Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测
Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。
推荐理由：官方披露 Mol-1 在抗体-抗原预测基准上随采样与循环次数增加而提升，并给出采样效率对比。
#结合构象
Molence精选AI 评分6262
Molence精选AI 评分6060 Molence 设计 VHH 靶向 TNFR2 与 IL-4Rα 天然配体结合区
Molence 针对 TNFR2 和 IL-4Rα 的天然配体结合区设计 VHH，在顺序 BLI 竞争实验中，预先结合 TNFα 或 IL-4 会降低相应设计 VHH 的后续结合。作者称这些实验支持 VHH 识别预期区域，将表位定向设计目标与实验证据相连。此前该系列报告 30 个 VHH-Fc 候选跨 13 个靶点的四项生物物理筛选结果，其中 23 个至少满足四项中的三项。
推荐理由：该工作把表位定向设计目标与BLI竞争实验证据相连，展示了设计VHH结合位点可被实验检验的路径。
Molence精选AI 评分5858 Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果
Molence 公布 Mol-1 在 MolBench-Peptide-26 蛋白-肽复合物预测基准上的成绩：DockQ > 0.23 为 88.8%，DockQ > 0.49 为 77.3%，DockQ > 0.80 为 54.1%。加入结合位点信息后，Mol-1-constraint 在相同阈值下分别提升至 92.2%、85.0% 和 60.2%。作者称生物位点信息在每个评测精度阈值上都改善了肽复合物预测。
推荐理由：Mol-1 在肽复合物预测上按 DockQ 阈值分层报告成绩，并对比加入结合位点约束后的变化。
Molence精选AI 评分6060 Molence 发布 Mol-1-constraint：表位信息提升抗体-抗原复合物预测
Molence 公布 Mol-1-constraint，在提供表位信息时，四个抗体-抗原基准上 DockQ > 0.23 的成功率均高于基础模型：FoldBench-AB 从 75.0% 升至 88.3%，AF3-AB 从 62.7% 升至 84.2%，PXMeter-AB 从 58.3% 升至 77.5%，MolBench-AB-26 从 57.3% 升至 79.4%。作者称表位可作为预测输入，基础模型与 Mol-1-constraint 均可在 lab.molence.com 获取。该帖为系列第 14 条，引用内容另报告 Mol-1 在 MolBench-Peptide-26 上的肽-蛋白预测结果。
推荐理由：Molence 公布 Mol-1-constraint 在四个抗体-抗原基准上的表位条件预测结果，可与基础模型逐项对照。
Molence精选AI 评分5858 Molence 称 Mol-1 长时程智能体在 10 个组装任务中 9 个超过 Anthropic 报告结果
Molence 称基于 Mol-1 的长时程智能体在 10 个受评组装任务中有 9 个超过 Anthropic 报告的结果，可在单张 NVIDIA H20 上预测最长 60,120 个残基的复合物结构，其中 8 个达到 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，与 IsoDDE 已发表的 75.58% 相当；该结果来自对 32 个种子构成的 201,376 种五种子组合的评测，其中 62.22% 达到或超过 75% 成功率。Mol-1 代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。
推荐理由：Molence 公布 Mol-1 在 FoldBench-AB 与复合物组装上的评测结果，可与 IsoDDE 等已公开成绩对照。
BioTender精选AI 评分5858 BioEmu2 实测：AI 设计抗体能否靠动态模拟提前筛选
作者 Colby Ford 用微软 BioEmu2 对一条 scFv 候选 sbio-bdbvgp-355 做构象传播演示，先抽取 10 个平衡构象各向前传播 1 ns，再逐次传播 10 次、每次 1 ns 形成 10 ns 轨迹，并另做一轮带梯度引导的采样。
推荐理由：作者以单个 scFv 候选实测 BioEmu2 的构象传播与引导采样，并逐项对照官方模型卡界定证据边界。
Molence精选AI 评分5858 Molence 发布 Mol-1：单张 NVIDIA H20 上完成 60,120 分子组装与结构预测
Molence 称其 Mol-1 在单张 NVIDIA H20 上完成 60,120 分子组装与结构预测，基于 Mol-1 的长时运行智能体在 10 个受评组装中 9 个优于 Anthropic 报告的结果，其中 8 个 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，接近 IsoDDE 公布的 75.58%，并称在 32 个种子构成的 201,376 种五种子组合中 62.22% 达到或超过 75% 成功率。模型代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。
推荐理由：Molence 公布 Mol-1 在长程分子组装与结构预测上的自测结果，并给出可访问入口供复现比较。
奶牛猫的CADD实验室精选AI 评分7272 微软提出增强扩散采样方法 Enhanced Diffusion Sampling，更高效捕捉蛋白质稀有构象
微软 Research AI for Science 等团队提出 Enhanced Diffusion Sampling，将伞形采样、Metadynamics 等增强采样思路引入扩散模型，相关研究正式发表于 Journal of Chemical Physics。
推荐理由：研究把伞形采样与元动力学思路引入扩散模型，为稀有构象采样效率提供了可复用的方法参照。
ClickMab 科迈生物精选AI 评分5858 科迈生物 EPIC 论文获 NeurIPS 2026 AI4DD Workshop 接收，联合预测表位、互补位与残基接触
科迈生物的 EPIC 模型从抗体和抗原氨基酸序列出发，联合预测抗原表位、抗体互补位与残基接触，论文获 NeurIPS 2026 AI for Drug Discovery Workshop 接收。
推荐理由：该研究把表位、互补位与残基接触统一建模，并在公开抗体结构测试集上给出与现有方法的逐项对比。
Frank Noé精选AI 评分7272 微软 BioEmu2 生物分子结构动力学基础模型已上线 Tamarind Bio
Frank Noé 表示，微软研究院 AI for Science 的生物分子结构、动力学与功能基础模型 BioEmu2 已可在 Tamarind Bio 平台使用。该模型以开放权重、MIT 许可发布，代码托管于 GitHub；引用内容展示了 BioEmu2 模拟无序肽 PUMA 与 MCL-1 受体结合的示例。
推荐理由：BioEmu2 开放权重并上线第三方平台，为关注生物分子结构与动力学生成模型的人提供可访问入口。
AI4Protein精选AI 评分7676 微软 BioEmu2 发布：融合结构预测、平衡态采样与动力学推演的生物分子基础模型
微软研究院 AI for Science 团队（Frank Noé 领衔）推出第二代生物分子基础模型 BioEmu2，将静态结构预测、热力学平衡态采样、跨时间尺度动力学推演和万级残基复合物装配整合为统一工作流。
推荐理由：文章梳理了 BioEmu2 在平衡态采样与动力学推演上的能力，并指出其在多构象自由能预测上的具体局限。
唯信计算精选AI 评分6363 唯信计算 WeMol 推出 AbForge 多特异性抗体全原子结构建模引擎
唯信计算在 WeMol 平台上线 AbForge，输入完整抗体 FASTA 后自动识别 Format 与结构域拓扑，按 KiH、CrossMab 等工程约束装配全原子三维模型。
推荐理由：官方展示多特异性抗体结构建模引擎与通用折叠模型在八个已上市或临床后期分子上的几何构型差异。
德睿智药精选AI 评分6868 德睿智药发布生命科学基座模型体系Intera，首推结合构象预测模型InteraFold-Chem
德睿智药于2026年9月18日发布生命科学基座模型体系Intera，并公布首个模型InteraFold-Chem的技术报告，该模型聚焦蛋白质与小分子的结合构象预测。
推荐理由：德睿智药公布InteraFold-Chem在445个测试样本上的结合构象预测成功率，并给出与Protenix-v2、Chai-1、Boltz-2的对照结果。
Mohammed AlQuraishi精选AI 评分7676 AlQuraishi 团队与 Apheris 用五家药企私有数据训练 OpenFold3p2
Mohammed AlQuraishi 表示，团队与 Apheris 合作，在五家药企内部的蛋白-配体复合物数据库上训练了 OpenFold3p2。由于 PDB 中类药化合物相对稀少，这批数据使相关结构数据量增加 3-4 倍，并带来精度显著提升。作者称训练数据未离开各药企内部环境。
推荐理由：作者披露 OpenFold3p2 在五家药企私有蛋白-配体结构上联合训练，给出数据规模与精度变化的具体参照。
天鹜科技精选AI 评分7676 天鹜科技开源全原子结构预测模型VenusFold，FoldBench多类任务领先AlphaFold3与Boltz-2
天鹜科技发布并开源通用全原子生物分子结构预测模型VenusFold的代码与权重，可预测蛋白质、蛋白质-小分子和蛋白质-蛋白质复合物结构。
推荐理由：天鹜科技开源可商用的全原子结构预测模型，在统一基准下与 AlphaFold3 等模型对比接口精度，并给出训练策略改进细节。
Vilya, Inc.精选AI 评分6565 Vilya 发布全原子基础模型 Vilya-2，可建模化学多样性分子界面
Vilya 发布全原子基础模型 Vilya-2，称其无需模板或共进化输入，通过扩散和单一统一原子表示解析多肽与靶点复合物。公司称该模型对非经典多肽达到亚埃级精度，并准确预测 Zolucatetide、Daraxonrasib、Icotrokinra 和 Enlicitide 与各自治疗性蛋白靶点的相互作用。
推荐理由：Vilya-2 以统一原子表示建模多肽与靶点复合物，为现有工具难以处理的非经典化学体系提供参照。
AurekaBio 寻明生科精选AI 评分7272 寻明生科开源全原子生物分子基座模型 OpenDDE
寻明生科于2026年7月7日发布并开源全原子生物分子基座模型 OpenDDE，将生物分子共折叠、结构推理与规模化法则纳入同一框架。
推荐理由：寻明生科开源全原子共折叠基座模型，抗体-抗原基准成绩与规模化趋势为评估开放结构模型提供参照。
Genesis Molecular AI精选AI 评分7474 Genesis Molecular AI 发布 DeCAF-Pearl 全原子共折叠流图模型，推理提速 5 倍
Genesis Molecular AI 发布 DeCAF-Pearl，称其为首个用于全原子共折叠的流图模型，相比其 Pearl 模型推理提速 5 倍且质量几乎无损。
推荐理由：DeCAF-Pearl 以更少计算步数在 Runs N' Poses 基准上超过多个全原子共折叠模型，为高通量筛选场景提供了速度参照。
Genesis Therapeutics 官网资讯精选AI 评分7373 Genesis 发布 DeCAF-Pearl：面向全原子共折叠的流映射蒸馏模型
Genesis 发布 DeCAF-Pearl，这是首个用于全原子共折叠的流映射模型，由 Pearl-2026.1.dev 蒸馏而来，扩散采样阶段的模型调用减少约 20 倍，整体推理加速约 5 倍。
推荐理由：Genesis 将 Pearl 共折叠模型蒸馏为少步流映射模型，在保持成功率的同时把推理成本降低约 5 倍。
Genesis Therapeutics 官网资讯精选AI 评分7474 Genesis 的 Pearl 系统在 OpenBind 基准上零样本超越全部共折叠模型
Genesis 称其 Pearl 系统在 OpenBind 的 EV-A71 2A 蛋白酶基准（802 个化合物，best-of-25）上零样本取得 78% 联合标准成功率（RMSD ≤ 2 Å、PoseBusters 有效、LDDT-PLI ≥ 0.8），高于 OpenBind 评测的全部共折叠模型。
推荐理由：Genesis 在 OpenBind 公开基准上对比 Pearl 与六种共折叠模型及对接方法，给出零样本与亚埃级精度的具体参照。