Nabla Bio 发布 JAM-2 模型报告，将零样本药物设计从结合扩展到多功能药物与胞内蛋白质组。报告称其全计算设计出针对五种肽-MHC 的多特异性抗体，T 细胞激活/杀伤 EC50 达皮摩尔级、选择性超过 100 倍；并生成靶向 KRAS G12V 与 G12C 的双变异多特异性抗体，在皮摩尔至个位数纳摩尔效力下杀伤呈递细胞且不伤野生型。
推荐理由：Nabla Bio 公开 JAM-2 在五类肽-MHC 与 KRAS G12 双变异多特异性抗体上的设计与湿实验验证细节，可作为评估零样本抗体设计的参照。
Medra 发布 AI Experimentalist，作为其 Physical AI Scientist 平台的科学推理层，与湿实验室执行层 Physical AI Lab 组成设计、执行、解读、改进的闭环系统。
推荐理由：Medra 公布 AI Experimentalist 与湿实验室闭环平台，抗体筛选案例给出周期压缩的具体路径。
Ginkgo在统一的knobs-into-holes CrossMab IgG1骨架上，用PROPHET-Ab高通量平台的10项检测表征了160个双特异性抗体及其65个亲本臂，并公开数据集。
推荐理由：研究用160个双抗与65个亲本臂的配对数据，区分哪些可开发性指标可从亲本预测、哪些必须在双抗层面测。
LabGenius Therapeutics与LG Chem签署多年研究合作、选择权及许可协议，将用其AI/ML驱动的抗体发现平台EVA设计针对一种在多种难治癌症中表达的实体瘤抗原的肿瘤选择性多特异性抗体，目标是克服现有免疫疗法的脱靶毒性等局限。
推荐理由：协议披露了首付款、早期里程碑与选择权行权后的潜在里程碑结构，可对照同类抗体发现合作的分层设计。
Cradle 汇总其零样本抗体多样化流程在 SARS-CoV-2 RBD、HER2 和 EGFR 上的七组实验，其中 4/7 实验、2/3 靶点出现显著亲和力提升，弱结合剂 Ty2 的 KD 改善达 350 倍。
推荐理由：Cradle 汇总七组零样本抗体多样化实验，给出功能率与亲和力提升幅度，并对照文献单突变扫描基线。
Lundbeck 与 Cradle 宣布合作，将部署 Cradle 的 AI 蛋白设计平台，用于发现和优化针对脑部疾病的生物疗法，初期推进两个靶向 CNS 疾病的抗体项目。
推荐理由：Cradle 与 Lundbeck 签约，把生成式蛋白设计接入两条 CNS 抗体项目，并形成实验回流的迭代闭环。
Medra 宣布建成 Medra Lab 001（ML001），称其为美国最大的自主实验室，面积 38,000 平方英尺、部署数百台机器人并 24/7 运行，在 90 天内建成。
推荐理由：Medra 公布其自主实验室的规模与在产合作范围，为观察物理 AI 科学家的落地形态提供参照。
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。
推荐理由：Protenix-v2 在抗体-抗原复合物结构预测上给出与 v1 的对照结果，并公开技术报告与基准细节。
Tamarind Bio与A-Alpha Bio宣布合作，Tamarind Bio用户可将用RFdiffusion、ProteinMPNN等蛋白设计模型生成的抗体序列直接提交至A-Alpha Bio的AlphaSeq平台，获得抗体-靶点对的定量结合亲和力数据。
推荐理由：合作把计算设计的抗体序列接入高通量亲和力测量，为评估AI设计到实验验证的衔接提供参考。
Purple Biotech 宣布与 Converge Bio 合作，利用后者的生成式AI平台设计和优化面向实体瘤的新一代三特异性抗体，以缩短发现周期并改善候选分子的可开发性。
推荐理由：合作把生成式AI用于三特异性抗体的设计与优化，可观察AI在抗体工程环节的具体分工。
LabGenius Therapeutics 宣布将在 AACR 2026 展示其选择性增强的 Nectin-4 x CD3 T 细胞衔接器 LGTX-101 的临床前数据。
【摘要级】LabGenius 提出 3in1 噬菌体展示生物淘选方法，采用非变性洗脱并跳过中间噬菌体扩增步骤，在一天内完成全部淘选轮次。作者称该方法比传统淘选快五倍，获得的独特命中化合物最多多六倍且亲和力范围较广，并将先导化合物发现时间缩短一周、减少耗材与废弃物。该方法在针对多种靶点的天然合成库和免疫库中展示适用性，材料仅为论文摘要。
推荐理由：该方法把多轮噬菌体展示筛选压缩到一天，并报告了命中多样性与亲和力范围的对照结果。
很高兴看到@GenScript团队的这项工作。 在验证Latent-X2时，我们需要快速推进抗体、纳米抗体和大环化合物的相关工作。我们的内部湿实验室能承担很多工作，但GenScript帮助我们扩大了规模，并更快地打通了计算与生物学之间的闭环。 结果是：AI设计的抗体具有类药可开发性，并在人源panel中显示低免疫原性，且已在实验室中得到验证。 感谢那些以尖端AI速度推进的合作伙伴。
Converge Bio 完成 2500 万美元 A 轮融资，由 Bessemer Venture Partners 领投，公司总融资额达 3000 万美元。其平台将多个专有模型整合为端到端系统，用于靶点发现、抗体设计与蛋白生产优化，过去一年与药企和生物技术公司完成 40 多个项目，合作方获得结合亲和力达个位数纳摩尔的抗体，蛋白生产产量提升 4 至 7 倍。
STAT News对AI设计抗体的现状做了平衡报道，既呈现实际进展也保留质疑。Nabla Bio CEO Surge Biswas表示，公司开发AI以压缩药物发现周期，针对难成药靶点、新功能和更优药物特性设计更好的药物，并与领先药企团队紧密合作。
Latent Labs 在 Latent-X1 发布 5 个月后推出 Latent-X2，称其 AI 生成抗体在人体样本中表现出类药可开发性和低免疫原性，且为零样本生成。该模型目前面向部分合作伙伴开放使用，公司未披露具体实验数据与评测细节。
推荐理由：Latent Labs 公布从 Latent-X1 到 Latent-X2 的迭代，并给出 AI 生成抗体在可开发性与免疫原性上的自述结果。
【全文总结】LabGenius 在论文中报告其 EVA 平台通过机器学习与高通量实验闭环，在 44,160 个 HER2×CD3 T 细胞衔接器设计空间中经 5 轮设计-构建-测试-学习循环筛选 980 个候选，命中率较 Sobol 准随机基线提升 14 倍。
推荐理由：该研究把多特异性抗体的价数、拓扑与亲和力纳入贝叶斯优化闭环，并以临床基准分子作对照，展示了亲合力门控选择性的可设计路径。
Nabla Bio 发布 JAM-2，称其为首个能从计算机直接生成成药级抗体的 AI 模型。公司称在 26 个靶点中有一半在每靶点测试少于 45 个设计的情况下获得皮摩尔至个位数纳摩尔级结合剂，直接针对细胞表面 GPCR 的结合剂成功率最高达 11%，超过 50% 的设计在零优化下通过核心行业可开发性标准，并称已与多家大型药企合作部署 JAM-2。上述结果来自公司自述与白皮书，尚未见独立验证。
推荐理由：Nabla Bio 公布 JAM-2 在 26 个靶点上的抗体设计成功率与可开发性数据，可供对照评估从头抗体设计的能力边界。
Baker Lab团队在Nature发表研究，用基于RFdiffusion训练的RFantibody模型在计算机上从头设计含重链和轻链的完整抗体可变区，无需动物免疫或大规模筛选。针对艰难梭菌毒素等靶点，设计抗体达到中纳摩尔级结合亲和力，转为全长IgG后保留效力；电镜解析的5个设计抗体中有4个与计算预测结构一致。RFantibody代码已在GitHub开放，供学术、个人和商业使用。
推荐理由：研究展示RFdiffusion设计全长抗体可变区并经电镜验证，为从头抗体设计的可行性提供参照。
A-Alpha Bio 宣布参与 DeNOVO Initiative，与劳伦斯利弗莫尔国家实验室等机构开展为期 3 年的合作，用高性能计算和人工智能方法设计可中和未来生物威胁的抗体。
推荐理由：介绍 A-Alpha Bio 参与的多机构抗体设计项目，说明其高通量蛋白互作数据在训练结合预测模型中的角色。
A-Alpha Bio 在 2025 年 Protein & Antibody Engineering Summit（PEGS）展示海报，主题为通过平台整合快速工程化双特异性抗体。原文仅提供海报展示信息与打开链接，未披露具体方法、实验数据或结果。
A-Alpha Bio 在 2025 Festival of Biologics 会议展示海报，介绍结构域特异性深度学习亲和力预测模型 AlphaBind 用于加速抗体优化。原文仅提供海报入口，未披露模型性能数据或实验结果。
A-Alpha Bio在2024年Antibody Engineering & Therapeutics会议上展示顺式作用、经亲和力调优的IL-21免疫细胞因子用于癌症免疫治疗的临床前开发海报。海报可通过官网链接在新标签页打开。
A-Alpha Bio 发布 AlphaBind 预印本，称其为业界领先的抗体优化模型，并已测定第 10 亿次蛋白-蛋白相互作用，为预测蛋白结合提供关键训练数据。预印本链接指向 bioRxiv，具体评测结果与对照设置未在推文中披露。
推荐理由：A-Alpha Bio 公开 AlphaBind 预印本，并称已累计测定十亿次蛋白-蛋白相互作用，为抗体优化模型提供训练数据。
A-Alpha Bio 发布 AlphaBind 抗体优化模型，基于约 750 万条抗体-抗原结合数据预训练，在四个抗体-抗原体系中仅用一轮实验室数据生成数千个高亲和力变体。BLI 验证的 10 个候选（最多 11 个突变）全部表达且结合力优于亲本抗体；模型以 MIT 许可开源，代码与微调数据已公开。公司称该模型已用于管线与合作的抗体发现，并计划推出 AlphaBind2。
Antiverse 宣布与 Nxera Pharma 建立多靶点合作与许可协议，为其设计针对 GPCR 的抗体。Nxera Pharma 在引用内容中确认了这一合作与许可安排，并附上 IR 材料链接；Antiverse 另附 Substack 文章链接，未披露具体靶点、金额或阶段。
推荐理由：Antiverse 与 Nxera 就 GPCR 抗体设计达成多靶点合作与许可协议，可了解双方分工与授权安排。
欢迎收听我们最新一期#FODD节目，嘉宾是诺和诺德抗体设计高级数据科学家Rahmad Akbar。 我们聊了#人工智能如何为抗体设计创造新可能。 https://hubs.la/Q02Nm3Ny0 #antibodydiscovery
为什么靶点特异性抗体库对处理具有挑战性的靶点有用？ 尽管预测准确性仍然有限，AI设计的抗体库提供了一种开始攻克“不可成药”靶点（如GPCR和离子通道）的途径。 #biotech #machinelearning #antibody
↓ 如何为具有挑战性的靶点发现抗体 ↓ 我们开发了一个AI驱动的抗体设计平台，用于GPCR及其他具有挑战性的靶点。通过这些简短的图文面板了解更多关于我们技术工作原理的信息。 #人工智能 #生物制品 #科技生物
A-Alpha Bio 获美国国防部追加 1450 万美元资助，用于开发快速预测针对潜在生物威胁的治疗方案的机器学习模型。资金来自 JPEO-CBRND，将扩大其与劳伦斯利弗莫尔国家实验室在 GUIDE 项目下的合作。此前两年合作中，A-Alpha 的 AlphaSeq 数据被用于训练预测抗体-抗原结合的机器学习模型，合作范围从冠状病毒扩展到多个未披露的病原体家族。
推荐理由：该资助延续 A-Alpha Bio 与 LLNL 的抗体-抗原结合预测合作，并扩大病原体范围。
A-Alpha Bio 与劳伦斯利弗莫尔国家实验室（LLNL）扩大合作，获美国国防部（DoD）追加 240 万美元资助，将合作范围从新冠扩展到 DoD 认定的其他潜在生物威胁。A-Alpha Bio 将用 AlphaSeq 测量抗体与病原体变异体之间数百万个蛋白质-蛋白质相互作用，用于训练机器学习模型，预测交叉反应性和毒株特异性结合剂，以加速未来药物发现。
推荐理由：合作从新冠扩展到其他潜在生物威胁，展示用高通量相互作用数据训练抗体结合预测模型的路径。
A-Alpha Bio 宣布与劳伦斯利弗莫尔国家实验室（LLNL）合作，利用 AlphaSeq 产生的结合数据训练机器学习模型，以加速针对新冠变异株的治疗性抗体发现。该项目由美国国防部支持，计划测量数百万量级的蛋白-蛋白相互作用，并借助 LLNL 的计算能力预测抗体与变异株冠状病毒蛋白的结合，作者称该思路也可用于其他快速演化的传染病和生物威胁。
推荐理由：该合作把 AlphaSeq 的大规模蛋白互作测量与 LLNL 算力结合，用于训练预测抗体与变异株结合的模型。
A-Alpha Bio 发布预印本，用 AlphaSeq 技术对 33 种单克隆抗体与数千个 SARS-CoV-2 变异株进行结合测试，在抗体与 RBD 刺突蛋白变异体之间识别出超过 15 万对蛋白质-蛋白质相互作用。作者指出，许多抗体药物正针对 RBD 刺突开发，意外突变可能使病毒逃逸抗体治疗。
推荐理由：A-Alpha Bio 用 AlphaSeq 大规模筛查 33 种抗体与数千个变异株的结合，为变异逃逸评估提供高通量方法参照。
A-Alpha Bio宣布获得比尔及梅琳达·盖茨基金会80万美元资助，将与Lumen Bioscience合作，用AlphaSeq平台产生的数据训练机器学习模型，开发针对肠道和呼吸道病原体的高效、交叉反应疗法。
推荐理由：该资助把AlphaSeq的高通量抗体结合数据与机器学习预测相连，展示了抗体跨菌株反应性开发的合作路径。