期待下周在首尔@icmlconf举办的GenBio 2026研讨会。 ➡️ 高级员工ML研究科学家Pranav Murugan将展示聚光灯海报："Few-step Cofolding with All-Atom Flow Maps"，介绍DeCAF——Pearl的蒸馏版本，专为少步推理构建：https://arxiv.org/abs/2606.08375 ➡️ 关于我们自豪地联合赞助的研讨会的更多详情：https://genbio-workshop.github.io/2026/
Valence Labs 发布 AquaGen，称其为首个全原子、显式溶剂、考虑周期性边界条件的生成模型，可从玻尔兹曼分布生成分子构型。该模型用 3D 图神经网络将噪声转为药物分子与水的全原子三维排布，再以力场评估能量、以灰盒方式计算绝对水合自由能，约需数百个样本即可获得相对 MD 参考约 1 kcal/mol 误差的结果，速度约为 MD 的 10 倍。
推荐理由：介绍首个全原子显式溶剂玻尔兹曼采样模型，说明其相对分子动力学的速度与误差权衡。
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。
Verge Labs 发布精准神经病学基础模型 vBx-1.0，称可从常规抽血重建患者脑分子状态，准确率最高为此前最先进模型的 3 倍。
推荐理由：该模型以脑组织转录组数据从血液重建脑分子状态，并在帕金森病与ALS试验数据上给出响应与耐受预测。
Cradle 发布 Guided Rounds，把运行机器学习引导蛋白质工程轮次的最佳实践内置到平台，用户输入蛋白类型、是否有实验数据及设计或筛选目标后即可获得默认配置与分步引导。该功能今日面向所有用户上线，覆盖用户最常运行的轮次类型，并可视化数据集、模型训练、设计与审核之间的决策路径以提升可追溯性。需要逐参数控制的科学家仍可自行配置单项任务，计算科学家也可通过 API 扩展自有预测器与评分。
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。
推荐理由：DeCAF-Pearl 以更少计算步数在 Runs N' Poses 基准上超过多个全原子共折叠模型，为高通量筛选场景提供了速度参照。
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。
推荐理由：Genesis 将 Pearl 共折叠模型蒸馏为少步流映射模型，在保持成功率的同时把推理成本降低约 5 倍。
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。
Ginkgo Datapoints、Tangible Scientific 与 Inductive Bio 联合推出 ADME-One，将完整的高通量 Tier 1 ADME 实验面板与 AI 驱动的人体 PK 预测及整合式化合物管理结合。三家机构称，该组合让团队可在命中化合物识别阶段就做出达到先导优化质量的决策。
力文所与复融生物宣布达成首批类药寡聚体设计交付，这批分子由力文所 Pallatom2 引擎生成，并在复融生物高通量实验平台完成验证。据文中描述，候选分子在体积排阻色谱中呈单一峰型、实现预期寡聚化状态，多个核心候选亲和力达到皮摩尔级，热稳定性与表达滴度达到工业评价标准。文中称部分分子已具备推进成药性评价的基础，但未披露具体靶点、分子数量与实验数值。
推荐理由：力文所与复融生物披露首批寡聚体设计交付，展示了全原子生成模型在湿实验中的验证路径。
$LTRN 公布 http://withZeta.ai 的下一阶段路线图： → ZetaSwarm™：多智能体科学推理 → ZetaOmics™：实时计算生物学 迈向肿瘤研发的AI联合科学家 了解更多：https://bit.ly/4weTdpt @withzeta
$LTRN 将 http://predictBBB.ai 升级为大型定量模型（LQM） ✓ 仅凭单个SMILES即可进行360°分子分析 ✓ 数秒内获得99+项特征 ✓ 网页原生、实时分子智能 ✓ 已集成至 @withzeta.ai 阅读更多：https://bit.ly/4tGcVc7
Biohub 发起 Virtual Biology Initiative，计划生成数据以解锁生物学中的规模定律并构建准确的细胞预测模型，未来五年投入 1 亿美元支持 Biohub 之外的工作。
碳硅智慧于2026年4月17日发布DrugFlow 3.0产品矩阵，包括小分子发现引擎DrugFlow、大分子设计平台BioFlow、自由能计算平台Inno-FEP和SciGPT及医药数据库。
新加坡国立大学研究人员开发配对蛋白语言模型PPLM，同时从两条相互作用蛋白中学习，用于预测蛋白互作、结合强度与相互作用界面。该模型面向蛋白互作这一细胞过程基础问题，团队称其可为疾病研究与药物发现提供新线索。
推荐理由：该模型同时读取两条相互作用蛋白序列，为蛋白互作、结合强度与界面的统一预测提供新思路。
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。
唯信计算（Wecomput）在 NVIDIA GTC 2026 发布生物医药多智能体操作系统 WeMol Copilot，用户可用自然语言描述任务，由系统规划路径并调度底层 AI 模型与计算工具。
推荐理由：唯信计算在 GTC 2026 发布多智能体系统，展示从抗体生成到去免疫原性改造的自动化流程编排。
一次性看到单个人类细胞内约13,000种蛋白质会是什么样？ 我们分享 ProtiCelli——一个让这成为可能的生成模型。除了基准测试，我们还展示了它在许多任务中的实用性。 预印本：https://bit.ly/3NY175q 一个线程 🧵👇
Theodoris Lab 发布时序 AI 模型 MaxToki，用于生成动态轨迹中的过去、中间与未来细胞状态，并预测诱导目标状态转变的干预。模型基于近 1 万亿基因 token 训练，覆盖约 1.75 亿单细胞转录组和约 1 亿条跨人类一生的细胞状态轨迹，采用连续数值 tokenization 与两阶段训练（上下文长度从 4096 扩至 16384）。
推荐理由：该模型把细胞状态建模扩展到时间轴，并在人源细胞与小鼠中验证了预测的促衰老靶点。
碳硅智慧宣布将于2026年4月17日线上举办“智能药物研发前沿交流会暨DrugFlow3.0发布会”，届时正式发布以DrugFlow、BioFlow、SciGPT、Inno-FEP为核心的产品矩阵。会议将聚焦AIDD最新学术进展与产业落地路径，设置ADMET模型、全生物分子模态从头设计、知识增强科学工具智能体等主题报告及圆桌讨论。
NewLimit 将其表观遗传重编程计划中首个候选药物推进至大规模生产，生产进度达20%，并新发现一个可在衰老肝细胞中恢复多种年轻功能的 payload。
推荐理由：NewLimit 披露重编程 payload 进入规模化生产，并展示多任务模型与实验闭环将发现效率提升一倍以上。
今天我们宣布，与@nvidia和@nebiusai（领先的AI云服务提供商，用于训练和推理）合作部署NVIDIA Blackwell B300 GPU的成果：我们用于药物发现的生成模型实现了超过4倍的训练加速和超过60%的推理提速。
OpenFold 官方账号转发其研究员 Mohammed AlQuraishi 关于 OpenFold3 新预览版 OF3p2 的介绍，并引导读者阅读更多内容。据被引内容，OF3p2 在多数模态上缩小了与 AlphaFold3 的差距，并公开包括训练集与配置在内的全部内容，使其成为当前可从头训练且可复现的 AF3 类模型。上述性能与可复现性表述来自被引推文，本推文未补充细节。
推荐理由：OpenFold3 预览版开放训练集与配置，为复现和从头训练 AF3 类结构模型提供了可操作入口。
OpenFold 宣布 OpenFold3 更新，并通过 Amazon Web Services（AWS）的 Registry of Open Data 公开发布其训练数据。原帖未披露更新涉及的具体模型版本、性能指标或数据规模。
推荐理由：OpenFold3 更新并公开训练数据，为结构预测模型的复现与数据来源比较提供了可查入口。
侯廷军教授课题组、OTeam创始人张昊天领衔，联合临港实验室郑双佳团队、浙江大学谢昌谕团队等发布全模态分子设计基座模型ODesign，在统一框架内支持蛋白质、核酸（RNA/DNA）、小分子与离子的相互作用生成，并可在分子整体、功能基序、提示原子三种粒度下可控设计。
推荐理由：该模型把蛋白、核酸与小分子设计放进同一生成框架，并给出跨模态基准对比，便于判断多模态分子设计的当前进展。
NVIDIA 宣布扩展开放开发平台 BioNeMo，新增 Clara 开放模型中的 RNAPro（RNA 结构预测）与 ReaSyn v2（确保 AI 设计药物可合成），并推出 BioNeMo Recipes 与 GPU 加速化学信息学库 nvMolKit。
推荐理由：BioNeMo 扩展出 RNA 结构预测与可合成性模型，并接入礼来、Thermo Fisher 的实验室闭环，呈现平台化路径。
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。
推荐理由：Vilya-1 以全原子模型覆盖非天然化学的大环结构预测，并给出与物理规则及深度学习方法的具体对比。
Marwin Segler 报告团队推出面向合成步骤生成的推理模型，针对该任务采用专门的思维链监督微调（SFT on COT）与可验证奖励强化学习（RLVR）。其表示语言模型在处理结构与丰富自然语言并存的化学任务（如合成）时带来新能力。
推荐理由：作者披露其合成路线生成推理模型采用SFT与RLVR训练，为化学语言模型的能力边界提供一手说明。
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。
Baker Lab 的蛋白质设计研究所发布开源模型 RFdiffusion3，可生成与细胞内常见各类分子相互作用的新蛋白质。
推荐理由：RFdiffusion3 以原子级扩散统一蛋白、DNA 与小分子结合设计，并开放训练代码与权重，便于复用与改造。
Baker Lab 报告开发 RFdiffusion2，可直接以活性位点原子排布为输入生成酶，无需实验室优化即具备催化活性。在 Nature Methods 研究的计算基准中，该模型解决 41 项酶设计挑战中的 41 项，此前最佳工具为 16 项。
推荐理由：RFdiffusion2 以活性位点结构为输入直接生成酶，并在计算基准中解决全部 41 项设计挑战，为酶设计提供了新的可复用工具。
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。
Profluent 公开其内部蛋白质序列编码器模型 Profluent-E1，称 E1 系列可作为现有蛋白质建模与设计工作流的直接替换组件以升级流程。作者同时给出 bioRxiv 预印本链接（10.1101/2025.11.12.688125v1），推文未披露具体评测结果与权重开放情况。
推荐理由：Profluent 公开其内部蛋白质序列编码器 E1，并给出可替换现有建模与设计流程的定位，便于对照其预印本方法。
OpenFold3 团队转发 NVIDIA 关于 OpenFold3 的技术博客，并指向 NVIDIA 推出的 OpenFold3 NIM。据 NVIDIA 介绍，该模型可用于预测蛋白质、核酸与配体的复合物结构，定位为生产可用模型，博客链接为 https://nvda.ws/3JxauqA。
推荐理由：OpenFold3 以 NIM 形式提供蛋白、核酸与配体复合物预测，可了解其生产化部署形态。
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 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。
在 #DeepLife，我们正以尖端研究攻克心脏病！🔬 我们的 #OmicStore 提供 573+ 数据集和 2.2 万+ 实验，而 #CellBlueprint 帮助锁定关键通路并重定位药物，以实现更好的治疗。在此试用：https://www.deeplife.co/product/cell-blueprint #WorldHeartDay
🧠 推进阿尔茨海默研究：在 #DeepLife，我们正利用前沿组学数据与 #CellBlueprint 技术，解锁阿尔茨海默领域的突破。 🔬 23 个数据集与 1,832+ 项实验，加速发现。立即试用我们的免费试用！ #神经退行性疾病 #生物技术