Molence 报告其从头设计的 BCMA 结合剂在零样本条件下取得 43 pM 的 SPR 亲和力。30 个设计中 12 个为结合命中，两个候选以 VHH-Fc 融合形式测得 SPR KD 分别为 43 pM 和 1.1 nM。两者结合细胞表面 BCMA 的 EC50 为 0.19 和 0.16 nM，同一实验体系中 belantamab 为 4.1 nM。
推荐理由：材料给出从头设计的 BCMA 结合剂从 SPR 亲和力到细胞表面结合的实测数据，并设了 belantamab 对照。
研究人员开发了基于神经常微分方程的生成式深度动力学模型DynaVelo，联合单细胞RNA表达与转录因子结合基序可及性重建细胞状态转变向量场，并模拟基因功能缺失与挽救扰动。
推荐理由：该研究用单细胞多组学动力学模型预测基因功能缺失与挽救，并在小鼠B细胞中做了双杂合突变验证。
同济大学、中国科学院上海药物研究所、上海科技大学与临港实验室团队在《Nature Communications》发表论文，构建结构基础药物发现评测基准MolGenBench，在120个蛋白质靶点和600个化合物系列上系统评估17种分子生成方法，覆盖从头设计与苗头到先导优化两个阶段。
推荐理由：该研究用120个靶点和600个化合物系列横向比较17种分子生成方法，为判断生成模型能否产出真实活性分子提供参照。
Brian Hie 团队于 2026 年 10 月 29 日公开两篇 Evo 2 稿件，探索用少量示例做上下文学习来设计调控序列与蛋白。酵母任务中 4 条示例即可生成预测活性接近高活性对照的序列，但人类 5′ UTR 用 16 条示例时预测活性过阈值比例才超过 40%，且这些曲线并非湿实验结果。
推荐理由：文章逐项拆解 Evo 2 两篇稿件的计算与实验证据，区分预测活性、标记纯度与实测特异性。
牛津大学 OPIG、Diamond Light Source 与 IBM Research 在 Chemical Science 发表 Syndirella，以合成导向的片段延伸（Synthesis Directed Elaborations）把可采购反应物按 SMIRKS 反应规则组合成候选分子。
推荐理由：文章拆解了以可采购反应物为导向的片段延伸流程，并给出合成成功率与姿态偏差的具体数据。
Scripps研究所与UCSF团队将茚三酮开发为精氨酸选择性共价弹头，并在Mino细胞蛋白质组中鉴定出6888个反应性精氨酸位点，其中410个为高反应性位点。DFT计算显示水溶液中茚三酮亲电活性高于PGO，体外实验显示其可与Fmoc-Arg反应而不与Fmoc-Lys反应。
推荐理由：该研究把茚三酮改造成精氨酸选择性共价弹头，为拓展共价药物可靶残基范围提供了可迁移的探针设计思路。
NVIDIA 在 10 月 28 日的技术报告中提出 BindClaw，一套智能体辅助的蛋白结合剂设计流程，可从生物学目标或论文出发识别靶点与结合位点、建立抑制或降解等五类机制相关计算测定，再调用 RFD4-Proteina、Proteina-Complexa 等后端生成并迭代候选物。
推荐理由：NVIDIA 技术报告把机制相关计算测定嵌入蛋白结合剂设计流程，并给出钙调蛋白状态选择性的湿实验数据。
Brian Hie 团队报告 Evo 2 在仅给四个示例、不做额外训练时可生成金属结合蛋白、从头抗体与完整噬菌体基因组，作者称其为训练时未预料到的生成式上下文学习。
Arc Institute、斯坦福 Brian Hie 团队及合作者于 2026-10-29 在 Zenodo 公开两项预印本，显示预训练基因组模型 Evo 2 可用少量功能相近序列作为示例做上下文学习，不更新参数即可调整生成方向。
推荐理由：综述梳理 Evo 2 少样本上下文学习的两项预印本，区分计算筛选与湿实验证据，并给出跨任务适用边界。
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。
推荐理由：报告把功能要求固化为可执行计算对照，并用钙调蛋白湿实验检验状态选择性设计。
研究人员在JUMP–Cell Painting数据集约177万张高内涵图像上预训练DINO、MAE、iTPN和DINOv2，并在独立化合物、不同细胞类型和遗传扰动数据集上比较其细胞形态扰动表征。
同一新闻，精选展示《Nature Methods研究系统评测细胞形态图谱的自监督表征学习》
David Baker、Nir Hacohen等人在bioRxiv发布预印本，提出MINT方法，在保留蛋白质功能的前提下降低CD8⁺ T细胞免疫原性。
推荐理由：该预印本把免疫原性纳入蛋白设计目标，并用小鼠实验比较高低表位设计的T细胞反应，为去表位设计提供了可参照的验证路径。
华中农业大学、湖北洪山实验室与武汉华美生物技术有限公司团队在 Nature Communications 发表 AbOptimizer，把抗体优化组织为序列编辑任务，由抗体语言模型生成候选、性质预测器反馈、强化学习调整编辑策略。
推荐理由：论文用语言模型加强化学习做抗体多位置序列编辑，并给出三种治疗性抗体的体外结合数据，可供比较计算优化与实测的差距。
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。
Brian Hie 提出，数据高效条件化使合成提示可随模型自身生成结果动态更新，并可在计算打分甚至实验室在环测试后进行。他以噬菌体基因组设计给出概念验证，将这一过程称为基因组思维链（genomic chain of thought）。
预印本1：https://zenodo.org/records/23769316 预印本2：https://zenodo.org/records/23769453 调控ICL代码：https://github.com/evo-design/ICL_regulatory Evo2-flash：https://github.com/evo-design/evo2_flash ICL网页工具：https://proto.evodesign.org/tools/evo2-icl 10/n
新药研发研究综述：智能体AI + 自驱动实验室用于药物发现。 包含我们的“提示词到药物”/制药超级智能框架，并对验证与监管给出了恰当的注意事项。 祝贺 Bhagyashri Rathod、Manish Baviskar、Sachin Puri。 https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/ddr.70400
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。
推荐理由：作者以单个 scFv 候选实测 BioEmu2 的构象传播与引导采样，并逐项对照官方模型卡界定证据边界。
Relation Therapeutics 在 bioRxiv 发布预印本，提出一套用于 prime-editing perturb-seq 的新实验方案，目标是生成 DNA 基础模型所需的训练数据。公司称其不仅构建药物发现 AI 模型，也改进底层数据生成的基础。预印本链接为 https://www.biorxiv.org/content/10.64898/2026.10.28.762453v1。
推荐理由：Relation 公开了面向 DNA 基础模型训练数据的 prime-editing perturb-seq 新实验方案，可作为扰动数据生成的参考。
清华大学深圳国际研究生院颜昊、康飞宇团队在Nature Communications发表研究，建立模块化合成、高通量筛选、可解释机器学习与动物验证的两阶段框架，从520种实验脂质扩展到10,920种虚拟候选，筛出可降解可电离脂质PA97MD101。
推荐理由：研究把可解释机器学习用于可降解脂质筛选，并用独立动物实验检验体外预测的边界。
斯坦福大学与华盛顿大学团队在Science发表Virtual Biotech，一个以药企组织为蓝本的多智能体框架，由虚拟首席科学官统筹靶点发现、安全性、modality选择与临床开发四个部门智能体，并设科学审查员质控。
北京大学来鲁华教授团队提出基于大语言模型的分子可合成性优化方法SynCraft，对难合成的高价值分子做最小图编辑而非从头生成，研究发表于Nature Machine Intelligence。
推荐理由：研究用大模型推理加最小图编辑挽救难合成分子，并给出与基线方法的量化对比和失败边界。
研究人员在Nature Computational Science发表Hi-TPH层次化TCR–pHLA数据集，最高层级含26,704组结合样本，较STAPLER完整双链数据扩大5.99倍。
推荐理由：该研究构建分层TCR–pHLA数据集并系统评测蛋白质语言模型，为抗原识别预测提供了可比较的数据与基准参照。
Scripps研究所的Bruno Melillo与Benjamin F. Cravatt团队在Nat. Chem. Biol.发表研究，通过改造Tryptoline丙烯酰胺探针的C6/C7远端结构，在Ramos细胞中定量超过24,000个半胱氨酸位点，筛出95个可被立体选择性标记的位点。
推荐理由：研究用立体探针扩展半胱氨酸配体图谱，并借GRPEL1案例展示结构预测在非正构位点的识别局限。
澪乃ゆい在 X 上分享了一篇 bioRxiv 预印本，题为 PartiDesign: A structure-sequence co-design paradigm for practical all-to-all biomolecules design，链接为 https://www.biorxiv.org/content/10.64898/2026.11.03.763860v1。该帖仅给出标题与链接，未披露具体方法、实验设置或结果数据。
Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文研究离散扩散分子生成模型在测试时如何分配算力，其在线适应框架仅用 86 次 oracle 评估即追平最强推理期搜索基线 Beam Search 约 5000 次评估的表现。
推荐理由：研究系统拆解在线适应式分子优化的四个设计选择，并给出何时值得用在线适应而非推理期搜索的判据。
悉尼科技大学、华盛顿大学、伊利诺伊大学厄巴纳—香槟分校和浙江大学研究者在arXiv发布论文，提出残基级可设计性偏好优化方法ResiDPO，用它微调LigandMPNN得到EnhancedMPNN。
推荐理由：论文把AlphaFold2逐残基置信度反馈用于微调LigandMPNN，为序列设计筛选通过率提供了可比较的提升数据。
一个模型，能从酶的序列、催化残基、底物和辅因子生成其反应机制。 @arianemora_
EPFL Bruno Correia 团队等人在 bioRxiv 发布论文，报道计算设计的光控蛋白开关系统 SPARC，将视黄醛结合、光诱导构象变化与短肽识别整合到同一蛋白中。
推荐理由：该预印本展示如何把视黄醛异构化的几何变化转化为可设计的蛋白构象开关，并给出多状态序列设计流程。
北京大学夏青团队在Nature Communications报告，抑制型tRNA（sup-tRNAs）可克服TP53多种无义突变，恢复全长p53表达与功能，并借助计算模型指导设计。
David Baker 团队 2026 年已发表 5 篇膜蛋白相关 AI 研究成果，涵盖从头设计、膜蛋白制备与结构机制研究。
推荐理由：梳理 Baker 团队今年 5 项膜蛋白 AI 设计工作，重点呈现 GPCR 迷你蛋白设计与 WRAP 增溶两条技术路线。
Anthropic 于 2026 年 10 月 27 日集中公布六家机构使用 Claude 推进药物研发的早期案例，并宣布收购罕见病公司 Mithril Medicine。
推荐理由：梳理六家机构用 Claude 做药物研发的早期案例，逐项标出体外数据、对照缺失与验证边界。
Anthropic 公布 Claude 参与的六个药物研发合作与一个自有项目，并宣布收购由一人运营的 Mithril Medicine。
推荐理由：按证据强度分层梳理 Anthropic 七项药物研发动作，并指出分子设计项目缺少对照基线这一关键缺口。
Anthropic 于 10 月 27 日公布生命科学团队与 Generate Biomedicines、Divergence Labs、BigHat Biosciences、Enveda、The Column Group 等六家机构的药物研发合作进展，并披露收购 Mithril Medicine 后推进的内部项目。
推荐理由：Anthropic 披露与六家机构及收购标的的早期药物研发合作，呈现 Claude 在分子设计与文档审核中的具体用例。
David Baker团队与苏黎世联邦理工学院等合作在Nature发表从头设计半胱氨酸蛋白酶研究，用RFD2-MI、ProteinMPNN和AlphaFold 3从Ulp1最小催化基序出发设计，69个实验设计中有13个出现肽键切割活性。
贾伟团队在Cell Metabolism发表研究，用transformer架构的分子语言模型MetLLM对胆汁酸样结构打分，从超过52万个含四环骨架的结构中筛出3900个优先候选，构建候选图谱MetSpace。
推荐理由：研究把分子语言模型与质谱鉴定、细胞实验串成代谢物发现流程，展示了从候选预测到结构确认的完整路径。
香港中文大学团队提出RNA联合生成模型DuetRNA，为每个核苷酸建立碱基与核糖两个耦合局部坐标系，在同一流匹配过程中同时输出序列与三维重原子坐标，相关预印本与代码已公开。
推荐理由：该预印本用碱基与核糖双坐标系做RNA序列与结构联合生成，并给出与RNA-FrameFlow同协议的计算对比。
北京大学周沛劼、加州大学欧文分校Qing Nie等团队在bioRxiv发布CellCompass，一套围绕实验数据选择、改写和检验细胞动力学模型的科学智能体系统。
推荐理由：预印本提出用智能体按实验线索选择与改写细胞动力学模型，并在模拟基准和四类真实数据上给出对照结果。
作者逐行核对 Mol-1 的宣传数据与 GitHub 仓库，发现 FoldBench-AB 75.0% 有出处但对比的 IsoDDE 与 75.58% 无法对应，所谓“8 项里胜过 Anthropic 10 项”算术不通，且 Mol-1 实为 Protenix 衍生模型。
Divergence Labs 宣布与 Anthropic 合作，在 Claude 帮助下发现食物过敏抗体治疗的初步进展，目标是主动将 IgE 从肥大细胞上的 FcεRI 拉离，而非等待其自然解离。