了什么
绕开 3D 构象,是这轮最关键的一步
结构导向的效力预测通常是两步:先预测蛋白—配体复合物构象(pose),再基于构象打分。问题在第一步——构象生成贵,而且准不准高度依赖方法。你想筛一亿个化合物,第一步就把预算烧完了。
Ruby 换了个切法。共折叠模型 Pearl 的主干在生成原子坐标之前,内部已经有一层「蛋白 token 与配体 token 之间的关系表示」。Ruby 直接吃这层表示做效力回归,对每个化合物都不生成显式 pose。
两个直接后果:
- 推理预算里最贵的那一块被砍掉了,模型才可能跑到虚拟筛选的规模;
- 同一个 checkpoint 可以拧四档推理努力(Low / Medium / High / Max),算力跨度两个数量级以上——同一套权重既能粗筛百万级库,也能在化学系列内部精排。
代价也很清楚:你失去了「这个分子是怎么结合上去的」这个可解释产物。报告自己也承认,pose 在解释构效关系时仍有价值,建议只对最值得看的少数化合物单独生成。
速度与富集的取舍,是一张可以自己读的表
在 7 个公开筛选靶点上(3 个来自大库对接活动 + 4 个来自 CACHE 挑战赛),Ruby 重排这些活动实际送测过的化合物,看早期富集:
- Low:25.11 ms/配体,mean nEF@1% = 0.24
- Medium:180.77 ms,0.35
- High:348.48 ms,0.39(Nesso-1 是 0.18,且 Ruby 快 3 倍)
- Max:4.06 s,0.43(Boltz-2 参考设置 0.23,p = 0.007)
「1250 倍」不是随口说的:报告里写的是「同样的 GPU 时间,够 Boltz-2 打 1 万个化合物,够 Ruby Low 打约 1250 万个」。所以这是个相对吞吐,不是绝对速度,换硬件就变。
硬件这一侧还有一段值得单独看:Genesis 和 NVIDIA 一起把低档推理路径针对 Blackwell 做了内核优化——Transformer Engine 的 NVFP4 kernel、cuBLAS BF16x9、CUDA Graphs、cuEquivariance attention——示例靶点的 warm inference 从 44.2 ms 降到 14.6 ms,光内核工作就带来约 3 倍吞吐。这一段是「同样的模型、同样的数学,只换实现」的收益。
准确率怎么读:四个 0.0x 的差距,不要读成碾压
公共基准上的 zero-shot 结果(每一项都是「Ruby 多少 / 最强对手多少」):
- OpenFE(58 个 source series、39 个靶点,Pearson r):0.74,对比 IsoDDE 0.73、FEP+ 0.72
- CASP16(Pearson r):0.77,对比 IsoDDE 0.75、Nesso-1 0.65
- FEP+4(4 个靶点,Pearson r):0.86,对比 IsoDDE 0.85、Nesso-1 0.81
- OpenBind(494 个化合物,Spearman ρ):0.57,对比 ApherisAffinity 0.54、Nesso-1 0.51
三点必须讲清楚:
- 前三个是 Pearson r,OpenBind 是 Spearman ρ,混着比就是错。报告自己也分开写了。
- 和 IsoDDE 的差距普遍只有 0.01–0.02。这在统计上意味着「同一档位」,不是「代差」。真正的差距出现在和 Boltz-2、Nesso-1 这类开源模型比的时候。
- 对手的分数有相当一部分是「引用已发表值」。报告写明:IsoDDE、ApherisAffinity、TerraBind、以及 Nesso-1 的 OpenBind 成绩,因为没有逐化合物预测可拿,用的是论文里的汇总数,所以图上这几家的误差棒是缺的。这不是造假,但意味着配对比较并不严格。
真正更有说服力的是真实项目那一组:Genesis 与 Incyte 合作的 5 个项目、8 个 assay,Ruby 在完全没见过这些数据的情况下,mean Spearman 0.61 / Pearson 0.59,最强的对比方法 Boltz-2 是 0.46 / 0.45。报告里有一句很实在的锚点:同一个靶点用两种不同实验方法去测,Spearman 相关性本身就可能只有 0.70 甚至更低。也就是说 0.61 已经接近「实验自身的可重复上限」这个量级。
数据集可能比模型更值钱
GenesisPotency-2026 是这轮最实的产出,因为它是可以立刻拿去用的东西。它的构建过程本身就是一篇「公开效力数据有多脏」的实证:
- 原料:ChEMBL 37 + BindingDB release 202607 + 2025 年 10 月拉的 PubChem HTS,过滤前约 1.57 亿行。
- 质控与采样(配体/assay 合格性、按源文档+靶点+读出方式分组、只保留 2023 年 1 月 1 日之前的测量)压到 590 万个效力数据点。
- 审计范围:251 万条 ChEMBL/BindingDB 记录,其中 124 万条能找到可读源文档;涉及 8,995 份文档、115,235 个抽样化合物。
- 审计结果:保留不变 699,742 条、标记待修正 52,575 条、移除 486,600 条。
- 最终公开:541 万条通过审计的公开来源数据点(官网与通稿写「560 万行」,技术报告 Figure 1c 写的是 5.41M,两个口径都在源文件里,这里按报告数字)。
- 覆盖面对比 AQAffinity 公开训练集:蛋白 3,110 vs 2,691(1.16×)、化合物 100 万 vs 82 万(1.23×)、(蛋白, 化合物) 对 2.78×。两个集合互不包含。
审计抓到的错误里,有两个值得记住:
- 某份专利里 885 条 FLAP 抑制剂的测量,在两个数据库里各自独立地被挂到了无关的 flap endonuclease 1 上。两个库「互相印证」,其实是同一个转录错误走了两遍。
- 另一份文档抽 15 个结构,10 个带的是别的化合物的效力值。
这就是为什么报告强调「数据库之间一致 ≠ 独立验证」。他们把所有审计标注连同行级 provenance 一起放出来了,你可以不同意他们的判定标准,自己重新筛。
数据集地址在 GitHub:Genesis-Molecular-AI/genesis-potency-dataset(CC BY-SA 4.0)。
怎么用,谁适合用
现在就能做的:
- 拿数据集训自己的模型。CC BY-SA 4.0 允许商用,但衍生数据集要同样开源。如果你的团队一直卡在「公开数据太脏、清洗成本太高」,这 541 万条带审计标注的数据能省掉一大块脏活。
- 拿报告当评测设计参考。它把「早期富集 nEF」「系列内 Spearman」「校准后 MAE」三种指标分得很清楚,还区分了「公共基准」和「真实项目 assay」,这套框架可以直接抄进内部评审。
- 对照自己的 pipeline 算账。如果你现在跑的是「先对接再打分」,报告里 25 ms vs 30 s 这个量级差,值得拿来估算一下换路线的收益。
现在做不了的:
- 拿不到 Ruby 权重,也调不到 API。想要这个能力,只能去找 Genesis 谈 GEMS 平台合作。
- 没法在自有靶点上复现那些 0.74 / 0.86。所有数字都是 Genesis 自己跑的。
适合谁关心:做 hit identification 和 lead optimization 的计算化学/ML 团队;想自建内部效力模型但数据不够干净的小公司;以及做数据治理的人——这份审计方法论的价值可能超过模型本身。
别踩这几个坑
- 别把「0.43 vs 0.23」当成普适结论。这是 7 个特定公开靶点上的 mean nEF@1%,换一批靶点、换一个化学空间,排序可能变。
- 别把对手成绩当同条件对比。IsoDDE 等四家的部分数字是引用已发表汇总值,没有逐化合物预测配对。
- 别忽略「回溯性」三个字。HitID 基准是重排已经被实验测过的化合物,它不能直接证明在上亿级原始库里也有同样富集。滚动时间评测保留了 assay 的时间顺序,但也不能说明「Ruby 引导的选择会怎样改变实际合成路线」。
- 别指望审计是完整的。报告自己写:只能审计源材料可公开获取的那部分记录,而且按文档内抽样(每份最多 15 个化合物),保留下来的记录仍可能含未被发现的错误。
- 别把「没开源」理解成「藏着掖着」。Genesis 是商业公司,模型走 GEMS 平台;这轮公开的是方法论和数据,这是他们的选择,但写稿时不能含糊成「已开源」。
成本与时间
- 数据集:免费,CC BY-SA 4.0,商用需同样开源。
- 模型:无公开定价。Genesis 未披露 API 或私有部署价格,只能通过商务渠道问。
- 自建参照:报告里的推理是在 NVIDIA B200 上测的;44.2→14.6 ms 那段是 Blackwell 专用内核优化的结果,换到别的卡上不会有同样的数字。
- 时间成本:如果只是想验证「不生成 pose 直接回归」这条路在你自己的数据上有没有用,用公开数据集 + 开源共折叠模型的中间层表示做个原型,是几周量级的事;要做到报告里那种四档推理和内核优化,是团队级投入。
下一步可以做什么
- 先把
genesis-potency-dataset拉下来,看它的 schema 和审计标注字段,评估和你现有数据能不能对齐。 - 挑一个你手上有湿实验数据的靶点,用公开数据训一个 baseline,和现在的对接+打分流程比 nEF@1%——注意要用同一批送测化合物重排,否则不可比。
- 如果你在用 Boltz-2 做筛选,先量一下自己的单化合物耗时,再乘上 1250 这个量级,估算换路线的时间收益是否成立。
- 关注两件事:Ruby 会不会通过 GEMS 对外开放;以及有没有第三方在独立靶点上复现那组 0.61。
参考来源
- Genesis 官网新闻:https://www.genesis.ml/news/introducing-ruby-state-of-the-art-potency-prediction-across-discovery-regimes
- 技术报告 PDF:https://cdn.prod.website-files.com/69d6baace8258c456e8a0f87/6aff5b9933da7ef317571829_c9db249aad6de30e829dd56f7ffea826_genesis-ruby-2026.pdf
- GlobeNewswire 新闻稿:https://www.globenewswire.com/news-release/2026/11/20/3407667/0/en/genesis-molecular-ai-announces-potency-prediction-breakthrough-with-ruby-releases-potency-training-dataset.html
- 数据集仓库:https://github.com/Genesis-Molecular-AI/genesis-potency-dataset
参考来源
- https://www.genesis.ml/news/introducing-ruby-state-of-the-art-potency-prediction-across-discovery-regimes
- https://cdn.prod.website-files.com/69d6baace8258c456e8a0f87/6aff5b9933da7ef317571829_c9db249aad6de30e829dd56f7ffea826_genesis-ruby-2026.pdf
- https://www.globenewswire.com/news-release/2026/11/20/3407667/0/en/genesis-molecular-ai-announces-potency-prediction-breakthrough-with-ruby-releases-potency-training-dataset.html
- https://github.com/Genesis-Molecular-AI/genesis-potency-dataset