临港实验室发布AI药物研发工作台元生·开物OriBench测试版
临港实验室发布AI药物研发工作台元生·开物OriBench测试版，整合基因组学、单细胞、蛋白质组学、结构生物学、化学信息学与药理毒理学等技能，支持固定流程、智能编排和自定义编排三种长任务执行模式。
推荐理由：临港实验室把靶点发现、组学分析与分子设计整合进同一工作台，并公开了与Claude Code的基准对比。
#评测/基准
AI4Protein精选AI 评分5858 英灵殿科技Valhalla精选AI 评分7070 英灵殿科技提出EpiBench基准：评测大模型能否从序列理解抗体表位
英灵殿科技团队提出EpiBench，一个面向抗体药物发现的表位推理基准，包含1,609个样本和五项相互关联任务，标签来自抗体–抗原复合物结构、功能性B细胞实验与深度突变扫描数据。
推荐理由：该基准把表位理解拆成五项抗体发现决策任务，并给出通用大模型在长序列定位与抗体特异性对应上的具体缺口。
Hannes Stärk精选AI 评分5858 cofoldarena.ai 上线开源共折叠结构预测模型排行榜
Hannes Stärk 转发推荐 bjing2016 制作的 cofoldarena.ai，这是一个与 PDB 同步、每周更新的开源共折叠结构预测模型排行榜，所有预测结果均可查看和下载。bjing2016 表示，推出该榜单是为了帮助大家跟上不断涌现的开源共折叠模型。
推荐理由：该榜单按周同步 PDB 并公开预测结果，为比较开源共折叠结构预测模型提供了可下载的参照。
Inductive Bio 官网资讯精选AI 评分6060 Inductive Bio 在 OpenADMET PXR 盲测挑战中夺冠，为连续第三次获第一
Inductive Bio 在 OpenADMET 的 PXR Blind Challenge 中排名第一，击败来自大型药企、生物技术公司、学术机构和 AI 组织的 350 多名研究者。
推荐理由：Inductive Bio 在 PXR 盲测挑战中夺冠，可与该公司连续三次盲测成绩及 ADMET 建模的真实条件评测对照阅读。
Hannes StärkAI 评分4242 Xaira 谈结合剂设计评估标准
很高兴看到 @Xaira_Thera 这篇博客文章，它基于我们近期关于评估结合剂设计模型的笔记！ 把候选分子称为结合剂的好标准 :) 让我们更多传播关于合理结合剂分类与报告的意识！ https://www.xaira.com/news/progressable-binders-the-binders-that-matter
Genesis Molecular AI精选AI 评分7474 Genesis Molecular AI 发布 DeCAF-Pearl 全原子共折叠流图模型，推理提速 5 倍
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 Therapeutics 官网资讯精选AI 评分7373 Genesis 发布 DeCAF-Pearl：面向全原子共折叠的流映射蒸馏模型
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。
Roshan Rao精选AI 评分6262 ESMC、ESMFold2 与蛋白机制可解释性论文更新并发布预印本
Roshan Rao 等在 bioRxiv 发布关于 ESMC、ESMFold2 和蛋白质机制可解释性的论文，并对上周初版做了修订。
推荐理由：作者说明 ESMC、ESMFold2 与蛋白机制可解释性预印本的修订内容，涉及基准评测与结果口径调整。
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。
Valence Labs 官网资讯精选AI 评分6060 显微图像深度学习究竟学到了什么：Valence Labs 作者谈基准与可解释性
Valence Labs @ Recursion 的 Ihab 在文章中讨论显微图像深度学习模型究竟学到了什么，指出在部分细胞培养显微任务中，多个已训练模型的表现与未训练网络和像素统计等简单基线相近，说明基准分数中有一部分信号并不需要高层生物学表征。
推荐理由：作者结合自身基准测试经验，讨论显微图像模型何时学到真实生物学信号、何时依赖技术捷径，并提出可解释基线的设计思路。
Genesis Therapeutics 官网资讯精选AI 评分7474 Genesis 的 Pearl 系统在 OpenBind 基准上零样本超越全部共折叠模型
Genesis 称其 Pearl 系统在 OpenBind 的 EV-A71 2A 蛋白酶基准（802 个化合物，best-of-25）上零样本取得 78% 联合标准成功率（RMSD ≤ 2 Å、PoseBusters 有效、LDDT-PLI ≥ 0.8），高于 OpenBind 评测的全部共折叠模型。
推荐理由：Genesis 在 OpenBind 公开基准上对比 Pearl 与六种共折叠模型及对接方法，给出零样本与亚埃级精度的具体参照。
David Mobley精选AI 评分7373 Open Free Energy 团队发布覆盖 15 家药企的自由能方法开放基准研究
Open Molecular Software Foundation 旗下 Open Free Energy 团队宣布完成迄今规模最大的自由能方法开放基准研究，称在 15 家制药公司参与的测试中达到经行业验证的准确度。David Mobley 转发该消息并附上 Business Wire 新闻稿链接，未披露具体误差指标或测试体系。
Mol.AIAI 评分4040 实测ETH开源算法BIMODAL：91.7%命中率，109次尝试即得100个全新化合物
对ETH Zurich Schneider团队开源框架BIMODAL的实测显示，109次生成尝试得到100个兼具有效性、新颖性与唯一性的分子，成功率91.7%。所用BIMODAL_random_512_aug_5模型经5倍数据增强，基于ChEMBL22中271,914个高活性生物分子训练，采样温度设为0.7。该结果来自生成环节的合规性与去重统计，部分分子仍需进一步确认。
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs 谈 AI 毒理模型验证：好指标救不了命
Ignota Labs 发文指出，AI 毒理预测模型的高 AUC、F1 等指标多来自小而窄的化学空间数据集，难以支撑化合物推进与患者安全决策。文章以 DUD-E 虚拟筛选基准的类似物偏倚为例，说明模型学到的是数据集特征而非药物-蛋白结合机制，并批评二元毒性标签忽略剂量、药代与遗传差异，hERG 抑制预测也不等于预测患者尖端扭转型室速。
推荐理由：Ignota Labs 结合 DUD-E 类似物偏倚等案例，说明毒理预测指标为何难对应真实安全性决策，并提出外部验证思路。