#抗体工程

Nat Commun：LAffAb用Rosetta能量函数协同优化抗体亲和力与稳定性

《Nature Communications》发表LAffAb，一种从抗体-抗原复合物晶体结构出发、用Rosetta全原子能量与结构约束做CDR突变容忍度映射并组合多点突变文库的非迭代抗体设计策略。

阿斯利康同一日2篇｜抗体亲和力优化，哪些位点被低估了？

阿斯利康团队分析同一克隆家族的211个抗ST2抗体，按实测亲和力分组后找出高亲和力抗体中更常见的突变，将M33I与L100I引入亲本ST2_146后KD由10.5 nM降至3.17 nM，再加K37R降至1.03 nM。

Gilead团队在Nature报道工程化TYK2依赖实现髓系选择性IL-10受体激动

美国吉利德科学公司的Tangsheng Yi、Chen Chen与Chingwei V. Lee团队在Nature发表研究，发现髓系细胞与T细胞对IL-10信号的TYK2依赖程度不同，并据此设计出四价纳米抗体构成的髓系选择性IL-10受体激动剂。

FoldAbS：将蛋白折叠模型改造为抗体筛选的基础编码器

bioRxiv 预印本提出 FoldAbS，将蛋白折叠模型改造为用于抗体筛选的基础编码器。原文链接：https://www.biorxiv.org/content/10.64898/2026.11.03.763899v1.full.pdf

Mol-1全流程教程与实测：四类复合物结构预测及有无MSA对比

作者在Linux加RTX 4080S环境部署Molence Bio开源的Mol-1全原子结构预测模型，对蛋白-蛋白、抗体-抗原、纳米抗体和蛋白-小分子四类体系各做有/无MSA预测，共生成24个结构。

Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测

Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。

伊米诺康全人源兔平台落地：为AI抗体设计建起跨物种「数据生产线」

伊米诺康宣布其跨物种抗体动物工程平台在兔底盘取得关键突破，通过一步原位替换技术在兔内源免疫球蛋白基因座完成Mb级别人源基因元件的定点替换，完整保留目标基因座结构与功能调控元件。

《Nature》报道GTAC双特异性抗体经TfR1诱导内吞降解7种GPCR

《Nature》2026年9月30日刊发研究，提出GPCR–TfR1靶向嵌合体GTAC，通过双特异性抗体把目标GPCR拉近组成型内化的TfR1，强制其进入内吞与溶酶体降解途径。

牛津大学发布SAbDab2结构抗体数据库，含超2.2万个抗体实例

牛津大学团队推出面向机器学习时代的SAbDab2结构抗体数据库，截至2026年10月9日收录来自11,660个PDB编号的22,543个抗体实例，归为6,945个唯一SAbDab2编号。

用RFdiffusion从零设计靶向KRAS G12D pMHC的纳米抗体：Challenge 5实战流水线记录

作者记录了Anthropic × Adaptyv蛋白设计大赛Challenge 5的轨道B方案：用RFdiffusion-Ab在h-NbBCII10人源化VHH骨架上生成500条CDR骨架，经ProteinMPNN生成2000条序列，再用RF2打分筛选出20条提交，全部在单块RTX 5080上耗时约68小时。

全原子模型密集涌现，AI 蛋白设计迎来新一轮技术竞赛

BioTender 汇总2026年9—10月收录的19个全原子建模与设计项目，覆盖结构生成、复合物预测、结构编码与设计优化，认为竞赛焦点正从生成结构延伸到控制功能。

长江杯蛋白设计大赛七大靶点通关攻略：EGFR、TNF-α、GLP-1R等赛道规则与打法解析

2026赛季长江杯AI蛋白质设计大赛设EGFR、TNF-α、GLP-1R、TfR1、TL1A、TNFR1、IL-7Rα七条赛道，公开队先按ESMFold2预测加ipSAE打分排序入围，最终名次完全由实测KD决定。计划约7000条序列免费湿实验验证，每赛道约1000条，前50名免费加做成药性与细胞活性检测。EGFR赛道须测pH 6.0亲和力，GLP-1R仅给ECD却要求激动剂，为全场最难。

实测 Mol-1 本地部署与网页使用：纳米抗体能否找准 GFP 结合位点

作者实测 Molence Bio 的 Mol-1 基础版，输入 GFP 与 LaG24 纳米抗体序列预测复合物结构，五个候选的 ipTM 约 0.890、平均 pLDDT 约 89.8，对齐 GFP 后 LaG24 的 Cα RMSD 为 0.97–1.19 Å，天然界面接触恢复 90.2%–91.8%。

用开源结构模型 Mol-1 设计 KRAS G12D pMHC 纳米抗体的实战复盘

作者以开源结构预测模型 Mol-1 对 HLA-A*11:01 呈递的 KRAS G12D 新抗原肽设计 VHH 纳米抗体，从 40 个候选序列中筛出 Top 20，排名第一的 VHH_039 在计算中 VHH-肽接触分数为 0.4855、对野生型仅 0.0526。

Molence 用 Mol-1 早期检查点构建 VHH 设计平台，17 个靶点湿实验命中率 6%–63%

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。

Molence：一轮实验反馈将4-1BB设计功能命中率从7%提升至85%

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。

Molence 的 Mol-1 流程设计 VHH 可激活 4-1BB，EC50 低于 Utomilumab

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。

Molence 计算设计的 VHH 可拮抗 GPCR CXCR6 信号

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。

Molence设计VHH实现单一结合剂识别两种细胞因子

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。

Molence 报告 30 个 VHH-Fc 设计候选在 13 个靶点的生物物理筛选结果

Molence 对 13 个靶点的 30 个 VHH-Fc 设计候选做了四项生物物理筛选，其中 23 个候选至少满足四项标准中的三项。分项结果为 HIC 疏水性通过率 80.0%、DSF 热稳定性中 Tm1 > 60°C 占 80.0%、AC-SINS 自相互作用通过率 83.3%、BVP 非特异性结合通过率 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，作者称这可为后续开发选分子提供依据。

Molence 称 Mol-1 在 Runs N' Poses 八个相似度分箱均领先基线

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%。

Molence 发布 Mol-1-constraint：表位信息提升抗体-抗原复合物预测

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。

Molence 用 Mol-1 早期检查点构建 VHH 设计流程，17 个靶点命中率 6%–63%

Molence 基于 Mol-1 的早期检查点构建了从头 VHH 设计工作流，在 17 个多样化靶点上取得 6% 至 63% 的靶点层面初始命中率。靶点覆盖可溶性蛋白、受体胞外域和 GPCR，包括 BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6 与 CCR5，作者称这是经过实验测试的设计结果。

同一新闻，精选展示《Molence 报告从头设计 BCMA 结合剂：SPR 亲和力达 43 pM》

华中农大等团队在 Nature Communications 发表 AbOptimizer，用序列编辑与强化学习多目标优化抗体

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。

Brian Hie 团队报告 Evo 2 的生成式上下文学习能力

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。

晓鹜®平台de novo工具教程（一）：以PD-L1为例演示VHH设计全流程

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。

BioEmu2 实测：AI 设计抗体能否靠动态模拟提前筛选

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。

基于 RFD4-Proteina 的 TfR1 靶向 VHH 设计全流程

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。

Molence开源生物分子基础模型Mol-1，VHH单靶点结合命中率最高63%

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。

抗体设计5套工具的实际能力比较

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。

RFD4-Proteina 深度拆解：多语境蛋白设计与 HER2 纳米抗体生成

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。

逐行核对 Mol-1 宣传成绩单：75.0%、63% 与 43 pM 在开源仓库中均无出处

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。

Divergence Labs 与 Anthropic 合作，用 Claude 辅助设计食物过敏双表位抗体并完成初步验证

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。

Molence 发布开源生物分子智能模型 Mol-1

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。

Pythia Labs发布Pythia-1，单轮设计22个难靶点的激动与拮抗全长抗体

2026年10月，Pythia Labs发布论文《Design of full-length agonist and antagonist antibodies for hard targets》。

科迈生物 EPIC 论文获 NeurIPS 2026 AI4DD Workshop 接收，联合预测表位、互补位与残基接触

科迈生物的 EPIC 模型从抗体和抗原氨基酸序列出发，联合预测抗原表位、抗体互补位与残基接触，论文获 NeurIPS 2026 AI for Drug Discovery Workshop 接收。

RFD4-Proteina 文档实操解读：从 Binder 生成到 Agent 自动设计蛋白质

作者以使用者视角梳理 Baker Lab 与 NVIDIA 的 RFD4-Proteina 官方文档，按 Quickstart、Cookbook、输入条件、Reward-Guided Search、Metrics 与 Agent Skills 的顺序给出上手路线。

Generate:Biomedicines 高通量冷冻电镜平台

要让生物学可编程，我们需要看见我们所制造的分子，并从中学习。 今天，@annejecrois 将分享我们团队如何构建高通量冷冻电镜平台，以生成用于训练我们抗体设计 AI 模型的结构数据。 她的演讲《CryoEM：从技艺到设计引擎》将于美国东部时间上午 10:55 在马萨诸塞州剑桥市赛诺菲举办的“Celebrating Womenin Structural Biology & Drug Discovery”活动上开始。 查看议程 → https://www.nesba.net/

斯坦福团队在bioRxiv发布ProVADA：引导蛋白适应细胞质并降低HLA-I结合肽

斯坦福大学Xiaojing J. Gao、Wing Hung Wong等团队于10月18日在bioRxiv发布预印本，提出ProVADA框架，用固定的ProteinMPNN生成多位点改造序列、外部评分器评价完整序列，再由MADA种群退火引导搜索。

Latent Labs 发布抗体设计智能体 Latent-Y，称计算流程提速 56 倍

Latent Labs 发布其称为首个经实验室验证的药物设计智能体 Latent-Y，用于自动完成抗体设计中的文献调研、靶点结构分析与结合位点指定等步骤，并配套面向抗体与多肽设计的模型 Latent-X2，通过网页界面供研究者逐步控制。