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。
推荐理由：该研究用Rosetta能量打分单轮设计抗体多点突变文库，在三个抗体上同时考察亲和力与稳定性。
#结合剂设计
AI-Protein Design精选AI 评分7474
Hannes Stärk精选AI 评分7373 读书会讨论 RFD4-Proteina：188 个设计结合剂中 158 个结合 TrkA 低于 1 µM
Hannes Stärk 在读书会预告中介绍 RFD4-Proteina 的结果：188 个设计结合剂中有 158 个以低于 1 µM 结合 TrkA，次优方法为 60 个中 18 个。Nate Corley 与 @DidiKieran 将在线讲解，项目页面为 https://rfd4-proteina.org/。
推荐理由：该报告给出 RFD4-Proteina 与次优方法在 TrkA 结合剂湿实验命中率上的对照数字，便于比较设计方法的实验产出。
药化猩球AI 评分3838 长江杯 GLP-1R 题目更新：靶点标签公布、序列范围扩至跨膜区、新颖性规则调整
长江杯蛋白设计大赛主办方在官网发布补充通知，对GLP-1R等靶点题目做三处改动：公布靶点携带的标签（一般为His-tag）以避免假阳性，GLP-1R序列范围从仅ECD（Ala21–Glu139）扩展至包含跨膜区以匹配"激动剂"要求，并更新新颖性规则——与已知minibinder或VHH比对区域覆盖总长度至少80%时，全长或CDR序列一致性须≤70%。
力文所AI 评分7878 力文所发布Pallatom2技术报告：原子级建模设计蛋白与D型结合剂
力文所发布Pallatom2技术报告，以Atom-to-Atom建模联合生成序列、主链与侧链，单链采样达1600个残基，对称组装扩展至C10、总长2000个残基。
BioTender精选AI 评分6060 David Baker 皇家学会 Croonian 演讲：AI 蛋白质设计从结合走向执行功能
2026 年 11 月 3 日，David Baker 在伦敦皇家学会发表 Croonian 奖项演讲，以“Advances in computational protein design”为题展示团队及合作者近一两年在结合蛋白、条件响应开关、从头酶和蛋白质材料方面的进展。
推荐理由：以一场奖项演讲为线索，串联结合蛋白、条件开关与从头酶的多项进展，呈现蛋白质设计从识别走向执行功能的路径。
药化猩球AI 评分7878 NVIDIA公开RFD4蛋白设计数据体系：2.13TB、19类训练数据覆盖抗体、环肽与RNA
NVIDIA在开放RFD4-Proteína蛋白设计模型之外，公开了支撑训练的数据体系，共2.13TB、19类训练集、33,527个文件对象，覆盖蛋白结构、抗体、TCR、蛋白Binder、环肽、非天然氨基酸、蛋白-配体、RNA及糖链，相比早期约239GB、5类数据的版本明显扩展。
BioArt精选AI 评分7575 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。
推荐理由：研究利用两类免疫细胞对TYK2依赖程度的差异，通过纳米抗体重构受体交联几何实现髓系选择性IL-10信号。
澪乃ゆい精选AI 评分5858 RFD4-Proteina 推出 Mac 本地版，作者实测生成 GLP-1R 结合剂
澪乃ゆい实测了 BIOS 推出的 RFD4-Proteina Mac 本地移植版，用面向 Apple Silicon 优化的 MLX/Metal 实现生成针对 GLP-1R 的结合剂设计，并称安装和运行都比预想简单。据其引用的 BIOS 介绍，该移植版在默认精度下生成速度比原生 PyTorch-MPS 快 2.2 倍，在 M5 Pro 上约 12 分钟完成 20 个设计的生成与结构筛选、得到 10 个排序候选，设置后可离线运行。
推荐理由：作者实测了 RFD4-Proteina 的 Mac 本地移植版，展示了在 Apple Silicon 上生成并筛选 GLP-1R 结合剂设计的可用性。
BioAICraft精选AI 评分5858 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。
推荐理由：作者在RTX 4080S上实测Mol-1四类复合物预测，对比有无MSA的DockQ与RMSD差异，可作为部署与参数配置参考。
机器之心 · AI4Science精选AI 评分7878 斯坦福 X-lab 与 SNAP 实验室发布 ProteoCraft 蛋白设计框架
斯坦福大学 X-lab 与 SNAP 实验室联合发布蛋白设计框架 ProteoCraft，采用梯度提案、完整结构预测验证与两阶段蒙特卡洛树搜索，支持结合蛋白从头设计和限定区域局部改造。
推荐理由：报道介绍斯坦福团队的提案—验证搜索框架，用独立结构预测与湿实验数据展示从头与局部设计的阶段性表现。
药化猩球精选AI 评分5858 用 PartiDesign 从零设计 KRAS G12D pMHC 结合蛋白的实战记录
作者用 PartiDesign 针对 HLA-A*11:01 呈递的 KRAS G12D 突变肽完成一次从头结合蛋白设计，在 RTX 5080 上以 5 种长度各 100 个样本生成 500 条候选，约 78 分钟完成。
推荐理由：作者完整记录用 PartiDesign 设计 KRAS G12D pMHC 结合蛋白的流程，含 hotspot 取舍与评分分布，可作同类设计的操作参照。
AI-Protein Design精选AI 评分6363 《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。
推荐理由：研究用双特异性抗体把GPCR拉向TfR1内吞降解，为难以占位拮抗的受体提供另一种调控路径。
AI药物设计实验室精选AI 评分7474 Prompteina 用自然语言设计蛋白质：89 个受测设计中 9 个结合 GM2A
华盛顿大学等机构提出 Prompteina，以自然语言描述整体形状、局部结构和结合界面，联合生成蛋白质全原子结构与序列。团队构建 Prompteina-Data，含约 180 万个蛋白结构条目和 5240 万条文字描述，基于 Complexa 加入全局与残基级文本条件通路。
推荐理由：预印本用自然语言条件生成蛋白结构与序列，并在 GM2A 上给出 SPR 结合数据，可看文本接口的控制边界。
药化猩球AI 评分6060 Anthropic有的，中国也有！全球AI蛋白质设计大赛"长江杯"今日开赛！
“长江杯”2026全球AI蛋白质设计挑战赛于9月24日开赛，面向全球开放报名，承诺为不少于5000条从头设计的纳米抗体或迷你结合蛋白提供免费湿实验检测，并按亲和力排名颁发总额100万元人民币税前奖金。
药化猩球精选AI 评分5858 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。
推荐理由：记录从500条RFdiffusion骨架到20条提交的完整计算流水线，并给出运行耗时与踩坑细节，可供同类设计复用。
BioTender精选AI 评分6565 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。
推荐理由：梳理19个全原子建模项目的路线差异，并指出评测口径与开放程度决定成绩可比性。
药化猩球AI 评分5050 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。
BioAIDesign精选AI 评分5858 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%。
推荐理由：作者在本地与网页两条路径实测 Mol-1 对纳米抗体复合物的预测，并说明高分结构与界面指标各自能说明什么。
药化猩球精选AI 评分5858 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。
推荐理由：作者用开源结构模型 Mol-1 完成 KRAS G12D pMHC 纳米抗体计算设计，并公开全部候选序列与评分，可作为同类流程的参照。
Molence精选AI 评分7373 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。
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。
AI-Protein DesignAI 评分3434 AI蛋白质设计在神经退行性疾病领域的进展如何？
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精选AI 评分7474 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。
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精选AI 评分7474 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。
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。
Molence精选AI 评分7272 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。
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精选AI 评分7070 Molence 报告 30 个设计 VHH-Fc 候选在 13 个靶点的生物物理筛选结果
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精选AI 评分6060 Molence 设计 VHH 靶向 TNFR2 与 IL-4Rα 天然配体结合区
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。
下一分子精选AI 评分7474 NVIDIA 发布 BindClaw 技术报告：以机制计算测定串联蛋白结合剂设计
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。
BioAIDesign精选AI 评分7878 NVIDIA 发布 BindClaw 技术报告：18 个钙调蛋白结合剂中 15 个结合，13 个区分钙结合态
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。
天鹜科技AI 评分4242 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。
科普知识综述精选AI 评分5858 约翰斯·霍普金斯大学获ARPA-H最高5210万美元资助，构建AI模型解码蛋白质错误折叠
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。
药化猩球精选AI 评分5858 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。
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。
下一分子精选AI 评分7474 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。
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。
BioAICraft精选AI 评分7878 EPFL 团队在 bioRxiv 发布 SPARC：AI 从头设计光控蛋白开关
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。
iNature精选AI 评分7474 AI蛋白设计进入深水区，诺奖得主David Baker在膜蛋白领域的研究进展
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。
药化猩球AI 评分5555 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。
药化猩球精选AI 评分5858 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。
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。
药化猩球精选AI 评分5858 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。
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。
科普知识综述精选AI 评分5858 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。
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。