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。
针对阿尔茨海默病、ALS等神经退行性疾病，现有7项AI蛋白质设计研究覆盖金属蛋白酶降解Aβ与TDP43、靶向FUS/Amylin/Aβ/Tau/TDP43的binder设计及病理修饰检测，多数由David Baker团队完成。金属蛋白酶研究仅完成体外实验，细胞与动物验证仍是挑战；靶向无序蛋白的binder设计曾尝试polyQ但失败。整体研究数量不多，尚无AI设计蛋白药物进入AD治疗。
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 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。
Molence 报告其计算设计的 VHH 以 VHH-Fc 融合形式结合表达 CXCR6 的细胞，EC50 为 39 nM。在 cAMP 实验中，30 nM CXCL16 使响应降至仅含 forskolin 对照的 70.6%，加入 167 nM 该 VHH 后恢复至 92.6%，作者据此认为该结合剂拮抗 CXCL16 诱导的 CXCR6 信号。
推荐理由：该设计通过细胞结合与 cAMP 回复实验，给出计算设计 VHH 拮抗 CXCR6 信号的具体证据。
Molence报告其设计的VHH可识别两种非直系同源细胞因子，二者无空位序列一致性为54%。30个设计以VHH-Fc融合形式测试，其中5个同时结合两种抗原，同一设计集对细胞因子A和B分别得到11个和7个命中。作者称双抗原识别可作为设计流程中的明确目标。
推荐理由：作者以双抗原识别为明确设计目标，报告30个设计中5个同时结合两种细胞因子的实验结果。
Molence 对 30 个设计的 VHH-Fc 候选在 13 个靶点上做了四项生物物理筛选，23 个候选至少满足四项标准中的三项。分项通过率为 HIC 疏水性 80.0%、DSF 热稳定性 80.0%（Tm1 > 60°C）、AC-SINS 自相互作用 83.3%、BVP 非特异性结合 70.0%，13 个靶点中有 12 个至少有一个候选满足三项及以上标准。作者称这些结果可用于挑选进入后续开发的分子。
推荐理由：30 个 VHH-Fc 候选在 13 个靶点上的四项生物物理筛选通过率，为设计分子的可开发性筛选提供参照。
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 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。
Molence 报告其从头设计的 BCMA 结合剂在零样本条件下取得 43 pM 的 SPR 亲和力。30 个设计中 12 个为结合命中，两个候选以 VHH-Fc 融合形式测得 SPR KD 分别为 43 pM 和 1.1 nM。两者结合细胞表面 BCMA 的 EC50 为 0.19 和 0.16 nM，同一实验体系中 belantamab 为 4.1 nM。
推荐理由：材料给出从头设计的 BCMA 结合剂从 SPR 亲和力到细胞表面结合的实测数据，并设了 belantamab 对照。
又一届AI蛋白质设计大赛来了！
NVIDIA 在 10 月 28 日的技术报告中提出 BindClaw，一套智能体辅助的蛋白结合剂设计流程，可从生物学目标或论文出发识别靶点与结合位点、建立抑制或降解等五类机制相关计算测定，再调用 RFD4-Proteina、Proteina-Complexa 等后端生成并迭代候选物。
推荐理由：NVIDIA 技术报告把机制相关计算测定嵌入蛋白结合剂设计流程，并给出钙调蛋白状态选择性的湿实验数据。
NVIDIA 于 2026-10-28 发布 BindClaw 技术报告，把抑制剂、降解剂、稳定剂、状态选择性、受体激动五类功能要求写成冻结评分的计算 assay，让智能体在固定评分标准下迭代蛋白设计。
推荐理由：报告把功能要求固化为可执行计算对照，并用钙调蛋白湿实验检验状态选择性设计。
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。
华中农业大学、湖北洪山实验室与武汉华美生物技术有限公司团队在 Nature Communications 发表 AbOptimizer，把抗体优化组织为序列编辑任务，由抗体语言模型生成候选、性质预测器反馈、强化学习调整编辑策略。
推荐理由：论文用语言模型加强化学习做抗体多位置序列编辑，并给出三种治疗性抗体的体外结合数据，可供比较计算优化与实测的差距。
Brian Hie 团队报告 Evo 2 在少量同功能序列提示下可生成功能相似的新序列，作者称这是一种生成式上下文学习（ICL），且为训练时未预料到的涌现现象。
推荐理由：作者报告 Evo 2 在少量同功能序列提示下生成相似功能序列，并延伸到调控元件与蛋白设计任务。
Brian Hie 提出，数据高效条件化使合成提示可随模型自身生成结果动态更新，并可在计算打分甚至实验室在环测试后进行。他以噬菌体基因组设计给出概念验证，将这一过程称为基因组思维链（genomic chain of thought）。
晓鹜®平台发布de novo工具系列教程第一篇，以PD-L1为靶点演示在智能体中完成靶点调研、结构准备、VHH设计与结果筛选全流程。平台提供RFantibody和mBER两条VHH设计路线，可自动生成并运行PyMOL脚本，并调用AF2-multimer计算ipTM、pLDDT与界面pAE。
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。
约翰斯·霍普金斯大学牵头获ARPA-H最高5210万美元、为期4年的资助，将构建AI模型解码内在无序蛋白在帕金森病、尤文肉瘤等疾病中的错误折叠与动态构象，项目名为DETR，由Xiaobo Mao领导，21名研究人员来自美欧12家机构。
推荐理由：梳理ARPA-H资助的蛋白质动态构象项目，区分结构预测、机制确认与临床转化三层证据。
作者记录了用华盛顿大学 IPD 与 NVIDIA 的 RFD4-Proteina 流匹配模型搭建 TfR1 靶向 VHH 从头设计流水线的完整流程，保留框架区、从头设计三个 CDR，批量生成 500 条设计并按 pLDDT、界面接触数、表位距离、CDR 组氨酸数等加权筛出 Top 20。
推荐理由：完整记录了用 RFD4-Proteina 搭建 TfR1 纳米抗体设计流水线的步骤与踩坑，可作为迁移到其他靶标的操作参照。
前字节跳动Protenix核心成员创立的Molence Bio于10月28日发布开源生物分子基础模型Mol-1，公开39页技术报告，代码以Apache 2.0开放、基础版权重可下载，约束版权重未同样开放。
推荐理由：报道梳理了Mol-1的结构预测与VHH设计数据，并逐项标注队列不匹配与早期checkpoint等证据边界。
文章解释 Atom14 与 Atom37 两种将蛋白质原子坐标压入固定张量的布局，并比较 RFdiffusion3、BoltzGen 和 La-Proteina 在序列未知的从头设计中如何处理原子槽位。RFdiffusion3 为每个残基保留 14 个点，用虚拟原子填充未用槽位并统一去噪，序列随后由 ProteinMPNN 或 LigandMPNN 设计。
侯廷军团队推出可控生成框架PartiDesign，将结构与序列或化学身份在同一次Flow Matching生成中协同，覆盖蛋白、DNA、RNA和小分子。在ProtDBench普通MPNN单序列协议下，其估算合格候选产出约为RFD3的4.9倍，加入α螺旋引导后约7.6倍；AME原子级催化基序骨架搭建中常规与α引导配置分别约为RFD3的8.6倍和12倍。
推荐理由：介绍统一生成框架在蛋白与环肽设计上的产出效率，并给出与RFD3、BoltzGen的基准对比及计算筛选边界。
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。
一个模型，能从酶的序列、催化残基、底物和辅因子生成其反应机制。 @arianemora_
EPFL Bruno Correia 团队等人在 bioRxiv 发布论文，报道计算设计的光控蛋白开关系统 SPARC，将视黄醛结合、光诱导构象变化与短肽识别整合到同一蛋白中。
推荐理由：该预印本展示如何把视黄醛异构化的几何变化转化为可设计的蛋白构象开关，并给出多状态序列设计流程。
David Baker 团队 2026 年已发表 5 篇膜蛋白相关 AI 研究成果，涵盖从头设计、膜蛋白制备与结构机制研究。
推荐理由：梳理 Baker 团队今年 5 项膜蛋白 AI 设计工作，重点呈现 GPCR 迷你蛋白设计与 WRAP 增溶两条技术路线。
文章比较了 RFD4-Proteina、BoltzGen、PPIFlow、OpenDDE-Harness 与备选的 PartiDesign 五套抗体设计工具，指出它们并非简单性能排名，而是生成机制与后处理路径各不相同。
作者拆解 RFD4-Proteina，指出该模型用一套 32 维隐变量把蛋白、核酸、磷酸化等六种语境纳入设计，使偶联位点和糖基化从设计第一步就被考虑。以 HER2 纳米抗体为例，模型可直接以靶点结构为背景、指定热点生成结合骨架，并预留非天然氨基酸位点供后续偶联。作者提到官方湿实验数据显示亲和力达皮摩尔级，但强调这些数字来自开发方、尚无独立复现，且测试基于蛋白-蛋白基准，用于纳米抗体仍需重新测试。
推荐理由：作者拆解 RFD4-Proteina 的多语境隐变量设计思路，并指出其湿实验数据尚未独立复现。
作者逐行核对 Mol-1 发布宣传中的四项数字，发现 FoldBench-AB 75.0%、VHH 命中率 63%、SPR 亲和力 KD 43 pM 及单张 H20 跑 60k token 在公开仓库 molence/Mol-1 中均无对应数据，IsoDDE 75.58% 的对比出处标注为 Coming soon。
推荐理由：作者逐条核对 Mol-1 宣传数字与开源仓库，指出基准对比和湿实验数据均无法在代码中复现。
Divergence Labs 与 Anthropic 合作，借助 Claude 构思出一种双臂抗体机制，用于把 IgE 从肥大细胞表面的 FcεRI 上主动拉离，以应对影响全球超过 2 亿人的食物过敏。团队称在一个月内设计、合成了这两个臂，并实验验证了它们的生物物理功能，目前正将其组装成完整的治疗格式。该工作尚处早期，文中未披露具体靶点数据、亲和力数值或体内结果。
推荐理由：Divergence Labs 借 Claude 构思出双表位抗体机制，并在一个月内完成两个臂的合成与生物物理功能验证，为抗体早期发现提供了人机协作的实例。
Generate:Biomedicines 与 Anthropic 合作，六名科学家用 Claude 结合自有模型、计算工具和湿实验数据，重构用于实体瘤的 CAR-T 受体。重新设计的信号组件比标准设计缩短约 70%，为新增功能留出空间，并在实验室测试中提升了对癌细胞的杀伤。相关结果以预印本形式发布，公司称该流程把数年工作压缩到数月、成本仅为原方案的一小部分。
推荐理由：Generate:Biomedicines 与 Anthropic 合作重构 CAR-T 胞内信号域，展示大模型参与蛋白设计的可迁移流程。
Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上取得 75.0%，接近其引用的 IsoDDE 报告的 75.58%。该模型可在单张 H20 上完成 6 万 token 的组装，公司称其在 10 项对比中 8 项优于 Anthropic；VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。代码已在 GitHub 开放，并提供在线试用入口。
推荐理由：Molence 发布开源生物分子模型 Mol-1，并给出结构基准、长序列组装与 VHH 结合筛选的对比数据。
2026年10月，Pythia Labs发布论文《Design of full-length agonist and antagonist antibodies for hard targets》。
推荐理由：报道介绍Pythia-1在22个难靶点上单轮设计全长IgG，并给出GPCR激动与拮抗的功能验证结果。
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。
IPD与NVIDIA于10月公开RFD4-Proteina的代码与模型权重，模型把序列与结构放进同一生成过程，并提供候选搜索与评估入口，核心许可为BSD 3-Clause。
推荐理由：结合开源入口、计算基准口径与两组湿实验，给出团队自评该蛋白设计模型是否值得采用的判断框架。