David Baker 团队预印本提出从头设计控制 N-连接糖链组成
David Baker、Neil King 等人在 bioRxiv 发布预印本，提出通过从头蛋白质设计在糖链周围构建结构遮挡、限制加工酶接近，从而控制 N-连接糖链组成。
推荐理由：解读 Baker 团队预印本如何用结构遮挡控制糖型，并给出从约1%到约47%的筛选改进路径。
全部 AI 制药动态
BioAICraft精选AI 评分7373 AI-Protein DesignAI 评分8282 Baker团队在bioRxiv报告从头设计可编程N-糖基化蛋白
David Baker与Neil P. King团队在bioRxiv发布预印本，提出通过从头蛋白质设计编程N-糖基化位点与聚糖组成。流程整合RFdiffusionAA、LigandMPNN、RF3/AF3与ΔRASA空间包埋指标，使高甘露糖型糖蛋白设计成功率从第一代的1.0%（1/97）提升至46.5%（20/51）。
Google DeepMind / Isomorphic精选AI 评分5858 Google DeepMind 发布 Gemini 4 Argon，并展示其在酶设计与科研任务上的应用
Google DeepMind 发布 Gemini 4 Argon，通过 API、AI Studio、Gemini 平台及 Antigravity 等入口向开发者、企业和科研人员开放，输入定价为每百万 token 2 美元、输出为每百万 token 10 美元。
推荐理由：Gemini 4 Argon 在数小时内完成丝氨酸酯酶设计，并经实验室测试确认催化活性，为通用模型参与酶工程提供了具体案例。
AI蛋白质AI 评分1010 Prompteina：用自然语言从头设计蛋白质结构与序列的预印本模型
华盛顿大学等团队提出Prompteina，以自然语言为统一接口联合生成蛋白质全原子结构与序列，在18项结构控制任务中15项领先，CATH折叠类别准确率96.0%。
Adaptyv Bio精选AI 评分5858 Anthropic × Adaptyv 蛋白质设计竞赛第三题开放：设计激活 GLP1R 的蛋白
Anthropic × Adaptyv 蛋白质设计竞赛第三题开放，要求参赛者设计能激活 GLP1R 的蛋白质。GLP1R 是司美格鲁肽（Ozempic、Wegovy）和替尔泊肽在 2 型糖尿病与肥胖中作用的受体。
DrugAIAI 评分7474 英灵殿科技等提出 CODesign：全原子蛋白质 binder 序列–结构协同设计模型
英灵殿科技联合香港中文大学、华盛顿大学等提出全原子蛋白质 binder 协同设计模型 CODesign，通过一致性蒸馏构建约 10.5 万对二聚体样本 Codimer，并用多模态联合流匹配与一致性感知联合重采样（CAR）保持序列与结构一致。
DrugAI精选AI 评分7373 Science Advances：高通量筛选结合AlphaFold 3结构优选发现多目标VHH纳米抗体
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。
英灵殿科技Valhalla精选AI 评分7474 英灵殿科技等提出CODesign：让蛋白质序列与结构在全原子binder设计中保持一致
英灵殿科技联合香港中文大学、华盛顿大学等提出全原子蛋白质binder协同设计模型CODesign，通过一致性蒸馏构建约105,000对二聚体数据Codimer，并用多模态联合流匹配与一致性感知联合重采样（CAR）保持序列与结构一致。
推荐理由：作者团队提出以一致性为核心的蛋白binder协同设计方法，并用消融实验拆解数据与采样环节各自的贡献。
Adaptyv Bio精选AI 评分5858 Adaptyv Bio 在 Proteinbase 公开 Google DeepMind SynthID Bio 蛋白水印实验结果
Adaptyv Bio 宣布，Google DeepMind 的 SynthID Bio 模型相关全部实验结果已在 Proteinbase 上线。据其引用的说明，SynthID Bio 是把水印写入 AI 设计蛋白质氨基酸序列的方法，Adaptyv Bio 在其实验室对这些蛋白质做了验证，实验数据现可在 Proteinbase 查看。
推荐理由：Google DeepMind 的 SynthID Bio 蛋白水印序列已由 Adaptyv Bio 完成实验验证，结果公开在 Proteinbase。
DrugAI精选AI 评分7474 Baker团队在Nature Communications发表SAPP与DMX流程，以规模化实验表征加速蛋白设计
Baker团队在Nature Communications发表方法学工作，用SAPP和DMX两套流程把蛋白设计的实验表征规模化：SAPP将从基因片段到SEC纯化与标准化表征压缩到约48小时、每天可处理数百个设计，DMX用组合条形码和Nanopore长读长测序把廉价oligo pool转为数千个序列验证后的阵列化克隆。
推荐理由：该工作把蛋白设计的实验表征推到每天数百个设计，并展示寡聚几何等变量如何影响功能。
BioAICraft精选AI 评分7171 KAIST 团队发布 SoupFold：融合 AlphaFold3 等四模型表征提升复合物结构预测
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。
Rohith KrishnaAI 评分7272 KingLab 发布预印本：用全原子方法设计糖基化从头蛋白
KingLab 在 bioRxiv 发布预印本，报告多种结构编码的寡甘露糖型糖蛋白，提出糖基化可作为从头蛋白设计的可设计参数。作者 Rohith Krishna 转发该预印本并指出，多数蛋白设计只使用 20 种氨基酸，而糖基化等翻译后修饰在生物功能中必不可少。预印本链接为 https://bit.ly/4s2qK4M。
ClickMab 科迈生物AI 评分2525 Click.mAb. 多智能体 AI 抗体设计平台：AI 参与抗体设计会碰撞出怎样的新可能？
ClickMab 科迈生物打造 Click.mAb. 多智能体 AI 抗体设计平台，让多个 AI Agent 协同完成靶点研究、抗体结构分析到特定表位抗体从头设计。用户只需提出研究目标，平台即可规划任务、调用工具并执行分析，一键实现特定表位抗体从头设计。
英灵殿科技Valhalla精选AI 评分7373 英灵殿科技提出 OFAntibody：单抗与双抗联合生成的全原子抗体设计框架
英灵殿科技团队提出 OFAntibody，一个以抗原结构、指定表位和预定义抗体框架或双抗构型为输入、生成 CDR 全原子结构的统一框架，支持纳米抗体单抗及 tandem VHH、diabody、CODV-like 等双抗构型的联合设计。
推荐理由：该研究把双抗两个结合臂与连接区放在同一全原子框架中联合生成，并给出与独立拼接的碰撞对比。
LeapFun精选AI 评分7474 诺和诺德等团队发布Proton-PottsMPNN，将质子化状态写入AI蛋白设计
丹麦技术大学、MIT与诺和诺德团队在bioRxiv发表预印本，提出Proton-PottsMPNN，通过显式设计氨基酸质子化状态生成酸性条件下结合PD-L1的候选蛋白。
推荐理由：该预印本把可滴定残基的质子化状态纳入序列设计目标，为条件响应型结合剂设计提供了可复用的建模思路。
AI蛋白质精选AI 评分8585 DeepMind发布AlphaProtein Novo：从头设计酶在哌啶合成与DEHP降解中超越自然序列挖掘
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。
途深智合精选AI 评分6363 途深智合ToursynClaw完成CLDN18.2第二轮DBTL迭代，Hit Rate从3.4%升至16.0%
途深智合公布ToursynClaw在CLDN18.2抗体项目中完成第二轮DBTL迭代，25个候选抗体中形成4个优选Hit，Hit Rate由第一轮的3.4%（1/29）提升至16.0%（4/25），相对提升约364%。
推荐理由：两轮DBTL迭代的命中率与亲和力数据，为评估实验数据回流能否改善抗体设计提供具体参照。
Corin WagenAI 评分4242 LLM 逆折叠能力引热议
Ishaan 在这里做了很酷的工作。这似乎是一个有趣的“临界能力”案例：零样本逆折叠（IF）并不真正奏效，但给出几个示例（以及一些迭代）后，模型就具备了不容小觑的能力。 很期待看到这一方向如何发展。把 LLM 整合进蛋白质设计流程的想法有些奇怪，但也许目前（或不久的将来）相当合理？
Rohith KrishnaAI 评分7878 AlphaProtein Novo 发布从头酶设计流程，结合原子扩散与序列扩散
Google DeepMind 与 Frances Arnold 团队合作推出从头酶设计流程 AlphaProtein Novo（AP Novo），将原子扩散与离散序列扩散结合用于生成酶。引用内容称，该流程在两个基准反应上取得新骨架（novel-scaffold）活性方面的 SoTA，并设计出用于合成药物基元哌啶和降解环境毒素 DEHP 的酶。相关预印本与代码已发布在 bioRxiv 和 GitHub；转发者评价酶设计仍处早期。
Pranam Chatterjee精选AI 评分7171 PepRePs：用pLM生成肽引导重定向磷酸酶实现可编程去磷酸化
Pranam Chatterjee团队提出PepRePs（peptide-retargeted phosphatases），即用肽引导重定向磷酸酶，目标是实现对任意靶点的可编程去磷酸化。该工作延续其用蛋白语言模型生成肽引导E3（uAbs）和DUB（duAbs）的思路，相关预印本已发布于bioRxiv。
推荐理由：作者团队把肽引导策略从E3、DUB扩展到磷酸酶，为可编程去磷酸化提供了一条新的设计思路。
Kevin K. YangAI 评分5858 Kevin K. Yang 提出结合化学知识、生成建模与结构预测的酶设计流程
Kevin K. Yang 提出将化学知识、生成建模与结构预测组合成一条流程，用于为新自然界化学反应设计酶。推文未披露该流程的具体方法、实验验证或性能数据。
Amir ShanehsazzadehAI 评分6060 Anthropic 与 Adaptyv 蛋白设计竞赛第二题锁定 TNF-α 结合剂
Anthropic 与 Adaptyv 蛋白设计竞赛公布第二道挑战，目标是为 TNF-α 设计更优结合剂，并要求其在细胞内体 pH 6.0 条件下选择性释放以改善药物半衰期。该设计还需同时结合人源和小鼠 TNF-α，以便在临床前模型中测试同一设计；Amir Shanehsazzadeh 转发称该靶点本身对结合剂设计就很难，pH 要求进一步加大难度。
Adaptyv Bio精选AI 评分5858 Adaptyv Bio 与 Anthropic 蛋白设计竞赛第二期：设计 pH 6.0 选择性释放的 TNF-α 结合剂
Adaptyv Bio 宣布 Anthropic x Adaptyv 蛋白设计竞赛第二期，目标是设计优于现有药物的 TNF-α 结合剂，并能在细胞内体 pH 6.0 条件下选择性释放以改善药物半衰期。设计要求还包括同时结合人源和小鼠 TNF-α，以便在临床前模型中测试同一设计。
推荐理由：比赛把 TNF-α 结合剂设计放到 pH 6.0 选择性释放和跨人鼠结合的双重约束下，可观察设计如何兼顾亲和力与可开发性。
Justas Dauparas精选AI 评分7272 Xaira 发布 X-Design，针对真实治疗靶点从头设计抗体
Xaira 的 Justas Dauparas 介绍团队开发的 X-Design，称其能针对真实治疗靶点生成抗体，其中一个靶点此前难以用常规发现方法攻克。相关细节见 Xaira 官网新闻页，推文未披露具体靶点、实验数据或验证结果。
推荐理由：Xaira 员工披露 X-Design 针对真实治疗靶点生成抗体，其中一个靶点此前难以用常规方法发现。
Adaptyv BioAI 评分2222 Adaptyv蛋白设计竞赛EGFR挑战赛剩两天
Adaptyv Bio蛋白质设计竞赛第一项挑战赛距截止还有两天，提交截止时间为10月6日（周二）。该挑战要求设计能在肿瘤酸性环境中结合EGFR、而在健康细胞中性pH下不结合，且须同时结合人源与鼠源EGFR变异体以便临床前测试。设计需通过ProteinBase平台提交。
Brian HieAI 评分1818 Evo-Φ36冷冻电镜结构获PDB月度分子
很高兴我们的Evo-Φ36冷冻电镜结构在PDB 55周年的“月度分子”文章中获重点介绍！ 获得这个结构是@_David_Li @samuelhking @driscoll_cl @maxewilkinson的出色工作。 https://pdb101.rcsb.org/motm/322
Marinka ZitnikAI 评分5858 Marinka Zitnik 评述 DeepMind 为 AI 生成蛋白质加水印的研究
Marinka Zitnik 评述 Google DeepMind 一项为 AI 生成蛋白质加水印的新工作，称其能在保持蛋白质功能和 AI 设计质量的同时嵌入标记。她提到曾与 Science 讨论追踪生物学中生成式 AI 输出的水印等策略，并称前学生 Zaixi Zhang 在 Nature 上讨论了该工作及团队相关方法 FoldMark。她引用的 Nature 内容指出，这类数字标记可被擦除。
Google DeepMind / Isomorphic精选AI 评分7474 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白与结构嵌入可验证水印
Google DeepMind 推出面向合成生物学的 SynthID Bio 水印方法，可在蛋白序列和 AlphaFold 3 预测的 3D 结构中嵌入可检测签名，并在实验室测试中保持生物功能。
推荐理由：介绍一种嵌入蛋白序列与预测结构的可验证水印方法，并给出湿实验与检测稳健性证据。
DrugIntelAI 评分7676 Baker团队在Nature Communications发表SAPP与DMX流程，以规模化实验表征加速蛋白设计
Baker团队在Nature Communications发表方法学工作，提出SAPP与DMX两套互补流程，把从基因片段到SEC纯化蛋白及标准化表征压缩到约48小时、每天可处理数百个设计。
Amir Shanehsazzadeh精选AI 评分5858 Claude Binder Lane 技能支持用 30 多个工具设计结合剂
Amir Shanehsazzadeh 转发 @JacobMolBio 介绍的 Claude Binder Lane 技能，供 Claude Science 用户按类似 Anthropic 结合剂研究计算部分的工作流设计结合剂。用户可与 Claude Science 共同确定靶点与位点、工具组合（包括是否沿用 Anthropic 公开技术栈或替换其他工具）、各工具运行位置（API、插件、本地或 Modal 等云端算力）、预算、指标与迭代轮次，最终得到结合剂序列和预测结构。该技能可调用 30 多个工具，并纳入 Anthropic 原始结合剂报告之后的进展，如 BindCraft2 以及 Anthropic 近期加速的 ESMFold2 和 Boltz-2 套件。
推荐理由：这条转发介绍了一个可复用的结合剂设计工作流，把靶点选择、工具组合与运行环境串成可配置流程。
Martin Pacesa精选AI 评分5858 Martin Pacesa 介绍 BindCraft2 多靶点与自定义损失实现及运行入口
Martin Pacesa 表示可将 BindCraft2 的多靶点与自定义损失实现用于设计任务，并给出在 AriaX、Tamarind 或 Google Colab 上运行的方式及 GitHub 链接。BindCraft2 由 Erik Mäeots 开发，仓库为 https://github.com/PacesaLab/BindCraft2；BC1 版本的多靶点 notebook 由 Lennart Nickel 和 Paul Kittner 提供。该帖引用了 Adaptyv 的 Anthropic x Adaptyv 蛋白质设计竞赛第一项挑战，要求设计在肿瘤酸性条件下结合 EGFR、在健康细胞正常 pH 下不结合的条件性结合剂，且需同时结合人源与小鼠源 EGFR 以支持临床前测试。
推荐理由：作者给出 BindCraft2 多靶点与自定义损失实现的可运行入口，便于复用条件性结合剂设计流程。
AI蛋白质精选AI 评分7272 药企联盟用2万余条私有蛋白结构数据微调OpenFold3，提升药物结合预测
由艾伯维、BMS、强生等药企组成的AISB Network利用OpenFold3，在五家公司提供的20,167个蛋白质-配体复合结构上微调，私有数据受保护且不公开。
推荐理由：药企联盟用两万余条私有结构微调开源模型，为数据共享能否提升结合预测提供了对照参照。
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。
Martin PacesaAI 评分5555 Martin Pacesa 转发称可用 BindCraft2 在消费级 GPU 上低成本设计结合剂
Martin Pacesa 转发 @btnaughton 的体验称，BindCraft 2 在 vast.ai 等消费级 GPU 上生成轨迹的成本可低至每条 2 美分。该说法来自引用内容，并称 Martin Pacesa 及其合作者对该工具做了大量优化。
临港实验室AI 评分4040 临港实验室联合十余家机构启动“长江杯”2026全球AI蛋白质设计挑战赛
临港实验室等十余家机构共同发起并主办的“长江杯”2026全球AI蛋白质设计挑战赛于9月24日启动，聚焦AI蛋白质从头设计与真实湿实验验证，选手针对不同靶点设计纳米抗体或迷你结合蛋白。大赛奖金总额100万元人民币，计划对不低于5000条设计序列免费开展涵盖表达、纯化、检测的湿实验检测。报名通道9月24日开启、10月31日截止，面向全球高校、科研院所、企业团队及个人开放。
AI4Protein精选AI 评分5858 “长江杯”2026全球AI蛋白质设计挑战赛启动，设100万元奖金与5000条序列湿实验检测
“长江杯”2026全球AI蛋白质设计挑战赛于9月24日启动报名，聚焦AI蛋白质从头设计与真实湿实验验证，选手针对不同靶点设计纳米抗体或迷你结合蛋白。赛事奖金总额100万元人民币，计划对不低于5000条设计序列免费开展涵盖表达、纯化、检测的湿实验，报名10月31日截止。大赛由上海交通大学、上海人工智能实验室、临港实验室等共同发起主办，面向全球高校、科研院所、企业团队及个人开放。
推荐理由：赛事把纳米抗体与迷你结合蛋白设计同5000条序列的免费湿实验检测绑定，呈现AI蛋白设计的验证路径。
EMBL-EBI News精选AI 评分6868 AlphaFold 数据库新增病毒蛋白复合物预测，覆盖 2800 多种病毒
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。
英灵殿科技Valhalla精选AI 评分7070 英灵殿科技提出 OFoldNA：将二级结构信息融入全原子扩散模型，统一核酸折叠与蛋白–核酸共折叠
英灵殿科技团队提出 OFoldNA，将二级结构信息编码为已知配对、已知非配对和未知三种状态注入全原子扩散模型，统一支持核酸单体折叠与蛋白–核酸共折叠。
推荐理由：团队把二级结构编码进全原子扩散模型，并在 FoldBench 上与 AlphaFold 3 等基线逐项对比，可看核酸结构建模的评测细节。
AI蛋白质精选AI 评分6262 Broad研究所刘如谦团队在Nature发表AI重设计起点增强蛋白进化的研究
Broad研究所刘如谦团队在Nature发表研究，提出以AI重新设计的更稳定蛋白作为定向进化起点，可进化出活性、特异性和稳定性更优的蛋白。研究以肉毒神经毒素蛋白酶为对象，先用AI设计更稳定的版本，再通过功能进化使其切割包括神经退行性疾病相关蛋白ataxin-2在内的多种靶标，所得蛋白在稳定性和针对该功能的特异性上优于从天然蛋白酶出发的进化结果。
推荐理由：该研究把 AI 设计的稳定蛋白作为定向进化起点，与天然起点直接比较，为酶工程提供可迁移思路。
DrugIntel精选AI 评分6969 Apple 与 Mila 提出 SimpleDesign：单个 Transformer 联合生成蛋白序列与三维结构
Apple 与 Mila 等机构提出 SimpleDesign，在同一个 Transformer 中联合生成蛋白序列与三维结构，不依赖结构 tokenizer，也不使用 SE(3) 等变网络。
推荐理由：论文用消融说明去掉结构 tokenizer 后联合生成仍有竞争力，同时保留与几何模型的差距。