Anthropic宣布其生物学研究团队与Claude合作，绘制出细菌源Vault（囊泡样蛋白颗粒）的三维结构图，项目耗时不到4个月。团队用Claude Science分析约150亿条预测蛋白质序列，挑出44个序列做实验测试，其中15种产生可溶性蛋白、7种组装成Vault样颗粒、4种经冷冻电镜确认具有Vault结构。
推荐理由：Anthropic用Claude辅助从海量序列中筛出细菌源Vault同源蛋白并经冷冻电镜验证，同时披露模型在真实科研流程中的失误。
澪乃ゆい实测了 BIOS 推出的 RFD4-Proteina Mac 本地移植版，用面向 Apple Silicon 优化的 MLX/Metal 实现生成针对 GLP-1R 的结合剂设计，并称安装和运行都比预想简单。据其引用的 BIOS 介绍，该移植版在默认精度下生成速度比原生 PyTorch-MPS 快 2.2 倍，在 M5 Pro 上约 12 分钟完成 20 个设计的生成与结构筛选、得到 10 个排序候选，设置后可离线运行。
推荐理由：作者实测了 RFD4-Proteina 的 Mac 本地移植版，展示了在 Apple Silicon 上生成并筛选 GLP-1R 结合剂设计的可用性。
作者在Linux加RTX 4080S环境部署Molence Bio开源的Mol-1全原子结构预测模型，对蛋白-蛋白、抗体-抗原、纳米抗体和蛋白-小分子四类体系各做有/无MSA预测，共生成24个结构。
推荐理由：作者在RTX 4080S上实测Mol-1四类复合物预测，对比有无MSA的DockQ与RMSD差异，可作为部署与参数配置参考。
北邮、上交大、复旦等团队提出自动研究智能体，将AlphaFold 3视为黑盒，针对每个目标重组多序列比对（MSA）的序列选择与跨链配对策略，仅依赖预测置信度信号迭代优化。
推荐理由：研究显示MSA深度与配对策略需按目标定制，为AF3复合物预测流程提供了可迁移的优化思路。
IDPForge以ESMFold序列与残基配对模块结合去噪扩散，从氨基酸序列生成全原子无序蛋白构象集合，在32条单链IDP测试序列上综合NMR拟合的归一化X-EISD分数为0.890，高于IDPConformerGenerator的0.576、IDPFold的0.582和CALVADOS的0.584。
推荐理由：介绍IDPForge用扩散模型生成无序蛋白构象集合，并对照NMR与SAXS数据说明其优势与尺寸偏差。
作者用 PartiDesign 针对 HLA-A*11:01 呈递的 KRAS G12D 突变肽完成一次从头结合蛋白设计，在 RTX 5080 上以 5 种长度各 100 个样本生成 500 条候选，约 78 分钟完成。
推荐理由：作者完整记录用 PartiDesign 设计 KRAS G12D pMHC 结合蛋白的流程，含 hotspot 取舍与评分分布，可作同类设计的操作参照。
腾讯混元于 11 月 2 日发布 Hyra 2.0（Hunyuan Research Agent），将 AI 科研智能体的目标从解决单个科研问题扩展到自主研发可复用的模型、算法和工具，并完成两个 AI4Protein 成果的研发。
推荐理由：腾讯混元披露科研智能体自主研发出两个蛋白质模型，并公开权重与推理代码，可供比较其研发流程与评测表现。
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。
2026 年 10 月 31 日，SoupFold 作者 Hyosoon Jang 发布整合模型 soup-opendde-pack，并公开约 18.2 GB 模型权重。
推荐理由：该整合包把四个结构预测模型收进单一 checkpoint，可对照其推理流程与依赖变化。
华盛顿大学等机构提出 Prompteina，以自然语言描述整体形状、局部结构和结合界面，联合生成蛋白质全原子结构与序列。团队构建 Prompteina-Data，含约 180 万个蛋白结构条目和 5240 万条文字描述，基于 Complexa 加入全局与残基级文本条件通路。
推荐理由：预印本用自然语言条件生成蛋白结构与序列，并在 GM2A 上给出 SPR 结合数据，可看文本接口的控制边界。
作者记录了Anthropic × Adaptyv蛋白设计大赛Challenge 5的轨道B方案：用RFdiffusion-Ab在h-NbBCII10人源化VHH骨架上生成500条CDR骨架，经ProteinMPNN生成2000条序列，再用RF2打分筛选出20条提交，全部在单块RTX 5080上耗时约68小时。
推荐理由：记录从500条RFdiffusion骨架到20条提交的完整计算流水线，并给出运行耗时与踩坑细节，可供同类设计复用。
浙江大学药学院联合北京大学、深圳先进技术大学团队在预印本发布专为糖链设计的扩散生成框架GlycoWeave，用于蛋白质-糖链复合物三维结构预测。
推荐理由：该预印本用内部坐标扩散约束糖链立体化学，并在698个复合物上给出与AlphaFold 3的直接对比。
作者实测 Molence Bio 的 Mol-1 基础版，输入 GFP 与 LaG24 纳米抗体序列预测复合物结构，五个候选的 ipTM 约 0.890、平均 pLDDT 约 89.8，对齐 GFP 后 LaG24 的 Cα RMSD 为 0.97–1.19 Å，天然界面接触恢复 90.2%–91.8%。
推荐理由：作者在本地与网页两条路径实测 Mol-1 对纳米抗体复合物的预测，并说明高分结构与界面指标各自能说明什么。
作者以开源结构预测模型 Mol-1 对 HLA-A*11:01 呈递的 KRAS G12D 新抗原肽设计 VHH 纳米抗体，从 40 个候选序列中筛出 Top 20，排名第一的 VHH_039 在计算中 VHH-肽接触分数为 0.4855、对野生型仅 0.0526。
推荐理由：作者用开源结构模型 Mol-1 完成 KRAS G12D pMHC 纳米抗体计算设计，并公开全部候选序列与评分，可作为同类流程的参照。
Molence 称其 Mol-1 在 Runs N' Poses 配体预测评测中于全部八个相似度分箱领先所评估基线，成功标准为配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。在相似度最低的 0–20 分箱，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%；通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Molence 公布 Mol-1 在 Runs N' Poses 各相似度分箱的配体预测结果，可与 AlphaFold 3 直接对照。
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 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 发布 Mol-1 agent，称可在单张 NVIDIA H20 上完成大型蛋白组装预测，在 10 例评测（8,000–60,120 残基）中 8 例 TM-score ≥0.9。
推荐理由：Molence 公布 Mol-1 在大型蛋白组装上的自评结果，并主动说明与 Anthropic 结果并非受控对比。
David Baker、Nir Hacohen等人在bioRxiv发布预印本，提出MINT方法，在保留蛋白质功能的前提下降低CD8⁺ T细胞免疫原性。
推荐理由：该预印本把免疫原性纳入蛋白设计目标，并用小鼠实验比较高低表位设计的T细胞反应，为去表位设计提供了可参照的验证路径。
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。