预测生物分子相互作用是理性药物设计的基础，然而在新型化学空间中实现实验级的准确性与广泛适用性，仍是当前面临的关键瓶颈。尽管深度学习方法（如AlphaFold 3）在结构预测方面取得了显著进展，但基准测试表明，现有模型在泛化至分子空间中未探索区域、估算结合亲和力以及识别此前未表征蛋白表面的结合位点等方面仍存在明显局限。为此，我们提出了异构实验室药物设计引擎（Isomorphic Labs Drug Design Engine，简称IsoDDE），这是一个统一的计算系统，旨在解决上述挑战。我们证明，在一项具有挑战性的蛋白质-配体泛化基准测试中，IsoDDE的性能显著优于AlphaFold 3，准确率提升超过一倍，能够成功建模复杂的分布外事件（如诱导契合效应），并精确识别新型结合口袋。在生物药领域，IsoDDE大幅超越现有模型，为抗体-抗原界面预测和CDR-H3环建模树立了新的技术标杆。对于小分子结合剂，IsoDDE的亲和力预测性能甚至超过现有的金标准物理机制方法，在无需传统物理模拟计算开销的前提下，实现了接近实验精度的预测能力。我们的研究结果表明，IsoDDE为人工智能驱动的药物设计提供了一个可扩展的基础框架，具备前所未有的精确性，能够高效引导对新型生物系统进行探索与开发。