模型与 Benchmark板块首页
总览
AI for Bio benchmark 总览模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…模型索引:112 个模型按领域分组44 个 benchmark 的规模、更新与 wet la…
Benchmark 档案:核心 30 项
01 CASP02 ProteinGym03 MoleculeNet04 TDC05 PoseBusters06 CASF-201607 USPTO family08 Basenji/Enformer test set09 scIB10 GuacaMol11 ClinVar hold-out protocol12 DUD-E / LIT-PCBA13 CAGI14 PubMedQA15 CAMEO16 GUE + Nucleotide Transform…17 CAFA18 LAB-Bench / LABBench219 PMO20 CACHE21 DREAM5 / BEELINE / CausalB…22 CAPRI23 BioASQ24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles26 FLIP / FLIP227 Polaris / ASAP / OpenADMET28 Adaptyv competitions / Ben…29 BixBench30 PLINDER / PINDER / Runs N'…
Benchmark 档案:补充 14 项
31 FoldBench32 CrossDocked202033 PoseX34 AbBiBench35 FLAb / FLAb236 AIntibody37 TraitGym38 BEND39 RNAGym40 MotifBench41 BioML-bench42 BioMysteryBench43 Ginkgo GDPa144 FS-Mol
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

Enchant v1 / v2:Iambic Therapeutics

整理 2026-11-16 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 做什么
  3. 报过的 benchmark
  4. 其他评测(不在 44 项内)
  5. 训练数据
  6. 湿实验验证
  7. 背景
  8. 怎么看
  9. 局限与注意
  10. 来源
  11. 更正记录

闭源多模态 Transformer,从早期数据预测分子性质与临床相关端点。

小分子 · AI 原生 biotech · 美国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 Enchant v1/v2;别名:Enchant v1、Enchant v2、Enchant v3;有歧义、不自动链接:Enchant
家族 家族条目:Enchant v1 ;Enchant v2 ;Enchant v3 。边界:本条目覆盖同一闭源产品的三代(v1/v2/v3),均无权重与第三方复核
机构 Iambic Therapeutics
机构类型 / 国家 AI 原生 biotech / 美国
模型类别 性质预测 / 多模态基础模型
领域 小分子(次领域:文本与 agent、结构/共折叠)
首次发布 (依据:v1 的公司新闻稿(最早可证公开证据)) 仅产品形态,无论文、无权重
其他里程碑 最早公开证据 (v1 新闻稿);官方公告 (公司新闻稿与官方博客)
最近更新 ,新版本:v3 发布:官方称 41B 参数的混合专家多模态 Transformer(v1 1B、v2 7B),输入含结构、序列与组学、表格 assay、物理数据、文本与图像,新增逆向设计与多肽能力;参数口径在招股文件中一致。开发方 2026-10-16 完成 IPO,属公司事件而非模型更新(41B 与混合专家细节未独立复核)。此为最近一次有出处的事件,不代表此后没有更新
开放程度 代码:不开放;权重:不开放;三代均闭源,仅公司页面与新闻稿披露,无权重、无 API 文档引用
状态 仅产品形态:闭源,无公开权重或代码,仅产品形态
报过的 benchmark 0 项计入;另 3 条不计入(未证实 3)
湿实验验证 无
全站实体页 无(全站实体库有开发公司页,但无该模型自身的实体页)
截至 2026-11-16

做什么

把分子结构与多种实验、临床相关模态放进同一个 Transformer,目标是缩小临床前到临床的数据断层,预测 ADME、药代乃至临床相关端点;v2 称规模较 v1 扩大十倍以上,v3 增加逆向设计、组学与图像预测。公司称每周在数百个分子性质上微调。对照模型用过 TxGemma;与同样有芯片厂商投资的 TerraBind 相比,后者走公开数据训练加自有湿实验验证的路线。

报过的 benchmark

按关系类型排列;每行标来源类型与出处。分数只在同一 benchmark、同一口径内有意义,见各 benchmark 页的当前排名。0 项计入;另 3 条不计入(未证实 3)。

Benchmark 关系类型 计入 评测集 / 口径 来源类型 说明 出处
01 CASP 未证实 否 — 未知 v3 页面称在该赛事的留出结构上评测,仅有图、无协议 †(未核实) 出处
04 TDC (ADMET + DTI) 未证实 否 — 未知 开发方博客全文未出现该 benchmark 名、官方划分或协议,只有一个指向基线页的超链接;中文矩阵、中文模型页与英文数据三处口径不一,本轮统一为未证实,不计入 †(未核实) 出处
15 CAMEO 未证实 否 — 未知 同一来源,用的是冻结的 2022 静态集,仅有图;即便成立也应按赛后数据复用处理,而非参赛 †(未核实) 出处

其他评测(不在 44 项内)

  • 公开人体药代数据集(半衰期)(站外公开 benchmark,自报):公司自报在该数据集全集上的相关性优于既往最佳;公告链接到一个基线页但未命名 benchmark,划分未说明
  • 低数据量设置(仅与基线对比,自报):v2 称只用该数据集 5%(约二十余个分子)训练即超过用全量训练的既往最佳
  • 公司内部任务集(自建任务集,自报):v2 在一套激酶集、一家公司的 ADME 集、一个细胞药效集与大鼠体内清除率上与 v1 及 TxGemma 对比,多为图示
  • v3 的蛋白结构质量对比(仅与基线对比,自报):官方页面称在留出结构上优于两个公开蛋白模型,仅有图、无数值

开发方称:在丰富的临床前数据上预训练的多模态 Transformer,只需极少临床数据即可预测人体药代,并在低数据量下超过既往最佳。

独立证据:未检出独立证据(模型闭源、无权重,全部数字为公司自报,未检出任何第三方评测或复现)

训练数据

类别 值 说明 出处
a 公开库 是 称来自数十个外部来源,库名未列;一套公开人体药代数据集用于 PK 任务 出处
b 私有 / 授权 未披露 可能有,公司未披露;此前站上只有声明、无规模 出处
c 自产 wet lab 训练数据 是 称内部自动化合成与实验平台持续产生新数据,每周对数十个端点微调;规模未披露 出处
d 仅用于验证的 wet lab 未披露 — —

湿实验验证

无。开发方未报告湿实验验证,或本站未收录可核的记录。

背景

  • 机构:开发方是一家 2019 年在美国注册、2023-05 改用现名的 AI 小分子药物研发公司,总部在加州,另在英国与爱尔兰设办公室;按其招股文件,截至 2026-09 有 171 名全职员工(研发 140、管理 31)。定位是自有管线加平台。
  • 融资:2023-10 B 轮 1 亿美元(两家基金共同领投,一家芯片公司与一家测序公司的创投部门为新投资方);2024-06 追加 5,000 万美元(两家主权与家族资本领投),B 轮合计超 1.5 亿美元;2025-11 新一轮超 1 亿美元(公告未写领投方)。招股文件口径:自成立累计募得约 4.618 亿美元,现金总额 5.365 亿美元,另有 6,650 万美元可转换本票在上市时转股。2026-10-16 完成首次公开发行,发行价 16.00 美元/股、9,375,000 股、总额 1.5 亿美元。
  • 产品与合作:管线含一个口服可入脑的靶向抑制剂(2026-09 在一/一b 期篮子试验)、一个 2026-09-30 提交新药临床试验申请的项目与一个申报前项目;平台含本模型与一个共折叠模型。2026-09 与一家大型药企签合作与许可选择权协议(两个初始靶点,含预付款、里程碑与分层特许权使用费,金额未披露);2026-02 与另一家药企签研究合作与许可协议(三个初始靶点,里程碑合计可超 17 亿美元,2026 上半年确认收入 620 万美元);其他合作方包括另五家制药与算力公司。
  • 相关模型:TxGemma、TerraBind、NeuralPLexer3

怎么看

  1. 所有数字均为公司自报且模型闭源,无法独立复现。
  2. 与 TDC 的关系按本轮裁定为未证实:博客未命名 benchmark、未说明划分,三处已上线口径统一改为未证实。
  3. 人体药代的那个相关性首发于 v1 公告,v2 博客重述同一数字而未说明是否重跑,不宜写成 v2 的新成绩。
  4. 真正的差异化是训练数据含持续产生的内部湿实验数据,但规模从未公开;v3 的参数与能力只有公司口径。

局限与注意

  1. 零计入配对:三条站内关系全部为未证实。
  2. 闭源,无权重与代码,无第三方复核。
  3. 内部湿实验训练数据规模未披露。
  4. 新闻稿独有的预训练 token 数与模态数未被官方技术页面或招股文件重复。

来源

  1. v1 官方公告(公司博客)
  2. v2 官方博客(公司博客)
  3. v3 官方页面(公司博客)
  4. v1 新闻稿(新闻)
  5. 招股文件(424B4)(官方网站)
  6. 上市完成的当期报告(官方网站)

更正记录

以下为本轮核对中改过的字段,原值按记录照录。

字段 原 现 原因 出处 发现日期
benchmarks_reported TDC 自报(中文矩阵与英文数据) 统一为未证实,不计入:博客未命名 benchmark、未给划分与协议 — 依据 2026-11-16
latest_update v2(2025-05-05)为最近事件 2026-09-21 v3 发布;公司上市事件不计为模型更新 — 依据 2026-11-16

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。