#结合构象

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。

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。

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。

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 称 Mol-1 长时程智能体在 10 个组装任务中 9 个超过 Anthropic 报告结果

Molence 称基于 Mol-1 的长时程智能体在 10 个受评组装任务中有 9 个超过 Anthropic 报告的结果，可在单张 NVIDIA H20 上预测最长 60,120 个残基的复合物结构，其中 8 个达到 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，与 IsoDDE 已发表的 75.58% 相当；该结果来自对 32 个种子构成的 201,376 种五种子组合的评测，其中 62.22% 达到或超过 75% 成功率。Mol-1 代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。

同一新闻，精选展示《Molence 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装》

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。

可从头设计结合全反式视黄醛的光响应蛋白

你可以从头设计出能结合全反式视黄醛、并响应光照发生构象变化的蛋白质！ @befcorreia

Divergence Labs 与 Anthropic 合作，用 Claude 辅助设计食物过敏抗体

Divergence Labs 宣布与 Anthropic 合作，在 Claude 帮助下发现食物过敏抗体治疗的初步进展，目标是主动将 IgE 从肥大细胞上的 FcεRI 拉离，而非等待其自然解离。

Molence 发布 Mol-1：单张 NVIDIA H20 上完成 60,120 分子组装与结构预测

Molence 称其 Mol-1 在单张 NVIDIA H20 上完成 60,120 分子组装与结构预测，基于 Mol-1 的长时运行智能体在 10 个受评组装中 9 个优于 Anthropic 报告的结果，其中 8 个 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，接近 IsoDDE 公布的 75.58%，并称在 32 个种子构成的 201,376 种五种子组合中 62.22% 达到或超过 75% 成功率。模型代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。

同一新闻，精选展示《Molence 发布开源生物分子智能模型 Mol-1》

微软提出增强扩散采样方法 Enhanced Diffusion Sampling，更高效捕捉蛋白质稀有构象

微软 Research AI for Science 等团队提出 Enhanced Diffusion Sampling，将伞形采样、Metadynamics 等增强采样思路引入扩散模型，相关研究正式发表于 Journal of Chemical Physics。

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。

微软 BioEmu2 生物分子结构动力学基础模型已上线 Tamarind Bio

Frank Noé 表示，微软研究院 AI for Science 的生物分子结构、动力学与功能基础模型 BioEmu2 已可在 Tamarind Bio 平台使用。该模型以开放权重、MIT 许可发布，代码托管于 GitHub；引用内容展示了 BioEmu2 模拟无序肽 PUMA 与 MCL-1 受体结合的示例。

共折叠模型中接触信息提升结构预测精度

这些共折叠模型最有趣的特点之一，就是1个接触对结构预测精度的帮助有多大——我在开发这些模型时反复看到这一结果

微软 BioEmu2 发布：融合结构预测、平衡态采样与动力学推演的生物分子基础模型

微软研究院 AI for Science 团队（Frank Noé 领衔）推出第二代生物分子基础模型 BioEmu2，将静态结构预测、热力学平衡态采样、跨时间尺度动力学推演和万级残基复合物装配整合为统一工作流。

同一新闻，精选展示《微软开源 BioEmu2 生物分子基础模型，同时覆盖结构、平衡系综与动力学传播》

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。

德睿智药发布生命科学基座模型体系Intera，首推结合构象预测模型InteraFold-Chem

德睿智药于2026年9月18日发布生命科学基座模型体系Intera，并公布首个模型InteraFold-Chem的技术报告，该模型聚焦蛋白质与小分子的结合构象预测。

AlQuraishi 团队与 Apheris 用五家药企私有数据训练 OpenFold3p2

Mohammed AlQuraishi 表示，团队与 Apheris 合作，在五家药企内部的蛋白-配体复合物数据库上训练了 OpenFold3p2。由于 PDB 中类药化合物相对稀少，这批数据使相关结构数据量增加 3-4 倍，并带来精度显著提升。作者称训练数据未离开各药企内部环境。

天鹜科技开源全原子结构预测模型VenusFold，FoldBench多类任务领先AlphaFold3与Boltz-2

天鹜科技发布并开源通用全原子生物分子结构预测模型VenusFold的代码与权重，可预测蛋白质、蛋白质-小分子和蛋白质-蛋白质复合物结构。

Vilya 发布全原子基础模型 Vilya-2，可建模化学多样性分子界面

Vilya 发布全原子基础模型 Vilya-2，称其无需模板或共进化输入，通过扩散和单一统一原子表示解析多肽与靶点复合物。公司称该模型对非经典多肽达到亚埃级精度，并准确预测 Zolucatetide、Daraxonrasib、Icotrokinra 和 Enlicitide 与各自治疗性蛋白靶点的相互作用。

寻明生科开源全原子生物分子基座模型 OpenDDE

寻明生科于2026年7月7日发布并开源全原子生物分子基座模型 OpenDDE，将生物分子共折叠、结构推理与规模化法则纳入同一框架。

Genesis Molecular AI 发布 DeCAF-Pearl 全原子共折叠流图模型，推理提速 5 倍

Genesis Molecular AI 发布 DeCAF-Pearl，称其为首个用于全原子共折叠的流图模型，相比其 Pearl 模型推理提速 5 倍且质量几乎无损。

Genesis 发布 DeCAF-Pearl：面向全原子共折叠的流映射蒸馏模型

Genesis 发布 DeCAF-Pearl，这是首个用于全原子共折叠的流映射模型，由 Pearl-2026.1.dev 蒸馏而来，扩散采样阶段的模型调用减少约 20 倍，整体推理加速约 5 倍。

Genesis 的 Pearl 系统在 OpenBind 基准上零样本超越全部共折叠模型

Genesis 称其 Pearl 系统在 OpenBind 的 EV-A71 2A 蛋白酶基准（802 个化合物，best-of-25）上零样本取得 78% 联合标准成功率（RMSD ≤ 2 Å、PoseBusters 有效、LDDT-PLI ≥ 0.8），高于 OpenBind 评测的全部共折叠模型。

字节 Protenix 发布 v2.0.0：464M 参数 Protenix-v2 模型上线

字节跳动 AML AI4Science 团队发布 Protenix-v2，这是一个 464M 参数的增强容量结构预测模型，称在挑战性抗体-抗原复合物结构预测上精度显著提升，并更新了配体相关合理性。

Vilya 发布全原子基础模型 Vilya-1，用于大环结构预测与设计

Vilya 发布全原子基础模型 Vilya-1，专门建模含非天然氨基酸等多样化学的大环结构。公司称在公开与内部大环晶体结构合并基准上，Vilya-1 恢复晶体构象的表现超过次优方法一倍以上，物理与规则方法恢复的构象不到其一半，深度学习方法更落后。Vilya-1 还可微调用于富集可渗透化合物，并生成构象集合以评估能量景观、筛选结合剂；公司表示已在多个内部项目中应用该模型。