Brian Hie 团队报告 Evo 2 的生成式上下文学习能力
Brian Hie 团队报告 Evo 2 在少量同功能序列提示下可生成功能相似的新序列，作者称这是一种生成式上下文学习（ICL），且为训练时未预料到的涌现现象。
推荐理由：作者报告 Evo 2 在少量同功能序列提示下生成相似功能序列，并延伸到调控元件与蛋白设计任务。
#EvolutionaryScale
Brian Hie精选AI 评分7878
木可AI探索笔记精选AI 评分8383 David Baker团队提出文本条件化全原子蛋白生成模型Prompteina，GM2A结合剂湿实验命中率6.7%
David Baker团队联合新加坡国立大学和AI2提出文本条件化全原子蛋白质结构生成模型Prompteina，以自然语言作为统一条件入口，基底为NVIDIA团队的Complexa。
推荐理由：梳理Prompteina如何用自然语言统一蛋白生成接口，并完整走通agent设计到湿实验命中的链条。
Roshan Rao精选AI 评分6060 Roshan Rao 发布用公开 API 复现 ESMFold2 规模扩展结果的仓库
Roshan Rao 表示所有必要参数已更新，并发布仓库 esmfold2-inference-scaling，用于通过公开 API 复现 ESMFold2 的规模扩展结果。其引用的说明指出，规模扩展高度依赖对 pair representation 的扰动，论文结果设置了每轮随机 LM dropout mask、开头随机 LM 输入 mask、每轮重新随机 MSA 子采样和每轮变化的 MSA 列掩码，这些关键参数此前未在公开 API 中暴露，具体设置见补充材料。
推荐理由：作者公开可复现 ESMFold2 规模扩展结果的推理仓库，并说明此前 API 缺失的关键参数已更新。
Roshan RaoAI 评分5858 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。
Alex Rives精选AI 评分8282 ESMFold2 发布：面向蛋白预测、设计与发现的开放科学引擎
Alex Rives 宣布推出 ESMFold2，一个面向蛋白生物学预测、设计与发现的开放科学引擎，称其在蛋白相互作用尤其是抗体上达到当前最优性能。作者称已针对癌症和免疫学相关的五个治疗靶点设计并验证了 miniprotein 结合剂和单链抗体，成功率很高，亲和力达到与治疗活性一致的水平。
推荐理由：ESMFold2 同时覆盖蛋白相互作用预测与结合剂设计，并给出多靶点湿实验验证结果，可作为评估蛋白基础模型能力的参照。