Baker Lab 发布 RFdiffusion2：以提示直接生成高效酶
Baker Lab 报告开发 RFdiffusion2，可直接以活性位点原子排布为输入生成酶，无需实验室优化即具备催化活性。在 Nature Methods 研究的计算基准中，该模型解决 41 项酶设计挑战中的 41 项，此前最佳工具为 16 项。
推荐理由：RFdiffusion2 以活性位点结构为输入直接生成酶，并在计算基准中解决全部 41 项设计挑战，为酶设计提供了新的可复用工具。
全部 AI 制药动态
Baker Lab · IPD (蛋白质设计研究所)精选AI 评分8888
Nabla Bio精选AI 评分6565 Nabla Bio 发布 JAM-2 抗体设计模型，称可从计算机直接生成成药级抗体
Nabla Bio 发布 JAM-2，称其为首个能从计算机直接生成成药级抗体的 AI 模型。公司称在 26 个靶点中有一半在每靶点测试少于 45 个设计的情况下获得皮摩尔至个位数纳摩尔级结合剂，直接针对细胞表面 GPCR 的结合剂成功率最高达 11%，超过 50% 的设计在零优化下通过核心行业可开发性标准，并称已与多家大型药企合作部署 JAM-2。上述结果来自公司自述与白皮书，尚未见独立验证。
推荐理由：Nabla Bio 公布 JAM-2 在 26 个靶点上的抗体设计成功率与可开发性数据，可供对照评估从头抗体设计的能力边界。
Jeff Ruffolo精选AI 评分6767 Profluent 发布蛋白质序列编码器模型 Profluent-E1
Profluent 公开其内部蛋白质序列编码器模型 Profluent-E1，称 E1 系列可作为现有蛋白质建模与设计工作流的直接替换组件以升级流程。作者同时给出 bioRxiv 预印本链接（10.1101/2025.11.12.688125v1），推文未披露具体评测结果与权重开放情况。
推荐理由：Profluent 公开其内部蛋白质序列编码器 E1，并给出可替换现有建模与设计流程的定位，便于对照其预印本方法。
OpenFold精选AI 评分5858 NVIDIA 发布 OpenFold3 技术博客，介绍 OpenFold3 NIM 复合物结构预测模型
OpenFold3 团队转发 NVIDIA 关于 OpenFold3 的技术博客，并指向 NVIDIA 推出的 OpenFold3 NIM。据 NVIDIA 介绍，该模型可用于预测蛋白质、核酸与配体的复合物结构，定位为生产可用模型，博客链接为 https://nvda.ws/3JxauqA。
推荐理由：OpenFold3 以 NIM 形式提供蛋白、核酸与配体复合物预测，可了解其生产化部署形态。
Baker Lab · IPD (蛋白质设计研究所)精选AI 评分8686 Baker Lab在Nature发表RFantibody：用RFdiffusion从头设计全长抗体
Baker Lab团队在Nature发表研究，用基于RFdiffusion训练的RFantibody模型在计算机上从头设计含重链和轻链的完整抗体可变区，无需动物免疫或大规模筛选。针对艰难梭菌毒素等靶点，设计抗体达到中纳摩尔级结合亲和力，转为全长IgG后保留效力；电镜解析的5个设计抗体中有4个与计算预测结构一致。RFantibody代码已在GitHub开放，供学术、个人和商业使用。
推荐理由：研究展示RFdiffusion设计全长抗体可变区并经电镜验证，为从头抗体设计的可行性提供参照。
奥泊生科AI 评分2828 诺奖得主领衔，奥泊生科聚焦蛋白质设计与生物制造
奥泊生科2025年在武汉创立，由诺贝尔化学奖得主迈克·莱维特与马剑鹏等联合领衔，并在武汉产业创新发展研究院支持下成立AI蛋白质设计研究所、于光谷建设AI蛋白质设计改造产研中心。公司称其干湿结合蛋白质设计及结构解析技术可服务药物靶点发现、抗体改造、工业酶设计与创新药物研发，借助AI可在几周内计算筛选大量样本，而传统实验筛选耗时长达数年。
A-Alpha Bio 官网资讯AI 评分2626 A-Alpha Bio 在 PEGS 2025 展示海报：通过平台整合快速工程化双特异性抗体
A-Alpha Bio 在 2025 年 Protein & Antibody Engineering Summit（PEGS）展示海报，主题为通过平台整合快速工程化双特异性抗体。原文仅提供海报展示信息与打开链接，未披露具体方法、实验数据或结果。
A-Alpha Bio 官网资讯AI 评分4242 A-Alpha Bio 海报：用结构域特异性深度学习亲和力预测模型 AlphaBind 加速抗体优化
A-Alpha Bio 在 2025 Festival of Biologics 会议展示海报，介绍结构域特异性深度学习亲和力预测模型 AlphaBind 用于加速抗体优化。原文仅提供海报入口，未披露模型性能数据或实验结果。
A-Alpha Bio精选AI 评分6565 A-Alpha Bio 发布 AlphaBind 抗体优化模型预印本
A-Alpha Bio 发布 AlphaBind 预印本，称其为业界领先的抗体优化模型，并已测定第 10 亿次蛋白-蛋白相互作用，为预测蛋白结合提供关键训练数据。预印本链接指向 bioRxiv，具体评测结果与对照设置未在推文中披露。
推荐理由：A-Alpha Bio 公开 AlphaBind 预印本，并称已累计测定十亿次蛋白-蛋白相互作用，为抗体优化模型提供训练数据。
A-Alpha Bio 官网资讯AI 评分7878 A-Alpha Bio 发布 AlphaBind 抗体优化模型并公开预训练权重
A-Alpha Bio 发布 AlphaBind 抗体优化模型，基于约 750 万条抗体-抗原结合数据预训练，在四个抗体-抗原体系中仅用一轮实验室数据生成数千个高亲和力变体。BLI 验证的 10 个候选（最多 11 个突变）全部表达且结合力优于亲本抗体；模型以 MIT 许可开源，代码与微调数据已公开。公司称该模型已用于管线与合作的抗体发现，并计划推出 AlphaBind2。
AntiverseAI 评分2222 Antiverse推出AI抗体设计平台
↓ 如何为具有挑战性的靶点发现抗体 ↓ 我们开发了一个AI驱动的抗体设计平台，用于GPCR及其他具有挑战性的靶点。通过这些简短的图文面板了解更多关于我们技术工作原理的信息。 #人工智能 #生物制品 #科技生物
Bruno CorreiaAI 评分4242 蛋白质设计愈发奇特且更具功能
蛋白质设计越来越奇特……也越来越有功能了！这些设计非常奇特！ https://www.biorxiv.org/content/10.1101/2024.05.07.592871v1 与 @karla_mcastro @_JosephWatson @jueseph @UWproteindesign 的有趣合作
Bruno CorreiaAI 评分2222 深度学习赋能蛋白质设计综述
干得漂亮，伙计们！！！！ 引用推文核心内容：我们非常激动地分享，我们的综述论文《深度学习赋能蛋白质设计的新时代》现已上线！https://doi.org/10.1016/j.cels.2023.10.006 与 @rneschneuing @igashov @CasperGoverde @mmbronstein @befcorreia 的出色团队合作
Bruno Correia精选AI 评分6060 研究用蛋白质设计构建化学响应带通滤波器受体
Bruno Correia 转发介绍与 Sailan Shui 合作的蛋白质设计项目，相关成果发表于 Nature Chemical Biology，通过设计受体在细胞中实现多种带通滤波行为。作者本人仅表示在细胞中工程化非平凡行为很有乐趣，未披露具体性能数据。
推荐理由：该工作用蛋白质设计构建化学响应带通滤波器受体，为细胞行为工程提供可参考的设计思路。
Bruno CorreiaAI 评分2222 AlphaFold2蛋白四级结构解析方法
太美了，也太重要了……真是百看不厌！ ⚛️蛋白质结构是阐明细胞过程分子细节的关键。#AlphaFold2 等工具揭示了数百万个三级结构，但这些蛋白质的四级结构在很大程度上仍是个谜。以下是如何弥合这一差距。线程👇 https://www.biorxiv.org/content/10.1101/2023.06.09.544317v1
A-Alpha Bio 官网资讯精选AI 评分6565 A-Alpha Bio 用 AlphaSeq 大规模表征抗体对 SARS-CoV-2 变异株的亲和力
A-Alpha Bio 发布预印本，用 AlphaSeq 技术对 33 种单克隆抗体与数千个 SARS-CoV-2 变异株进行结合测试，在抗体与 RBD 刺突蛋白变异体之间识别出超过 15 万对蛋白质-蛋白质相互作用。作者指出，许多抗体药物正针对 RBD 刺突开发，意外突变可能使病毒逃逸抗体治疗。
推荐理由：A-Alpha Bio 用 AlphaSeq 大规模筛查 33 种抗体与数千个变异株的结合，为变异逃逸评估提供高通量方法参照。