一项预印本研究将 AlphaFold 3 的界面拓扑评分 ipTM 直接作为全蛋白质组药物重定向的亲和力指标，在 1,103 个双方均成功建模的蛋白上取得 nAIA 10.13、NDCG 0.056，十年前基于同源模板的 BANDOCK+ 为 nAIA 9.93、NDCG 0.054，两者总体近乎重合。
推荐理由：该预印本把 AlphaFold 3 的 ipTM 用于全蛋白质组药物重定向，并与十年前的经验算法对比，提供了打分机制层面的参照。
研究人员提出AF3-PTI-PAE方法，用AlphaFold 3预测MHC–抗原肽–TCR三元复合物结构，并以TCR–抗原肽界面预测排列误差判别抗原特异性，无需针对特定抗原训练。
推荐理由：研究用AF3预测三元复合物界面置信度推断TCR抗原特异性，并给出独立验证与敏感性限制。
悉尼科技大学、华盛顿大学、伊利诺伊大学厄巴纳—香槟分校和浙江大学研究者在arXiv发布论文，提出残基级可设计性偏好优化方法ResiDPO，用它微调LigandMPNN得到EnhancedMPNN。
推荐理由：论文把AlphaFold2逐残基置信度反馈用于微调LigandMPNN，为序列设计筛选通过率提供了可比较的提升数据。
Google Research 与 Google DeepMind 在 arXiv 预印本中提出表位切除方法，把 719 残基的 FAP 靶标裁到 85 残基窗口，使 RFdiffusion、ProteinMPNN、AlphaFold3 单次耗时分别下降 89%、66%、88%。
推荐理由：研究用同一算力预算对比人类、人机混合与全自主三种蛋白设计流程，给出可迁移的流程经济学参照。
2026年10月发表于 bioRxiv 的研究提出用 AlphaFold3 映射转录激活结构域与共激活因子的相互作用界面，再经 RFdiffusion 与 ProteinMPNN 从头设计结合蛋白，构建约4万种设计的候选文库。
推荐理由：研究用结构预测与从头设计构建共激活因子结合蛋白，并定量刻画亲和力与转录输出的阈值关系。
研究人员在Science Advances报告了一套整合多重荧光酵母展示、深度测序与AlphaFold 3复合物预测的VHH纳米抗体发现框架，以长链三指型α-神经毒素为对象。
推荐理由：研究把酵母展示筛选与AlphaFold 3结构优选串成一条VHH发现流程，并给出精确率与召回率的实测权衡。
韩国科学技术院（KAIST）的 Hyosoon Jang、Taewon Kim 和 Sungsoo Ahn 在 arXiv 预印本 Co-folding with a Soup of Representations 中提出 SoupFold。
推荐理由：该预印本把多个结构模型的成对表征融合后重新生成结构，并给出抗体抗原与分子胶基准上的对照结果。
Google DeepMind团队在预印本平台发布AlphaProtein Novo（AP Novo）机器学习流水线，报告从头设计酶在哌啶合成和DEHP降解两个挑战性反应上超越自然序列或突变体筛选。
推荐理由：该预印本报告从头设计酶在哌啶合成与DEHP降解中超过天然序列筛选，并给出序列集合评分这一可迁移方法。
EMBL-EBI 与 Google DeepMind、NVIDIA 等合作，在 AlphaFold 数据库中开放 2800 多种病毒的 AI 预测蛋白复合物结构，优先覆盖已知感染人类的病毒科。
推荐理由：AlphaFold 数据库新增 2800 多种病毒的蛋白复合物预测结构，为疫苗与诊断靶点研究提供开放基础数据。
Mohammed AlQuraishi 推荐一篇 bioRxiv 预印本，该论文系统追踪训练时 MSA 深度分布对结构预测性能的影响，并提出一个在 AF2/3 基础上取得明显改进的训练配方。原文未披露具体数据集、评测指标与改进幅度。
推荐理由：该预印本追踪训练时 MSA 深度分布对结构预测的影响，并给出相对 AF2/3 有改进的训练配方。
OpenFold 官方账号转发其研究员 Mohammed AlQuraishi 关于 OpenFold3 新预览版 OF3p2 的介绍，并引导读者阅读更多内容。据被引内容，OF3p2 在多数模态上缩小了与 AlphaFold3 的差距，并公开包括训练集与配置在内的全部内容，使其成为当前可从头训练且可复现的 AF3 类模型。上述性能与可复现性表述来自被引推文，本推文未补充细节。
推荐理由：OpenFold3 预览版开放训练集与配置，为复现和从头训练 AF3 类结构模型提供了可操作入口。