#结合构象

BioEmu2 全流程教程与实测：微软开源全原子生物分子结构与动力学模型

作者在 Linux + conda + NVIDIA RTX 4080 SUPER 上实测微软 BioEmu2 全原子扩散模型，对腺苷酸激酶 ADK 和肌红蛋白各生成 8 个初始候选、从同一起点推进 4 条轨迹，每条 20 次、每次 50 ns，覆盖 1 μs 模型时间，80 个推进端点全部通过几何检查。

MolVortex大师班第2期：高效构效关系分析助力分子设计新路径

望石智慧在MolVortex大师班第2期展示其全栈式小分子早研智能体MolVortex针对CBL-b别构抑制剂的靶点调研与分子生成流程。该流程先做知识产权全景调研与专利解析，再自动抽取分子结构与活性数据并输出构效关系分析报告，随后以五种设计模式单批生成100个有效分子，并对接靶点口袋预测结合构象与结合打分。

BioAIDesign 解析 pLDDT、ipTM 等结构预测评估指标并实操 foldmetrics

BioAIDesign 发布结构预测评估指南，逐层解释 pLDDT、PAE、pTM、ipTM、pDockQ、pDockQ2、ipSAE 与 LIS 等指标分别回答局部可信度、链间相对位置还是与参考结构的准确度，并指出 ipTM 0.9 不能换算成亲和力。

预印本论文探讨共折叠模型预测对齐误差的方向性对多样分子复合物打分的作用

作者转发了一篇 bioRxiv 预印本，题为 Rēs ipSAE adhūc loquuntur: What the directionality of predicted aligned error in cofolding models can tell us about scoring diverse molecular complexes，链接为 https://www.biorxiv.org/content/10.64898/2026.11.02.763449v1。作者本人只补充说明标题是拉丁语「事实自会说话」的文字游戏，暗藏手法名 ipSAE，并可解读为 PAE 仍有可说的内容。

Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测

Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。

ipSAE与ipDAE等折叠模型指标对比

我觉得其他人也做过类似的事，但这里快速看一下各折叠模型上 ipSAE vs ipDAE vs ipTM 的对比 ipDAE（BindCraft2）表现 consistently 好，但 OpenDDE+ipTM 出乎意料地好，而且在不同阈值下都稳健 共识（Consensus）的帮助没有我预期的那么大

Molence 设计 VHH 靶向 TNFR2 与 IL-4Rα 天然配体结合区

Molence 针对 TNFR2 和 IL-4Rα 的天然配体结合区设计 VHH，在顺序 BLI 竞争实验中，预先结合 TNFα 或 IL-4 会降低相应设计 VHH 的后续结合。作者称这些实验支持 VHH 识别预期区域，将表位定向设计目标与实验证据相连。此前该系列报告 30 个 VHH-Fc 候选跨 13 个靶点的四项生物物理筛选结果，其中 23 个至少满足四项中的三项。

Molence 的 Mol-1 在 MGBench 分子胶预测中报告低同源条件 28.6% 联合成功率

Molence 的 Mol-1 在 MGBench 分子胶预测基准上报告联合成功率：已见条件 92.2%、高同源 74.6%、低同源 28.6%，最强评测基线在低同源条件为 19.1%。联合成功需同时满足配体 RMSD < 2 Å、lDDT-PLI > 0.8 和蛋白界面 DockQ > 0.23。作者同时引用的另一条内容称，在 Runs N' Poses 的 0–20 最低相似度区间，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%，通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。

Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果

Molence 公布 Mol-1 在 MolBench-Peptide-26 蛋白-肽复合物预测基准上的成绩：DockQ > 0.23 为 88.8%，DockQ > 0.49 为 77.3%，DockQ > 0.80 为 54.1%。加入结合位点信息后，Mol-1-constraint 在相同阈值下分别提升至 92.2%、85.0% 和 60.2%。作者称生物位点信息在每个评测精度阈值上都改善了肽复合物预测。

Molence 发布 Mol-1-constraint：表位信息提升抗体-抗原复合物预测

Molence 公布 Mol-1-constraint，在提供表位信息时，四个抗体-抗原基准上 DockQ > 0.23 的成功率均高于基础模型：FoldBench-AB 从 75.0% 升至 88.3%，AF3-AB 从 62.7% 升至 84.2%，PXMeter-AB 从 58.3% 升至 77.5%，MolBench-AB-26 从 57.3% 升至 79.4%。作者称表位可作为预测输入，基础模型与 Mol-1-constraint 均可在 lab.molence.com 获取。该帖为系列第 14 条，引用内容另报告 Mol-1 在 MolBench-Peptide-26 上的肽-蛋白预测结果。

Molence 称 Mol-1 长时程智能体在 10 个组装任务中 9 个超过 Anthropic 报告结果

Molence 称基于 Mol-1 的长时程智能体在 10 个受评组装任务中有 9 个超过 Anthropic 报告的结果，可在单张 NVIDIA H20 上预测最长 60,120 个残基的复合物结构，其中 8 个达到 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，与 IsoDDE 已发表的 75.58% 相当；该结果来自对 32 个种子构成的 201,376 种五种子组合的评测，其中 62.22% 达到或超过 75% 成功率。Mol-1 代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。

同一新闻，精选展示《Molence 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装》

BioEmu2 实测：AI 设计抗体能否靠动态模拟提前筛选

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。

可从头设计结合全反式视黄醛的光响应蛋白

你可以从头设计出能结合全反式视黄醛、并响应光照发生构象变化的蛋白质！ @befcorreia

Divergence Labs 与 Anthropic 合作，用 Claude 辅助设计食物过敏抗体

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。

Molence 发布 Mol-1：单张 NVIDIA H20 上完成 60,120 分子组装与结构预测

Molence 称其 Mol-1 在单张 NVIDIA H20 上完成 60,120 分子组装与结构预测，基于 Mol-1 的长时运行智能体在 10 个受评组装中 9 个优于 Anthropic 报告的结果，其中 8 个 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，接近 IsoDDE 公布的 75.58%，并称在 32 个种子构成的 201,376 种五种子组合中 62.22% 达到或超过 75% 成功率。模型代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。

同一新闻，精选展示《Molence 发布开源生物分子智能模型 Mol-1》

微软提出增强扩散采样方法 Enhanced Diffusion Sampling，更高效捕捉蛋白质稀有构象

微软 Research AI for Science 等团队提出 Enhanced Diffusion Sampling，将伞形采样、Metadynamics 等增强采样思路引入扩散模型，相关研究正式发表于 Journal of Chemical Physics。

科迈生物 EPIC 论文获 NeurIPS 2026 AI4DD Workshop 接收，联合预测表位、互补位与残基接触

科迈生物的 EPIC 模型从抗体和抗原氨基酸序列出发，联合预测抗原表位、抗体互补位与残基接触，论文获 NeurIPS 2026 AI for Drug Discovery Workshop 接收。

微软 BioEmu2 生物分子结构动力学基础模型已上线 Tamarind Bio

Frank Noé 表示，微软研究院 AI for Science 的生物分子结构、动力学与功能基础模型 BioEmu2 已可在 Tamarind Bio 平台使用。该模型以开放权重、MIT 许可发布，代码托管于 GitHub；引用内容展示了 BioEmu2 模拟无序肽 PUMA 与 MCL-1 受体结合的示例。

共折叠模型中接触信息提升结构预测精度

这些共折叠模型最有趣的特点之一，就是1个接触对结构预测精度的帮助有多大——我在开发这些模型时反复看到这一结果

微软 BioEmu2 发布：融合结构预测、平衡态采样与动力学推演的生物分子基础模型

微软研究院 AI for Science 团队（Frank Noé 领衔）推出第二代生物分子基础模型 BioEmu2，将静态结构预测、热力学平衡态采样、跨时间尺度动力学推演和万级残基复合物装配整合为统一工作流。

同一新闻，精选展示《微软开源 BioEmu2 生物分子基础模型，同时覆盖结构、平衡系综与动力学传播》

Nature Reviews Drug Discovery 访谈 OpenBind 负责人 Charlotte Deane：AI 药物发现的数据鸿沟如何填补

牛津大学 Charlotte Deane 在 Nature Reviews Drug Discovery 访谈中介绍其联合领导的 OpenBind 计划，目标是建成全球最大的开放获取药物-蛋白质相互作用数据集，以改进蛋白-小分子结合结构与亲和力预测。

OpenBind启动首届盲测挑战：预测寨卡NS2B-NS3蛋白酶与400个化合物的结合构象

OpenBind联合OpenADMET与ASAP Discovery Consortium于2026年10月14日启动首届OpenBind盲测挑战，要求参赛者预测400个化合物与寨卡病毒NS2B-NS3蛋白酶形成的蛋白-配体复合物，化合物从小片段到类先导分子不等。

Nature Methods前瞻：蛋白质结构预测从静态结构走向构象集合

Wankowicz与Bonomi在《Nature Methods》发表前瞻文章，指出AlphaFold等工具已改变静态结构预测，但仍无法捕捉完整构象集合，核心瓶颈是缺乏原子分辨率下可作金标准的真实参考数据。

唯信计算 WeMol 推出 AbForge 多特异性抗体全原子结构建模引擎

唯信计算在 WeMol 平台上线 AbForge，输入完整抗体 FASTA 后自动识别 Format 与结构域拓扑，按 KiH、CrossMab 等工程约束装配全原子三维模型。

德睿智药发布生命科学基座模型体系Intera，首推结合构象预测模型InteraFold-Chem

德睿智药于2026年9月18日发布生命科学基座模型体系Intera，并公布首个模型InteraFold-Chem的技术报告，该模型聚焦蛋白质与小分子的结合构象预测。

AlQuraishi 团队与 Apheris 用五家药企私有数据训练 OpenFold3p2

Mohammed AlQuraishi 表示，团队与 Apheris 合作，在五家药企内部的蛋白-配体复合物数据库上训练了 OpenFold3p2。由于 PDB 中类药化合物相对稀少，这批数据使相关结构数据量增加 3-4 倍，并带来精度显著提升。作者称训练数据未离开各药企内部环境。

予见｜予路乾行徐戚轩：如何在真实药物研发中理解计算化学的价值？

予路乾行项目负责人徐戚轩在访谈中讲述从计算化学工程师到项目负责人的成长，并复盘一项分子胶研究：计算方法构建分子胶体系的准确度已接近晶体结构，可更快捕捉关键相互作用位点。该工作借助自研DIVAMICS平台从三维结构叠加时间维度刻画结合机理，论文发表于JCIM，投稿修改意见累计近100条。

天鹜科技开源全原子结构预测模型VenusFold，FoldBench多类任务领先AlphaFold3与Boltz-2

天鹜科技发布并开源通用全原子生物分子结构预测模型VenusFold的代码与权重，可预测蛋白质、蛋白质-小分子和蛋白质-蛋白质复合物结构。

AlphaFold 复合物置信度指标差异解析

同一个预测复合物，不同的置信度分数： ipTM：0.38 ipSAE：0.75 为什么这些指标会有差异？完整解析 👇 https://youtu.be/k4yBqddtPyQ #AlphaFold #AFDB

予见｜予路乾行刘文朗：AI时代，药物发现为何更加需要物理模拟？

予路乾行计算化学总监刘文朗认为，分子动力学模拟的价值在于揭示药物分子与靶点在动态环境下的结合机制，而非仅给分子打分。其参与的与北京鞍石合作的下一代c-Met候选分子已进入中美双I期临床，计算分析用于提前排除高风险设计方向、安排合成优先级。予路乾行还推出BioTrajectory AI平台，用于早期立项的信息汇总与技术脉络追踪。

Vilya 发布全原子基础模型 Vilya-2，可建模化学多样性分子界面

Vilya 发布全原子基础模型 Vilya-2，称其无需模板或共进化输入，通过扩散和单一统一原子表示解析多肽与靶点复合物。公司称该模型对非经典多肽达到亚埃级精度，并准确预测 Zolucatetide、Daraxonrasib、Icotrokinra 和 Enlicitide 与各自治疗性蛋白靶点的相互作用。

Rowan 博客：对接之后该做什么

许多刚接触基于结构的药物发现的科学家，能直观理解如何以及何时运行对接或共折叠，但不太确定下一步该做什么。 在我们最新的博客文章《What to Do with a Pose》中，我们提供了一份关于后续步骤的快速指南： https://rowansci.com/blog/what-to-do-after-docking

寻明生科开源全原子生物分子基座模型 OpenDDE

寻明生科于2026年7月7日发布并开源全原子生物分子基座模型 OpenDDE，将生物分子共折叠、结构推理与规模化法则纳入同一框架。

Genesis分子AI将在ICML首尔GenBio 2026展示DeCAF

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/

Genesis 公开智能体药物设计系统 Sapphire

Genesis Molecular AI 首次披露其智能体药物设计系统 Sapphire，该系统构建于其分子基础模型之上，可全天候自主迭代候选药物，对2D化学结构与3D分子构象进行推理并形成、检验假设。

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。

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。

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。

字节 Protenix 发布 v2.0.0：464M 参数 Protenix-v2 模型上线

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。

David Mobley 团队发布预印本：用扭转态跃迁计数检测蛋白-配体模拟采样问题

David Mobley 团队发布新预印本，介绍一种用于发现蛋白-配体复合物常见模拟中采样问题的简单分析工具，其做法是统计扭转态之间的跃迁次数。作者称该方法简单但出乎意料地有用，预印本已发布于 ChemRxiv。