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。
推荐理由：两篇抗体亲和力优化研究分别从克隆家族统计与结构能量筛选入手，并给出各自失效边界。
#结合亲和力
LeapFun精选AI 评分5858 澪乃ゆい精选AI 评分7676 Pallatom2 全原子生成模型发布：同时生成序列与主侧链原子并指定靶点结合界面
Pallatom2 是一个全原子生成模型，可同时生成氨基酸序列、主链与侧链的原子构型，并能指定与靶点的结合界面。据该帖介绍，实验在210个候选中确认112个具有结合活性，10个靶点均获得结合剂，其中6个靶点经 BLI 测定报告了 pM 量级的结合亲和力（KD）。
推荐理由：介绍全原子生成模型同时生成序列与侧链并指定结合界面，附10个靶点的实验结合数据。
澪乃ゆいAI 评分5858 FoldAbS复用Protenix内部表示，统一预测抗体特异性、亲和力与可开发性
FoldAbS是一种将结构预测模型用于抗体筛选的方法，复用Protenix的内部表示，在统一框架内预测抗体的特异性、结合亲和力和可开发性。作者称该方法在多项基准测试中性能超过现有的结构置信度评分和预测模型，具体来源见回复。推文未披露基准名称、数据集与具体数值。
Molence精选AI 评分7373 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。
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。
MolenceAI 评分5858 Molence公布TNFR2与IL-4Rα表位定向VHH设计的BLI竞争实验结果
Molence针对TNFR2和IL-4Rα的天然配体结合区进行表位定向设计，并在顺序BLI竞争实验中观察到预先结合TNFα或IL-4会降低相应设计VHH的后续结合。该结果支持设计VHH识别预期表位区域，将表位定向的设计目标与实验证据对应起来。
Molence精选AI 评分6060 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%。
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精选AI 评分5858 Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果
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精选AI 评分7676 Molence 报告从头设计 BCMA 结合剂：SPR 亲和力达 43 pM
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。
智药局AI 评分8282 觅深知源开源生物分子基础模型Mol-1，抗体抗原结构预测成功率75.0%比肩IsoDDE
觅深知源（Molence Bio）发布首个生物分子基础模型Mol-1，并开放源代码与基础模型权重。在FoldBench-AB抗体抗原测试集上，Mol-1预测成功率为75.0%，与Isomorphic Labs的IsoDDE技术报告公布的75.6%相当，加入表位约束后Mol-1-constraint提升至88.3%。
BioAIDesignAI 评分5252 UnibindMD用分子动力学复核BindCraft设计的蛋白候选
10月23日发布的bioRxiv预印本提出UnibindMD流程，将BindCraft设计、亲和力预测、成药相关性质评估与分子动力学串接，用于复核蛋白设计候选。
智药邦AI 评分5050 OpenPep AI平台获Google.org 230万美元资助，加速多肽药物发现
多伦多大学Joseph Brown团队正在开发开放获取数据库与配套AI模型OpenPep，用于预测多肽与靶点蛋白的结合能力，项目获Google.org“AI促进科学影响力挑战赛”230万美元资助。
力文所AI 评分4040 Pallatom2：原子级可编程设计新纪元，技术报告即将发布
力文所预告 Pallatom2 技术报告即将发布，该模型延续全原子生成思想，重构模型与框架并显著提升训练数据量、网络深度和可处理的蛋白质尺度，关注 mini-binder 设计更高的实验成功率。
Amir ShanehsazzadehAI 评分3838 Claude助力分子设计获实验验证
我对@TwistBioscience团队感激不尽！Claude是分子设计的重大加速器和赋能者，但直到在实验室看到结果，这一切才有意义。这些蝎毒素非常难处理，Twist团队完成了一项漂亮的Cn2竞争实验，让我们对结果有了更大的信心🦂
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。
Amir Shanehsazzadeh精选AI 评分6767 Amir Shanehsazzadeh 发布蛋白结合剂设计数据并谈 ipSAE 指标
Amir Shanehsazzadeh 表示其数据发布中包含了用全部10个共折叠模型、每个模型5个种子重新打分所得设计的PAE，希望这些数据与湿实验数据能帮助发现更好的结合与亲和力指标。
推荐理由：作者公开蛋白结合剂设计数据时说明纳入10个共折叠模型各5个种子的PAE，为结合亲和力指标改进提供素材。
Ginkgo Datapoints · Updates精选AI 评分7070 GDPa5：基于大规模IgG数据预测VHH-Fc可开发性
Ginkgo发布GDPa5，一个含160个成员的VHH-Fc库，在PROPHET-Ab平台上用10项生物物理实验进行表征，并同步发布bioRxiv预印本。在559个IgG上训练的跨格式模型优于仅用GDPa5训练的模型，作者认为优势来自标准化IgG数据的规模而非格式本身。
推荐理由：该预印本公开VHH-Fc可开发性数据集，并比较IgG训练模型与格式内训练模型的跨格式迁移表现。
Amir Shanehsazzadeh精选AI 评分7878 Claude 编排开源蛋白模型，15 个靶点中设计出 14 个从头结合剂
Anthropic 测试 Claude 能否从头设计蛋白结合剂：在人类专家撰写的设计提示下，Claude 自主针对 15 个靶点中的 14 个完成了设计，随后由 Adaptyv Bio 与 Twist Bioscience 独立构建并测试，作者称成功率和亲和力均较高。
推荐理由：Anthropic 与 Adaptyv Bio、Twist 的实测显示，Claude 编排开源模型在 15 个靶点中设计出 14 个从头结合剂，可作为智能体驱动蛋白设计的参照。
分子之心MoleculeMind精选AI 评分6565 分子之心MMDesign环肽从头设计获湿实验验证，p53-MDM2首轮21条中16条命中
分子之心在WAIC 2026公布MMDesign环肽从头设计结果：针对p53-MDM2靶点首轮设计并测试的21条候选环肽中16条实验命中，命中率超过70%，最优候选KD为13.7微摩尔，优于同期实验阳性对照；PD-L1靶点首轮19条候选中有6条经SPR确认结合，最佳KD接近40微摩尔。
推荐理由：分子之心公布MMDesign在p53-MDM2与PD-L1两个PPI靶点的环肽首轮湿实验命中数据，可与纳米抗体结果对照看平台跨模态能力。
Yang Zhang Lab精选AI 评分5858 新加坡国立大学团队发布配对蛋白语言模型PPLM，可预测蛋白互作与结合界面
新加坡国立大学研究人员开发配对蛋白语言模型PPLM，同时从两条相互作用蛋白中学习，用于预测蛋白互作、结合强度与相互作用界面。该模型面向蛋白互作这一细胞过程基础问题，团队称其可为疾病研究与药物发现提供新线索。
推荐理由：该模型同时读取两条相互作用蛋白序列，为蛋白互作、结合强度与界面的统一预测提供新思路。
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。
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。