生体分子間相互作用の予測は、合理的な薬剤設計の基盤となるが、未知の化学空間に普遍的に適用可能な実験レベルの精度を達成することは、依然として重要な課題である。深層学習アプローチとしてのAlphaFold 3は構造予測の分野で顕著な進展を遂げたものの、分子空間の未探索領域への一般化能力、結合親和性の推定、および未解明のタンパク質表面における分子結合部位の検出において、依然として限界が存在することがベンチマークにより明らかになった。本研究では、これらの課題に対応するための統合型計算システム「Isomorphic Labs Drug Design Engine（IsoDDE）」を提案する。我々は、難易度の高いタンパク質-リガンド一般化ベンチマークにおいて、IsoDDEがAlphaFold 3の精度を2倍以上に向上させることを実証した。また、誘導適合（induced fit）を含む複雑な分布外イベントの正確なモデリング、および新規結合ポケットの正確な同定にも成功した。バイオロジカル製剤分野においても、IsoDDEは既存モデルを大幅に上回り、抗体-抗原界面予測およびCDR-H3ループのモデリングにおいて、新たな最先端の性能を達成した。さらに、低分子結合体の分野では、IsoDDEの親和性予測が従来の物理ベースのゴールドスタンダード手法を上回り、従来の物理ベースのワークフローに伴う計算コストを伴わずに、実験レベルの精度に近づく橋渡しを果たした。本研究の結果は、IsoDDEがAIを活用した薬剤設計のスケーラブルな基盤を提供し、未知の生物学的システムをこれまでにない精度で探索するための予測精度を実現できることを示している。