ProVADA 作者解读三篇 bioRxiv 预印本：生成式 AI 如何降低蛋白药物免疫原性
斯坦福团队 ProVADA 模型作者在 bioRxiv 预印本基础上撰文，对比自家 ProVADA 与 David Baker 团队 MINT、普林斯顿团队 MESSI 三条生成式 AI 去免疫原性路线。
推荐理由：ProVADA 作者对比三篇预印本的去免疫原性路线，梳理实验验证目标与序列改动幅度的取舍。
#蛋白质设计
AI-Protein Design精选AI 评分7272 Hannes Stärk精选AI 评分7373 读书会讨论 RFD4-Proteina：188 个设计结合剂中 158 个结合 TrkA 低于 1 µM
Hannes Stärk 在读书会预告中介绍 RFD4-Proteina 的结果：188 个设计结合剂中有 158 个以低于 1 µM 结合 TrkA，次优方法为 60 个中 18 个。Nate Corley 与 @DidiKieran 将在线讲解，项目页面为 https://rfd4-proteina.org/。
推荐理由：该报告给出 RFD4-Proteina 与次优方法在 TrkA 结合剂湿实验命中率上的对照数字，便于比较设计方法的实验产出。
澪乃ゆい精选AI 评分7676 Pallatom2 全原子生成模型发布：同时生成序列与主侧链原子并指定靶点结合界面
Pallatom2 是一个全原子生成模型，可同时生成氨基酸序列、主链与侧链的原子构型，并能指定与靶点的结合界面。据该帖介绍，实验在210个候选中确认112个具有结合活性，10个靶点均获得结合剂，其中6个靶点经 BLI 测定报告了 pM 量级的结合亲和力（KD）。
推荐理由：介绍全原子生成模型同时生成序列与侧链并指定结合界面，附10个靶点的实验结合数据。
BioTender精选AI 评分6060 David Baker 皇家学会 Croonian 演讲：AI 蛋白质设计从结合走向执行功能
2026 年 11 月 3 日，David Baker 在伦敦皇家学会发表 Croonian 奖项演讲，以“Advances in computational protein design”为题展示团队及合作者近一两年在结合蛋白、条件响应开关、从头酶和蛋白质材料方面的进展。
推荐理由：以一场奖项演讲为线索，串联结合蛋白、条件开关与从头酶的多项进展，呈现蛋白质设计从识别走向执行功能的路径。
LeapFun精选AI 评分7474 NVIDIA公开RFD4蛋白设计数据体系：2.13TB、19类训练集与采样权重
NVIDIA在开放RFD4-Proteína蛋白设计模型之外，公开了支撑训练的数据体系，共2.13TB、19类训练集、33,527个文件对象，覆盖蛋白结构、抗体、TCR、蛋白Binder、环肽、非天然氨基酸、蛋白-配体、RNA及糖链，较早期约239GB、5类数据的版本明显扩展。
推荐理由：文章拆解了RFD4公开数据集的19类配置、过滤保留率与采样权重，为自建蛋白设计训练数据提供参照。
智药局精选AI 评分7272 Anthropic用Claude绘制细菌源Vault三维结构，筛选150亿条序列
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。
澪乃ゆい精选AI 评分5858 RFD4-Proteina 推出 Mac 本地版，作者实测生成 GLP-1R 结合剂
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。
AI蛋白质精选AI 评分7474 北邮上交大复旦等联合发布自动研究智能体，优化MSA组织提升蛋白复合物结构预测
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。
机器之心 · AI4Science精选AI 评分7878 斯坦福 X-lab 与 SNAP 实验室发布 ProteoCraft 蛋白设计框架
斯坦福大学 X-lab 与 SNAP 实验室联合发布蛋白设计框架 ProteoCraft，采用梯度提案、完整结构预测验证与两阶段蒙特卡洛树搜索，支持结合蛋白从头设计和限定区域局部改造。
推荐理由：报道介绍斯坦福团队的提案—验证搜索框架，用独立结构预测与湿实验数据展示从头与局部设计的阶段性表现。
药化猩球精选AI 评分5858 用 PartiDesign 从零设计 KRAS G12D pMHC 结合蛋白的实战记录
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。
BioTender精选AI 评分7373 腾讯混元 Hyra 2.0 科研智能体自主研发出蛋白质逆折叠模型 HyInv 与语言模型 HyPLM-Flash
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。
BioAICraft精选AI 评分6262 SoupFold 发布整合模型 soup-opendde-pack 并公开约 18.2 GB 权重
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。
AI药物设计实验室精选AI 评分7474 Prompteina 用自然语言设计蛋白质：89 个受测设计中 9 个结合 GM2A
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。
药化猩球精选AI 评分5858 用RFdiffusion从零设计靶向KRAS G12D pMHC的纳米抗体：Challenge 5实战流水线记录
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。
BioTender精选AI 评分6565 BioTender盘点19个全原子蛋白设计项目：竞赛焦点从生成结构转向控制功能
BioTender 汇总2026年9—10月收录的19个全原子建模与设计项目，覆盖结构生成、复合物预测、结构编码与设计优化，认为竞赛焦点正从生成结构延伸到控制功能。
推荐理由：梳理19个全原子建模项目的路线差异，并指出评测口径与开放程度决定成绩可比性。
Brian Hie精选AI 评分7474 Brian Hie 团队两篇基因组语言模型 ICL 预印本上线 bioRxiv
Brian Hie 表示团队两篇关于上下文学习（ICL）的预印本已上线 bioRxiv，分别涉及少样本调控元件设计和从分子到基因组尺度的 ICL 与思维链（CoT）。
推荐理由：作者公开两篇 ICL 预印本链接，并说明 Evo2-flash 已成为 Proto 默认后端，便于对照方法与应用入口。
药化猩球精选AI 评分5858 用开源结构模型 Mol-1 设计 KRAS G12D pMHC 纳米抗体的实战复盘
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精选AI 评分7373 Molence 用 Mol-1 早期检查点构建 VHH 设计平台，17 个靶点湿实验命中率 6%–63%
Molence 基于 Mol-1 的早期检查点搭建了内部从头 VHH 设计平台，设计以 VHH-Fc 融合形式在自有湿实验中测试，覆盖全部 17 个多样化靶点并均获得结合命中。靶点层面的初始命中率在 6% 至 63% 之间，涵盖可溶性蛋白、受体胞外域和 GPCR，包括 BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6 与 CCR5。该平台将分子预测与经实验测试的抗体设计相连接。
推荐理由：Molence 披露其内部 VHH 设计平台在 17 个靶点上的湿实验命中率区间，可作为从头结合剂设计的实测参照。
Molence精选AI 评分7474 Molence：一轮实验反馈将4-1BB设计功能命中率从7%提升至85%
Molence报告在4-1BB靶点上用第一轮实验结果指导第二轮设计，功能命中数从第一轮2/30提升到第二轮51/60，功能命中率由7%升至85%。在0.03 nM下，51个第二轮激动剂中有48个超过Utomilumab阳性对照的平均激活水平，结果以VHH-Fc形式测得。同系列引文还称，针对BCMA的零样本设计30个中有12个结合命中，两个VHH-Fc候选的SPR KD为43 pM和1.1 nM，细胞表面BCMA结合EC50为0.19和0.16 nM，同一实验体系中belantamab生物类似药为4.1 nM。
推荐理由：材料展示了单轮实验反馈后功能命中率从7%升至85%的设计迭代结果，可作为蛋白设计干湿闭环的参照。
Molence精选AI 评分7474 Molence 的 Mol-1 流程设计 VHH 可激活 4-1BB，EC50 低于 Utomilumab
Molence 称其 Mol-1 流程设计的两个 VHH-Fc 融合分子在 6 小时报告基因实验中激活 4-1BB，EC50 分别为 0.05 和 0.22 nM，对照 Utomilumab 为 0.43 nM。VHH 01 的 SPR KD 为 3.5 nM，两个设计均表现出高单体纯度、热稳定性和低自相互作用等理化性质。作者引用的前序内容显示，借助第一轮实验结果指导第二轮设计，功能性命中率从 2/30 提升到 51/60，其中 48 个在 0.03 nM 下超过 Utomilumab 阳性对照的平均激活水平。
推荐理由：Molence 展示其 Mol-1 流程设计的 VHH-Fc 在 4-1BB 激动活性上优于 Utomilumab 对照，并给出可开发性指标。