#DeepMind

Atom14 与 Atom37：蛋白质设计模型如何记录原子

文章解释 Atom14 与 Atom37 两种将蛋白质原子坐标压入固定张量的布局，并比较 RFdiffusion3、BoltzGen 和 La-Proteina 在序列未知的从头设计中如何处理原子槽位。RFdiffusion3 为每个残基保留 14 个点，用虚拟原子填充未用槽位并统一去噪，序列随后由 ProteinMPNN 或 LigandMPNN 设计。

从 Protenix 到 Mol-1：前字节系团队创业，技术先发如何变成公司优势

Molence 于 2026 年 10 月公开 Mol-1 技术报告与模型，作者以 Protenix 2025 年 1 月开放训练流程到 Mol-1 亮相约 21 个月的时间差为线索，讨论前字节系团队创业的技术先发能否转化为公司优势。

同一新闻，精选展示《Molence 发布开源生物分子智能模型 Mol-1》

Google团队预印本提出表位裁剪方法降低蛋白结合剂计算成本

Google Research、Google DeepMind 等机构在一篇预印本中提出将靶点裁成表位附近的局部窗口，再结合智能体迭代搜索用于从头设计蛋白结合剂。

Google DeepMind 发布 Gemini 4 Argon，并展示其在酶设计与科研任务上的应用

Google DeepMind 发布 Gemini 4 Argon，通过 API、AI Studio、Gemini 平台及 Antigravity 等入口向开发者、企业和科研人员开放，输入定价为每百万 token 2 美元、输出为每百万 token 10 美元。

Adaptyv Bio 在 Proteinbase 公开 Google DeepMind SynthID Bio 蛋白水印实验结果

Adaptyv Bio 宣布，Google DeepMind 的 SynthID Bio 模型相关全部实验结果已在 Proteinbase 上线。据其引用的说明，SynthID Bio 是把水印写入 AI 设计蛋白质氨基酸序列的方法，Adaptyv Bio 在其实验室对这些蛋白质做了验证，实验数据现可在 Proteinbase 查看。

DeepMind发布AlphaProtein Novo：从头设计酶在哌啶合成与DEHP降解中超越自然序列挖掘

Google DeepMind团队在预印本平台发布AlphaProtein Novo（AP Novo）机器学习流水线，报告从头设计酶在哌啶合成和DEHP降解两个挑战性反应上超越自然序列或突变体筛选。

AlphaProtein Novo 发布从头酶设计流程，结合原子扩散与序列扩散

Google DeepMind 与 Frances Arnold 团队合作推出从头酶设计流程 AlphaProtein Novo（AP Novo），将原子扩散与离散序列扩散结合用于生成酶。引用内容称，该流程在两个基准反应上取得新骨架（novel-scaffold）活性方面的 SoTA，并设计出用于合成药物基元哌啶和降解环境毒素 DEHP 的酶。相关预印本与代码已发布在 bioRxiv 和 GitHub；转发者评价酶设计仍处早期。

Marinka Zitnik 评述 DeepMind 为 AI 生成蛋白质加水印的研究

Marinka Zitnik 评述 Google DeepMind 一项为 AI 生成蛋白质加水印的新工作，称其能在保持蛋白质功能和 AI 设计质量的同时嵌入标记。她提到曾与 Science 讨论追踪生物学中生成式 AI 输出的水印等策略，并称前学生 Zaixi Zhang 在 Nature 上讨论了该工作及团队相关方法 FoldMark。她引用的 Nature 内容指出，这类数字标记可被擦除。

Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白与结构嵌入可验证水印

Google DeepMind 推出面向合成生物学的 SynthID Bio 水印方法，可在蛋白序列和 AlphaFold 3 预测的 3D 结构中嵌入可检测签名，并在实验室测试中保持生物功能。

AlphaFold 数据库新增病毒蛋白复合物预测，覆盖 2800 多种病毒

EMBL-EBI 与 Google DeepMind、NVIDIA 等合作，在 AlphaFold 数据库中开放 2800 多种病毒的 AI 预测蛋白复合物结构，优先覆盖已知感染人类的病毒科。