BioEmu2 全流程教程与实测：微软开源全原子生物分子结构与动力学模型
作者在 Linux + conda + NVIDIA RTX 4080 SUPER 上实测微软 BioEmu2 全原子扩散模型，对腺苷酸激酶 ADK 和肌红蛋白各生成 8 个初始候选、从同一起点推进 4 条轨迹，每条 20 次、每次 50 ns，覆盖 1 μs 模型时间，80 个推进端点全部通过几何检查。
推荐理由：作者在单卡上实测微软 BioEmu2 的结构预测与时间推进流程，给出可复用的参数设置与耗时数据。
#结合构象
BioAICraft精选AI 评分6060
BioAIDesign精选AI 评分5858 BioAIDesign 解析 pLDDT、ipTM 等结构预测评估指标并实操 foldmetrics
BioAIDesign 发布结构预测评估指南，逐层解释 pLDDT、PAE、pTM、ipTM、pDockQ、pDockQ2、ipSAE 与 LIS 等指标分别回答局部可信度、链间相对位置还是与参考结构的准确度，并指出 ipTM 0.9 不能换算成亲和力。
推荐理由：文章把结构预测的置信度、准确度与结合证据分层拆开，并给出可复用的汇总工具与判读顺序。
澪乃ゆい精选AI 评分5858 预印本探讨共折叠模型预测对齐误差的方向性如何用于多样分子复合物打分
作者在 X 上分享一篇 bioRxiv 预印本，讨论共折叠模型预测对齐误差（predicted aligned error）的方向性能为多样分子复合物的打分提供什么信息。原文未披露具体方法、数据集与评测结果。
Molence精选AI 评分6262 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。
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6565 Molence 的 Mol-1 在 MGBench 分子胶预测中报告低同源条件 28.6% 联合成功率
Molence 的 Mol-1 在 MGBench 分子胶预测基准上报告联合成功率：已见条件 92.2%、高同源 74.6%、低同源 28.6%，最强评测基线在低同源条件为 19.1%。联合成功需同时满足配体 RMSD < 2 Å、lDDT-PLI > 0.8 和蛋白界面 DockQ > 0.23。作者同时引用的另一条内容称，在 Runs N' Poses 的 0–20 最低相似度区间，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：Mol-1 在 MGBench 上同时考核配体位姿与蛋白界面，低同源条件下与最强基线的差距提供了具体参照。
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。
智药邦精选AI 评分6363 Nature Reviews Drug Discovery 访谈 OpenBind 负责人 Charlotte Deane：AI 药物发现的数据鸿沟如何填补
牛津大学 Charlotte Deane 在 Nature Reviews Drug Discovery 访谈中介绍其联合领导的 OpenBind 计划，目标是建成全球最大的开放获取药物-蛋白质相互作用数据集，以改进蛋白-小分子结合结构与亲和力预测。
推荐理由：OpenBind负责人谈蛋白-小分子结合数据缺口，并给出首组数据集与盲测挑战的具体规模。
Oxford Protein Informatics Group · Blog精选AI 评分7070 OpenBind启动首届盲测挑战：预测寨卡NS2B-NS3蛋白酶与400个化合物的结合构象
OpenBind联合OpenADMET与ASAP Discovery Consortium于2026年10月14日启动首届OpenBind盲测挑战，要求参赛者预测400个化合物与寨卡病毒NS2B-NS3蛋白酶形成的蛋白-配体复合物，化合物从小片段到类先导分子不等。
推荐理由：首届OpenBind盲测挑战以寨卡NS2B-NS3蛋白酶为靶点，用更严格的构象与物理有效性标准比较对接与共折叠方法。
DrugIntel精选AI 评分5858 Nature Methods前瞻：蛋白质结构预测从静态结构走向构象集合
Wankowicz与Bonomi在《Nature Methods》发表前瞻文章，指出AlphaFold等工具已改变静态结构预测，但仍无法捕捉完整构象集合，核心瓶颈是缺乏原子分辨率下可作金标准的真实参考数据。
推荐理由：文章系统梳理构象集合预测在数据、表示与评价上的瓶颈，为理解结构预测的下一步提供框架。
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。