#评测/基准

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。

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。

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 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 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装

Molence 发布 Mol-1 agent，称可在单张 NVIDIA H20 上完成大型蛋白组装预测，在 10 例评测（8,000–60,120 残基）中 8 例 TM-score ≥0.9。

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。

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。

侯廷军团队推出PartiDesign：统一生成框架覆盖蛋白与环肽设计

侯廷军团队推出可控生成框架PartiDesign，将结构与序列或化学身份在同一次Flow Matching生成中协同，支持蛋白、DNA、RNA和小分子及环肽设计。

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。

Molence 发布 Mol-1 生物分子智能模型，FoldBench-AB 中位成功率达 75.0%

Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上以 DockQ > 0.23 为判定标准取得 75.0% 中位成功率，接近 IsoDDE 已公布的 75.58%。作者称评测覆盖 32 个随机种子产生的全部 201,376 种五种子组合，其中 62.22% 达到或超过 75% 成功率。引用内容还提到单张 H20 上可处理 60k token 组装、VHH 结合命中率最高 63%、最佳 SPR KD 为 43 pM，模型已在 GitHub 与 lab.molence.com 开放。

同一新闻，精选展示《Molence 发布开源生物分子智能模型 Mol-1》

Martin Pacesa 评结合剂设计论文：目标裁剪被重新发现

Martin Pacesa 转发并评论一篇关于智能体引导表位裁剪以降低从头结合剂设计成本的论文，称目标裁剪这一做法被重新发现。被引内容报告在 15 个靶点、3666 个设计上，裁剪后界面核心 CαRMSD 中位数为 0.37 Å，并称在 719 残基 FAP 胞外域上大幅降低单次运行 GPU 时间。

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。

南京大学等提出RiboBridge：给定靶蛋白从头设计RNA结合剂结构

南京大学、香港中文大学与新加坡国立大学合作提出RiboBridge，输入靶蛋白结构和期望RNA长度，先预测候选界面、生成RNA形状，再预测跨链距离并刚体组装出候选RNA结构及结合姿态。

英灵殿科技等提出 CODesign：全原子蛋白质 binder 序列–结构协同设计模型

英灵殿科技联合香港中文大学、华盛顿大学等提出全原子蛋白质 binder 协同设计模型 CODesign，通过一致性蒸馏构建约 10.5 万对二聚体样本 Codimer，并用多模态联合流匹配与一致性感知联合重采样（CAR）保持序列与结构一致。

KAIST 团队发布 SoupFold：融合 AlphaFold3 等四模型表征提升复合物结构预测

韩国科学技术院（KAIST）的 Hyosoon Jang、Taewon Kim 和 Sungsoo Ahn 在 arXiv 预印本 Co-folding with a Soup of Representations 中提出 SoupFold。

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。

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。

Adaptyv Bio 湿实验评测 Claude 蛋白设计：1320 个设计中 26.8% 结合靶点

Adaptyv Bio 在自动化湿实验室中对 Anthropic 的 Claude Mythos Preview 与 Opus 4.8 设计的从头结合剂进行匿名盲测，1320 个设计中 95% 成功表达、354 个结合靶点，总体命中率 26.8%，覆盖 15 个靶点中的 14 个。

Xaira 谈结合剂设计评估标准

很高兴看到 @Xaira_Thera 这篇博客文章，它基于我们近期关于评估结合剂设计模型的笔记！ 把候选分子称为结合剂的好标准 :) 让我们更多传播关于合理结合剂分类与报告的意识！ https://www.xaira.com/news/progressable-binders-the-binders-that-matter

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。

Roshan Rao 说明 ESMFold2-Fast 公开 API 缺少影响扩展的关键参数

Roshan Rao 表示，ESMFold2-Fast 的公开 API 未暴露若干对扩展至关重要的参数，扩展高度依赖对 pair representation 的扰动。

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。