斯坦福团队发表Virtual Biotech多智能体框架，模拟药企组织完成靶点发现与临床开发推理
斯坦福大学James Zou团队在Science发表Virtual Biotech，一个模拟生物技术公司组织架构的多智能体AI系统，设虚拟首席科学官及靶点识别、靶点安全、模态选择、临床开发四个科学家智能体部门。
推荐理由：斯坦福团队用多智能体模拟药企部门，在三个真实决策点上展示跨尺度证据整合与失败试验复盘。
#论文/预印本
AI蛋白质精选AI 评分7474 DrugIntel精选AI 评分7070 Nature研究构建随机背景基线，量化配体优化中的效力与PK权衡
《Nature》2026年发表的这项研究针对6个靶点的18个先导化合物系统合成257个单原子水平类似物，发现11.3%的类似物效力提升至少10倍（95%置信区间7.5%–15.2%），但41.4%的类似物在肝微粒体稳定性、血浆游离分数或膜通透性中至少一项恶化超过3倍。
推荐理由：研究用257个单原子类似物建立配体优化的随机背景，量化效力提升与PK恶化的权衡。
HouMed精选AI 评分6363 侯廷军团队在Nature Protocols发布AI虚拟筛选平台CVSP-AIE
侯廷军、康玉团队联合澳门理工大学刘焕香团队在Nature Protocols发布AI驱动的虚拟筛选平台CVSP-AIE，整合KarmaDock、CarsiDock与RTMScore重打分模型，通过分层调用平衡筛选速度与精度。
推荐理由：该平台把三种自研对接与打分模型整合为分层筛选流程，并给出在线与本地两种使用方式，便于比较速度与精度的取舍。
英灵殿科技Valhalla精选AI 评分7070 英灵殿科技提出 OFoldNA：将二级结构信息融入全原子扩散模型，统一核酸折叠与蛋白–核酸共折叠
英灵殿科技团队提出 OFoldNA，将二级结构信息编码为已知配对、已知非配对和未知三种状态注入全原子扩散模型，统一支持核酸单体折叠与蛋白–核酸共折叠。
推荐理由：团队把二级结构编码进全原子扩散模型，并在 FoldBench 上与 AlphaFold 3 等基线逐项对比，可看核酸结构建模的评测细节。
AI蛋白质精选AI 评分6262 Broad研究所刘如谦团队在Nature发表AI重设计起点增强蛋白进化的研究
Broad研究所刘如谦团队在Nature发表研究，提出以AI重新设计的更稳定蛋白作为定向进化起点，可进化出活性、特异性和稳定性更优的蛋白。研究以肉毒神经毒素蛋白酶为对象，先用AI设计更稳定的版本，再通过功能进化使其切割包括神经退行性疾病相关蛋白ataxin-2在内的多种靶标，所得蛋白在稳定性和针对该功能的特异性上优于从天然蛋白酶出发的进化结果。
推荐理由：该研究把 AI 设计的稳定蛋白作为定向进化起点，与天然起点直接比较，为酶工程提供可迁移思路。
AI蛋白质精选AI 评分8383 西湖大学郭天南团队发表ProteinTalks：基于扰动蛋白质组学的虚拟细胞模型
西湖大学郭天南团队联合多家机构在Nature发表ProteinTalks，一个以神经常微分方程为核心的虚拟细胞模型，基于18种乳腺癌细胞系、63种FDA批准药物扰动生成的超过3800万条时序蛋白质丰度数据训练。
推荐理由：该研究用3800万条时序蛋白质组数据训练虚拟细胞模型，为药物响应预测提供了不同于转录组路线的参照。
DrugIntel精选AI 评分6969 Apple 与 Mila 提出 SimpleDesign：单个 Transformer 联合生成蛋白序列与三维结构
Apple 与 Mila 等机构提出 SimpleDesign，在同一个 Transformer 中联合生成蛋白序列与三维结构，不依赖结构 tokenizer，也不使用 SE(3) 等变网络。
推荐理由：论文用消融说明去掉结构 tokenizer 后联合生成仍有竞争力，同时保留与几何模型的差距。
Marwin SeglerAI 评分6262 Marwin Segler 团队在 Nature 发表逆合成模型 retroChimera
Marwin Segler 团队在 Nature 发表逆合成模型 retroChimera，称其推进了 AI 合成规划模型的边界。作者指出合成是药物发现的主要瓶颈，AI 合成规划可帮助提出更优路线，并使生成式分子设计更可行。推文未披露具体评测指标与实验细节。
Adaptyv Bio精选AI 评分7272 Adaptyv Bio 关注 BindCraft2 开源并用于新蛋白质设计竞赛
Adaptyv Bio 表示，BindCraft2 已在其与 Anthropic 的新蛋白质设计竞赛开始前开源，该竞赛将有超过 5000 个设计在其实验室接受实验测试。作者回顾称，BindCraft1 在 2024 年其蛋白质设计基准中表现突出，赢得首届 EGFR 竞赛，并在后续轮次中被广泛使用。所引用的发布信息显示，BindCraft2 完整代码已放出，学术和工业用途均可免费使用，论文尚未发表。
推荐理由：BindCraft2 在 Adaptyv 新竞赛前开源，可对照其上一代在 EGFR 基准中的表现理解方法迭代。
奥泊生科精选AI 评分5858 清华博士徐罡与诺奖团队用跨模态迁移做RNA设计，奥泊生科讲述干湿闭环路线
奥泊生科技术顾问徐罡与复旦大学马剑鹏团队以ESM-2为起点做跨模态迁移，先后开发ProtRNA和ProtmRNA，用于RNA结构预测与mRNA密码子优化。ProtRNA于2025年发表于Cell Systems，在bpRNA测试集上结构预测F1为0.646，对比RiNALMo的0.594，且RNA训练阶段只调整约八分之一参数、使用六分之一RNA数据。
推荐理由：奥泊生科团队讲述如何把蛋白质语言模型迁移到RNA与mRNA设计，并解释干湿闭环为何依赖实验经验回传。
创药网AI 评分3838 新型AI药物研发工具/平台（上篇）
文章简述了近期国外代表性AI药物研发工具/平台：Isomorphic Labs的IsoDDE可预测蛋白质与药物、抗体相互作用，在Runs N' Poses最难任务上准确度达AlphaFold 3两倍以上。
Marinka ZitnikAI 评分3838 AI衰老研究机遇与开放基准
很高兴与@Nature讨论在衰老研究中使用和评估AI的机遇，并重点介绍@biogerontology在@CellCellPress上发表的最新论文，该论文为衰老生物学中的AI引入了开放基准和语言模型 https://www.nature.com/articles/d41586-026-02913-7
EMBL-EBI News精选AI 评分5858 EMBL-EBI 视角：基准评测如何支撑生物医学 AI 的可靠性
EMBL-EBI 研究负责人 Julio Saez-Rodriguez 等人在一篇 Perspective 文章中讨论生物医学基础模型的基准评测，提出数据质量、模型仓库与评测框架三个相互关联的支柱，并主张将性能评估与方法开发隔离、由独立方在未见数据上评测。
推荐理由：EMBL-EBI 研究负责人系统梳理生物医学基础模型基准评测的三角框架与独立评测原则，为理解模型评测争议提供参照。
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs白皮书：不同CYP3A4活性肝细胞模型中吉非替尼肝毒性机制分化
Ignota Labs发布白皮书，用SAFEPATH平台在CYP3A4活性低（i18F）和高（i30F）的两株女性iPSC来源肝细胞中，以五个吉非替尼浓度做RNA-seq，两株均抑制globo鞘脂代谢，独立复现此前的PRKD1/PRKD3-鞘脂机制。
推荐理由：同一机制在两种CYP3A4活性不同的肝细胞模型中收敛，但下游毒性通路分化，为解释吉非替尼肝毒性的人群差异提供了可检验假设。
分子之心MoleculeMind精选AI 评分7272 分子之心QuantaMind登《Science Advances》：以反应性分子动力学模拟酶催化
分子之心自主研发的反应性原子建模平台QuantaMind相关研究发表于《Science Advances》，论文报告其在17,792原子PET水解酶体系上完成6纳秒反应性分子动力学模拟并覆盖完整催化循环。
推荐理由：论文报告反应性机器学习力场在近1.8万原子酶体系中完成完整催化循环，并给出与DFT对照的精度数据。
英灵殿科技Valhalla精选AI 评分7474 英灵殿科技发布ADMET-EvO自演化科学智能体，在22项TDC ADMET任务中综合排名第一
英灵殿科技（Valhalla Technology）联合香港中文大学、浙江大学和斯坦福大学提出ADMET-EvO，一种面向异质任务持续开展自主研究、驱动任务专用算法演化的科学智能体。
推荐理由：该工作把端点理解、假设检验与算法演化串成研究闭环，为药物研发智能体的评测方式提供了可参照的架构。
英灵殿科技Valhalla精选AI 评分7878 华盛顿大学David Baker团队提出RFOptimization：用全原子结构模型引导蛋白质设计优化
华盛顿大学蛋白质设计研究所David Baker团队提出RFOptimization（RFO），冻结RF3参数，从Pairformer后的distogram与置信度头提取梯度，在离散序列空间用梯度引导MCMC搜索，并与Boltz加ProteinMPNN/LigandMPNN的结构循环分支交替使用，AlphaFold3仅作独立评估。
推荐理由：该工作把全原子结构模型的内部梯度用于已有候选的序列优化，并给出跨模型一致性与算力成本的对照。
北京科学智能研究院AISI精选AI 评分8282 北京科学智能研究院等团队在Nature发表蛋白质组虚拟细胞模型ProteinTalks
北京科学智能研究院与西湖大学、北京大学、深势科技、哈尔滨医科大学等单位合作，在Nature发表基于NeuralODE框架的蛋白质组虚拟细胞模型ProteinTalks，用于预测药物响应与发现耐药线索。
推荐理由：研究用时间分辨扰动蛋白质组训练动力学虚拟细胞，并给出药效预测与实验验证的完整链路。
BioMap 百图生科精选AI 评分7272 百图生科联合江南大学等在ACS Catalysis提出MmALS框架，CsCE酶催化效率提升75.3%
百图生科联合江南大学、乳业国家技术创新中心在ACS Catalysis发表研究，提出多模态主动学习系统MmALS，用于CsCE（纤维二糖2-差向异构酶）的AI驱动定向进化。
推荐理由：研究用三轮主动学习闭环优化乳糖转化酶，每轮仅测约50个候选，为小样本酶工程提供可迁移流程。
Mohammed AlQuraishi精选AI 评分6565 预印本追踪训练时 MSA 深度分布对结构预测性能的影响并提出改进配方
Mohammed AlQuraishi 推荐一篇 bioRxiv 预印本，该论文系统追踪训练时 MSA 深度分布对结构预测性能的影响，并提出一个在 AF2/3 基础上取得明显改进的训练配方。原文未披露具体数据集、评测指标与改进幅度。
推荐理由：该预印本追踪训练时 MSA 深度分布对结构预测的影响，并给出相对 AF2/3 有改进的训练配方。
Brian Hie精选AI 评分7070 Germinal 设计 VHH 抗体在体内抵御眼镜蛇毒
Brian Hie 提到 Germinal 团队成功设计出对眼镜蛇毒具有体内保护作用的 VHH 抗体，相关结果以预印本形式发布在 bioRxiv。该帖未披露设计方法、抗体数量、动物模型与保护效力等具体数据，细节需见预印本原文。
推荐理由：该预印本报告计算设计的 VHH 抗体在动物体内对眼镜蛇毒提供保护，可作为蛋白设计走向功能验证的参照。
唯信计算精选AI 评分6363 唯信计算实测57个抗体结构：11种预测模型谁更准、谁更快
唯信计算（Wecomput）基于2026年1月1日至8月19日发布的57个PDB抗体结构、105条抗体链，在统一指标下评测11种抗体结构预测模型与模式。
推荐理由：唯信计算用统一数据与指标横向比较11种抗体结构预测模型，并给出逐结构互补性与速度取舍的参照。
Inceptive精选AI 评分7878 Inceptive 微调模型设计 in vivo CAR-T mRNA，5 条序列中 3 条在体内优于 Capstan 基准
Inceptive 用自建 CAR-T 数据微调序列设计模型，生成编码同一抗 CD19 CAR 蛋白的 mRNA 设计，并将 5 条序列推进 NSG-PBMC 人源化小鼠，与 Capstan 的抗 CD19 序列在同一 CD8 靶向 LNP（Amplitude Therapeutics 提供）下以 0.1 mg/kg 给药、24 小时终点比较。
推荐理由：Inceptive 用自建 CAR-T 数据微调序列设计模型，并在人源化小鼠中与 Capstan 基准序列做头对头比较，展示了模型排序到体内功能读数的转化路径。
Oxford Protein Informatics Group · Blog精选AI 评分5858 用机器学习预测ADME性质：两个描述符保留82%性能
OPIG的UNIQ+学生Zarif Shafiei复现Biogen ADME数据集上的模型比较结论，发现仅用RDKit的PEOE_VSA与SlogP_VSA两个向量描述符即可保留48描述符基线82%的预测性能（LightGBM、四端点5折交叉验证，平均R²由0.42降至0.36）。
推荐理由：作者复现Biogen ADME基准并检验其结论，发现两个RDKit描述符可保留82%预测性能，为特征选择提供参照。
Mohammed AlQuraishi精选AI 评分6262 OpenBind 发布首篇预印本，公开首批数据与新增虚拟筛选基准
OpenBind 发布首篇预印本，对首批 OpenBind 数据发布做更正式的分析，并扩展了此前的博客内容。该预印本补充了更多方法细节和额外分析，公开了输出与代码，并新增一个虚拟筛选基准。
推荐理由：OpenBind 首篇预印本公开首批数据与代码，并新增虚拟筛选基准，便于对照其数据与方法细节。
Inductive Bio 官网资讯精选AI 评分5858 Inductive Bio 分享 OpenADMET PXR 盲测夺冠方法
Inductive Bio 在 OpenADMET 2026 年 PXR 激活预测盲测中从 350 多名研究者中排名第一，其负责人 Duncan Muir 在 webinar 中完整讲解建模路径。
推荐理由：Inductive Bio 复盘其在 OpenADMET PXR 盲测中的建模路径，为 ADMET 预测的误差分析与数据融合提供可迁移做法。
Pranam Chatterjee精选AI 评分7373 SaLT&PepPr 引导肽在小鼠体内选择性降解致病 β-catenin
Pranam Chatterjee 团队在 Science Advances 发表论文，报告由蛋白语言模型（pLM）设计的肽在小鼠体内起效，SaLT&PepPr 引导肽可选择性降解致病 β-catenin。作者称这是基于序列的结合剂设计的一项进展，论文链接为 science.org/doi/10.1126/sciadv.aec8271。
推荐理由：作者团队报告其设计的肽在小鼠体内实现靶向降解，为序列设计结合剂的体内验证提供实例。
AI4Protein精选AI 评分8080 Science 论文解读：Townley 等用深度学习从头设计 RNA 假结
Townley 等人在 Science 发表的工作用深度学习设计 RNA 假结，先做对二级结构与局部拓扑，再借助 RNA 自身折叠补全三维细节。
推荐理由：文章解读了深度学习设计 RNA 假结并用 SHAPE 与补偿突变验证的路线，也点出结构正确不等于功能保留。
AurekaBio 寻明生科精选AI 评分8383 寻明生科AuraIDE夺得首届AIntibody抗体设计盲测Challenge 1冠军，结果发表于Nature Biotechnology
首届国际AI抗体设计大赛AIntibody的结果发表于Nature Biotechnology，寻明生科自研抗体设计模型AuraIDE（参赛名AuraBind）在Challenge 1计算亲和力成熟任务中夺冠，其冠军抗体经KinExA测得KD为94.7pM，较亲本抗体提升约2000倍，优于第二轮组合文库湿实验筛选得到的最佳抗体（113pM）。
推荐理由：首届AIntibody盲测以统一湿实验验证抗体设计，冠军序列的亲和力优于实验筛选最优克隆，为模型能力提供了独立参照。
Pranam Chatterjee精选AI 评分6262 Pranam Chatterjee团队用语言模型设计肽引导构建哺乳动物蛋白敲低筛选
Pranam Chatterjee团队报告构建了一种哺乳动物筛选体系，用语言模型设计的肽引导在多个疾病靶点上筛选蛋白敲低。该工作以预印本形式发布在bioRxiv，作者将其类比为蛋白质层面的CRISPR可编程筛选，具体筛选规模与命中结果未在推文中披露。
推荐理由：作者团队用语言模型设计肽引导构建哺乳动物筛选，为蛋白功能敲低提供可迁移的实验框架。
Valence Labs 官网资讯精选AI 评分6262 Valence Labs 作者运行 Boltz-2 一亿次，检验共折叠能否模拟细胞生物学
Valence Labs 的 Dominique Beaini 用可抢占 GPU 对 9,000 个靶点与 50 万配体运行 AlphaFold-Multimer 和 Boltz-2 共折叠及亲和力预测，累计 1 亿次，构建名为 affinity-prints 的数据集，并借助 Recursion 的表型组学图谱检验预测相互作用与细胞实验数据的对应关系。
推荐理由：作者用上亿次共折叠预测搭建亲和力指纹，并检验其与细胞表型数据的对应关系，为共折叠与虚拟细胞的衔接提供了一套可迁移的评测思路。
Biohub · News精选AI 评分7474 Biohub 用 AI 建模肿瘤细胞状态，在 DMG 小鼠中验证双药组合延长生存
Biohub 与哥伦比亚大学等机构的研究者开发 AI 系统，用 ARACNe 与 VIPER/metaVIPER 从单细胞 RNA 测序数据中识别控制肿瘤细胞状态的 Master Regulators，发现同一瘤种的患者共享近乎相同的恶性细胞状态集合，相关结果发表于两篇 Nature Genetics 论文。
推荐理由：两篇 Nature Genetics 论文用单细胞数据刻画肿瘤细胞状态，并在 DMG 模型中验证组合用药的协同生存获益。
Amir Shanehsazzadeh精选AI 评分6767 Amir Shanehsazzadeh 发布蛋白结合剂设计数据并谈 ipSAE 指标
Amir Shanehsazzadeh 表示其数据发布中包含了用全部10个共折叠模型、每个模型5个种子重新打分所得设计的PAE，希望这些数据与湿实验数据能帮助发现更好的结合与亲和力指标。
推荐理由：作者公开蛋白结合剂设计数据时说明纳入10个共折叠模型各5个种子的PAE，为结合亲和力指标改进提供素材。
Ginkgo Datapoints · Updates精选AI 评分7070 GDPa5：基于大规模IgG数据预测VHH-Fc可开发性
Ginkgo发布GDPa5，一个含160个成员的VHH-Fc库，在PROPHET-Ab平台上用10项生物物理实验进行表征，并同步发布bioRxiv预印本。在559个IgG上训练的跨格式模型优于仅用GDPa5训练的模型，作者认为优势来自标准化IgG数据的规模而非格式本身。
推荐理由：该预印本公开VHH-Fc可开发性数据集，并比较IgG训练模型与格式内训练模型的跨格式迁移表现。
Valence LabsAI 评分2222 Valence Labs 谈生成式AI置信度预测
Valence Labs 介绍其置信度预测新工作，用于判断药物分子预测结果中哪些可信、哪些需回实验室补数据。推文指出生成式AI模型很少按已有证据校准置信度，在药物发现中这种虚假自信会浪费时间和资金。视频由 Tristan 讲解。
英灵殿科技Valhalla精选AI 评分7474 NACraft：用全原子结构模型反馈实现可编程核酸适配体设计
Valhalla Technology 等提出 NACraft，将 Boltz-1 全原子结构模型的可微分反馈反向传播到核苷酸序列，在推理阶段统一支持 de novo、similarity-guided 和 target-selective 三类 RNA/DNA 适配体设计，无需针对任务重新训练。
推荐理由：该工作把全原子结构模型的反向反馈用于核酸适配体设计，并给出跨靶标与选择性任务的评测结果。
Evaxion Biotech 官网资讯AI 评分4040 Evaxion 公布 2026 年第二季度财报与业务进展：EVX-01 三年临床数据将在 ESMO 2026 公布
Evaxion 在 2026 年第二季度业务更新中宣布，个性化癌症疫苗 EVX-01 的三年临床数据将于 10 月 ESMO 2026 大会公布，并扩展了靶向胶质母细胞瘤的现货型疫苗 EVX-05。EVX-04 在 EHA 2026 公布的数据显示其可在人细胞中完整表达、分泌并驱动小鼠与人类细胞的特异性免疫应答，公司计划年底前提交其临床试验监管申请。公司现金可支撑运营至 2027 年下半年。
Amir Shanehsazzadeh精选AI 评分5858 Twist Bioscience 称 Claude 在 15 个靶点中为 14 个设计出结合剂并完成湿实验验证
Twist Bioscience 表示，其选取常见与新颖靶点测试 Claude 的蛋白设计能力，在 15 个靶点中 Claude 成功为 14 个设计出结合剂，湿实验验证由 Twist 完成。Amir Shanehsazzadeh 转发该内容并表示与 Twist 团队合作愉快、期待继续合作，帖文未披露靶点清单、结合剂形式与验证指标。
推荐理由：Twist 披露 Claude 在 15 个靶点中设计出 14 个结合剂并完成湿实验验证，可作为了解通用大模型参与蛋白设计的参照。
Amir Shanehsazzadeh精选AI 评分7878 Claude 编排开源蛋白模型，15 个靶点中设计出 14 个从头结合剂
Anthropic 测试 Claude 能否从头设计蛋白结合剂：在人类专家撰写的设计提示下，Claude 自主针对 15 个靶点中的 14 个完成了设计，随后由 Adaptyv Bio 与 Twist Bioscience 独立构建并测试，作者称成功率和亲和力均较高。
推荐理由：Anthropic 与 Adaptyv Bio、Twist 的实测显示，Claude 编排开源模型在 15 个靶点中设计出 14 个从头结合剂，可作为智能体驱动蛋白设计的参照。
Mohammed AlQuraishi精选AI 评分7272 AlQuraishi评蛋白质设计方法靶点难度差异：Genie 3分到最难靶点
Mohammed AlQuraishi 评论称，不同蛋白质设计方法分到的靶点难度各不相同，Genie 3 拿到的是最难的靶点，并希望这算是一种恭维。该评论引用 Anthropic 关于 Claude 从零设计蛋白质结合剂的内容，其中称在人类专家撰写的设计提示下，Claude 自主针对 15 个靶点中的 14 个设计出结合剂，并由 Adaptyv Bio 与 Twist Bioscience 独立构建和测试。
推荐理由：作者对比不同蛋白质设计方法分到的靶点难度，指出Genie 3拿到最难靶点，为解读各家设计结果提供难度差异视角。