跳到正文
11月8日周日
  1. 药化猩球58

    BoltzGen、RFD4、Mol-1:决定 binder 命中率的可能不是生成器而是过滤器

    作者梳理 BoltzGen、RFD4-Proteina 与 Mol-1 的公开证据后认为,把注意力从生成器转向过滤器值得检验,但尚无把同一候选池分别交给 Boltz-2 和 Protenix 过滤再前瞻性比较湿实验命中率的公开配对研究。

    推荐理由:文章把生成器与过滤器的证据分层拆开,指出结构恢复榜单与湿实验命中率之间缺少可核验的桥。

11月6日周五
11月3日周二
  1. 药化猩球38

    给癌细胞查身份证:KRAS G12D pMHC 纳米抗体,还能往前走多远?

    针对 KRAS G12D 肽-HLA-A*11:01 pMHC 复合物,文章提出以 VHH 纳米抗体识别突变肽,并强调需在真实细胞上验证其能否区分仅差一个氨基酸的野生型肽及人体自身肽组。已有 TCR 研究支持该 pMHC 作为识别入口,但 VHH 路线仍属项目设想,尚无实验数据。文章建议将肽长度、可及表面与突变相关构象纳入靶点定义,并用遗传对照矩阵和靶向免疫肽组学检验内源呈递靶标。

10月28日周三
  1. LeapFun58

    一人AI药企能否复制:Anthropic收购的Mithril Medicine案例拆解

    文章复盘Anthropic于2026年7月收购的Mithril Medicine:公司仅1名全职创始人,另有8名付费顾问和11家外部实验室,不到18个月将一款靶向laminin-α4与β-dystroglycan的双特异桥接抗体推进到LAMA2-CMD小鼠模型药效验证,2+2 IgG-scFv格式峰值肌力约为对照组1.95倍、体重标准化握力约1.94倍,1+1格式未见明确获益。

    同一新闻,精选展示《Anthropic 收购一人 AI 药企 Mithril Medicine,Claude 协调 11 家外部实验室》

10月25日周日
  1. 途深智合38

    途深智合:以TourSynbio蛋白大模型与ToursynClaw智能体切入AI蛋白设计

    途深智合依托自研TourSynbio蛋白大模型和ToursynClaw干湿迭代智能体开展AI蛋白设计,后者今年获国际蛋白设计大赛全球第二名。公司称其AI体系三周可完成分子设计与筛选,在GPCR、Claudin18.2等膜蛋白靶点项目中首轮29条序列筛出阳性分子,第二轮25条序列获得4个候选分子。团队已从合成生物学转向大分子抗体并布局自有管线,同时承接药企AI分子发现服务。

10月19日周一
  1. BioSpace News33

    多特异性药物设计新挑战:结合臂越多,分子选择越复杂

    随着双特异性、三特异性等多特异性抗体格式增多,每增加一个结合臂都会扩大潜在组合数量,使候选分子选择从发现转向筛选。Twist Bioscience 与 Invenra 就后者 B-Body® 双特异性抗体平台达成共同独家供应许可协议,Adimab 则通常建议合作伙伴采用 IgG 样/全 Fab 多特异性而非 scFv 格式以利于生产。

10月13日周二
  1. LeapFun63

    12篇论文解码Orbis:AI环肽平台与诺和诺德14亿美元合作

    作者梳理12篇论文,拆解Orbis如何用非天然构件大环、ⁿCycle-Forge计算搜索与自动化合成构成环肽发现体系。ⁿCycle-Forge以Boltz共折叠评分为代理目标,对两个靶点做约12万次共折叠评价并合成1472个设计,凝血酶初筛命中35/736,约为历史库的24倍,MDM2命中率约4.6%与历史定向库相近。

    推荐理由:文章逐层拆解Orbis大环肽平台的计算与实验证据,并区分技术源流与公司独占资产。

10月11日周日
  1. 木可AI探索笔记48

    关于 Chai Discovery 的几个数字:chai-3 发布后 4 个月拿下 6 家 MNC

    Chai Discovery 的 chai-3 于 2026 年 6 月发布,按此计算其拿下 6 家 MNC 实际用时 4 个月而非 9 个月。chai-2 报告强调 24 孔板,湿实验整体 hit 率为 16%,据此推测 chai-3 的 hit 率在 32%-40%。其最新一轮投后估值为 38 亿美元,与晶泰、英矽、剂泰的市值处于同一量级。

9月21日周一
8月27日周四
  1. Genesis Molecular AI18

    Genesis CTO谈分子基础模型与AI制药

    我们的CTO @edunov 做客 @AI_in_the_AM,与 @labenz 和 @8teAPi 一起讨论了分子基础模型、基于物理的模拟、湿实验数据、智能体工作流以及制药合作,以及它们如何共同服务于AI药物发现这一复杂任务。 他们还谈到了Anthropic的蛋白质结合剂设计报告、为什么亚埃级精度很重要,以及为什么生物学是AI研究中最令人兴奋的前沿领域。 观看链接:https://www.youtube.com/watch?v=JHglTBoaGTk