AI制药日报｜Pallatom2 全原子生成模型发布；多项预印本成果发布
力文所发布全原子生成模型Pallatom2，可同时生成氨基酸序列与主侧链原子构型并指定靶点结合界面；据该帖介绍，210个候选中确认112个具结合活性，10个靶点均获结合剂，其中6个靶点经BLI测定报告pM量级KD。
#Baker Lab
下一分子AI 评分7474 DeepTech深科技AI 评分5858 AI正在重新设计生命，David Baker要用蛋白质造计算机和分子机器
诺奖得主 David Baker 因从头蛋白质设计的开创性贡献获伦敦皇家学会克鲁恩奖章，并在获奖演讲中回顾过去一两年的工作。他称 AI 辅助蛋白质设计已让结合靶点接近解决，团队转向设计只在特定条件下启动的开关蛋白，并提到新一代模型 RFD4 生成的结构许多从第一轮起就有活性。
AI-Protein Design精选AI 评分7272 3篇 bioRxiv 深度解读：生成式 AI 如何化解蛋白药物的“排异”难题？
斯坦福团队 ProVADA 模型作者在 bioRxiv 预印本基础上撰文，对比自家 ProVADA 与 David Baker 团队 MINT、普林斯顿团队 MESSI 三条生成式 AI 去免疫原性路线。
推荐理由：ProVADA 作者对比三篇预印本的去免疫原性路线，梳理实验验证目标与序列改动幅度的取舍。
BioTender精选AI 评分6060 David Baker 皇家学会 Croonian 演讲：AI 蛋白质设计从结合走向执行功能
2026 年 11 月 3 日，David Baker 在伦敦皇家学会发表 Croonian 奖项演讲，以“Advances in computational protein design”为题展示团队及合作者近一两年在结合蛋白、条件响应开关、从头酶和蛋白质材料方面的进展。
推荐理由：以一场奖项演讲为线索，串联结合蛋白、条件开关与从头酶的多项进展，呈现蛋白质设计从识别走向执行功能的路径。
药化猩球精选AI 评分5858 用RFdiffusion从零设计靶向KRAS G12D pMHC的纳米抗体：Challenge 5实战流水线记录
作者记录了Anthropic × Adaptyv蛋白设计大赛Challenge 5的轨道B方案：用RFdiffusion-Ab在h-NbBCII10人源化VHH骨架上生成500条CDR骨架，经ProteinMPNN生成2000条序列，再用RF2打分筛选出20条提交，全部在单块RTX 5080上耗时约68小时。
推荐理由：记录从500条RFdiffusion骨架到20条提交的完整计算流水线，并给出运行耗时与踩坑细节，可供同类设计复用。
下一分子AI 评分3838 AI制药月报｜2026年10月
下一分子10月月报收录33项进展，蛋白质设计重点从生成候选延伸至功能验证，虚拟细胞数据规模继续扩大，产业合作聚焦递送与蛋白疗法。月报以时间线梳理Baker Lab及IPD的14项研究，涵盖模型工具、功能设计与可开发性。其他进展包括RFdiffusion3正式发表、RFD4开源，以及剂泰与礼来就LNP递送达成合作，首付款逾千万美元、里程碑最高11亿美元。
澪乃ゆいAI 评分1515 IPD与NVIDIA合作蛋白质设计模型RFD4-Proteina
感谢今天来观看Paper Talk直播的各位！🩵🩷 这次我们介绍了IPD × NVIDIA共同开发的蛋白质设计模型“RFD4-Proteina”！🤖✨ 错过直播的朋友，或者想再仔细看一遍的朋友，请务必从存档观看！
下一分子AI 评分7272 AI制药日报｜2026-10-31
Ginkgo Datapoints旗下虚拟细胞药理学计划于2026年10月27日以CC BY 4.0许可开放ReFRAME化合物库的DRUG-seq转录组数据，覆盖12,949种化合物，注册免费账户即可获取。
澪乃ゆいAI 评分1818 华盛顿大学与NVIDIA蛋白质设计模型讲解
稍后11/1 10AM (JST)开始直播✨ 这次要讲解的是华盛顿大学IPD与NVIDIA共同研究的蛋白质设计模型RFD4-Proteina！ 初次观看的朋友也非常欢迎！ 请一定来实时观看哦🙌
AI-Protein DesignAI 评分3434 AI蛋白质设计在神经退行性疾病领域的进展如何？
针对阿尔茨海默病、ALS等神经退行性疾病，现有7项AI蛋白质设计研究覆盖金属蛋白酶降解Aβ与TDP43、靶向FUS/Amylin/Aβ/Tau/TDP43的binder设计及病理修饰检测，多数由David Baker团队完成。金属蛋白酶研究仅完成体外实验，细胞与动物验证仍是挑战；靶向无序蛋白的binder设计曾尝试polyQ但失败。整体研究数量不多，尚无AI设计蛋白药物进入AD治疗。
下一分子AI 评分3434 AI制药日报｜2026-10-30
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。
BioAICraft精选AI 评分7373 David Baker团队发布MINT方法：在保留蛋白功能的同时降低CD8⁺ T细胞免疫原性
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。
BioAICraft精选AI 评分7373 arXiv论文提出ResiDPO并微调LigandMPNN得到EnhancedMPNN
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。
BioAICraft精选AI 评分7878 EPFL 团队在 bioRxiv 发布 SPARC：AI 从头设计光控蛋白开关
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。
iNature精选AI 评分7474 AI蛋白设计进入深水区，诺奖得主David Baker在膜蛋白领域的研究进展
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。
下一分子AI 评分3232 AI制药日报｜2026-10-28
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。
下一分子精选AI 评分7373 IPD与NVIDIA开源RFD4-Proteina：从计算通过率到湿实验的采用判断
IPD与NVIDIA于10月公开RFD4-Proteina的代码与模型权重，模型把序列与结构放进同一生成过程，并提供候选搜索与评估入口，核心许可为BSD 3-Clause。
推荐理由：结合开源入口、计算基准口径与两组湿实验，给出团队自评该蛋白设计模型是否值得采用的判断框架。
智药邦AI 评分7878 英伟达与David Baker团队联合发布蛋白质设计模型RFD4-Proteina
NVIDIA与华盛顿大学医学院蛋白质设计研究所联合发布开源模型RFD4-Proteina，归属NVIDIA BioNeMo，兼具可编程蛋白质设计与搜索能力，可基于分子输入、约束条件和评分目标检索并优化设计方案。
BioArt精选AI 评分8282 2篇Nature | David Baker团队从头设计半胱氨酸蛋白酶和金属蛋白酶
华盛顿大学David Baker团队在Nature发表两篇论文，分别从头设计半胱氨酸蛋白酶和锌离子辅助的金属蛋白酶，并在哺乳动物细胞中检测到切割活性。
推荐理由：两篇 Nature 论文报告从头设计半胱氨酸与金属蛋白酶的初筛成功率、动力学参数和晶体结构验证，并讨论催化水与预组织对活性的影响。
LeapFun精选AI 评分7474 Baker开源RFD4，38亿美元的Chai还值不值？
David Baker团队联合NVIDIA发布并开源RFD4-Proteina，代码与权重开放、核心许可为BSD 3-Clause，由此引发业内对Chai Discovery等闭源蛋白设计平台是否仍值得支付溢价的争论。
推荐理由：围绕RFD4开源后闭源蛋白设计平台是否仍值得付费，梳理业内分歧并给出护城河转移的判断。
BioAICraft精选AI 评分7676 Baker 团队设计无序区蛋白探针识别 Tau 与 Aβ 修饰并区分邻近磷酸化组合
华盛顿大学蛋白质设计研究所 Kejia Wu、David Baker 等与麻省总医院等团队在 bioRxiv 发布预印本，通过从头设计获得识别 Tau 和 Aβ 特定化学修饰的蛋白探针。
推荐理由：该预印本展示了按邻近磷酸化状态定制 Tau 探针的设计思路，并给出从合成肽到细胞与脑组织的验证链条。
LeapFun精选AI 评分5858 RFD4-Proteina 文档实操解读：从 Binder 生成到 Agent 自动设计蛋白质
作者以使用者视角梳理 Baker Lab 与 NVIDIA 的 RFD4-Proteina 官方文档，按 Quickstart、Cookbook、输入条件、Reward-Guided Search、Metrics 与 Agent Skills 的顺序给出上手路线。
推荐理由：文章按官方文档梳理 RFD4-Proteina 从输入约束、生成搜索到 Agent 编排的实操路径，便于团队复现工作流。
BioAICraftAI 评分3838 RFD4-Proteina 全流程教程｜Baker Lab 与 NVIDIA GenAIR 联合发布的全原子生成模型
Baker Lab 与 NVIDIA GenAIR 等团队开发的全原子生成模型 RFD4-Proteina 发布全流程教程。正文仅说明该模型的开发方与“全原子生成模型”定位，未披露具体方法、评测数据或可用性信息。
LeapFun精选AI 评分7676 Baker Lab用AF3与RFdiffusion设计65-85 aa合成转录激活子
华盛顿大学IPD与Rice大学团队在bioRxiv发布预印本，用AlphaFold3绘制TAD-辅因子界面地图、RFdiffusion与ProteinMPNN生成结构化binder，经哺乳动物功能池筛获得超过300个针对Mediator、BRD4、NCOA、p300的nM级binder。
推荐理由：该预印本把转录激活拆成可设计的辅因子募集零件，并给出亲和力阈值与CRISPRa对比数据，便于理解控制层模块化路径。
AI-Protein Design精选AI 评分7676 RFD4-Proteina发布：对比RFD3的表征、推理与湿实验催化设计
RFD4-Proteina 发布，相较 RFD3 改用受力场能量监督的 32 维物理启发潜在空间，并引入内在循环精炼与外在搜索引导的双重潜在推理。干实验中小分子结合聚类通过率为 14.3%（RFD3 为 2.4%），77 个测试靶点全部覆盖；湿实验中 288 个双金属磷酸三酯酶设计有 89 个显示催化活性，最佳催化效率 3,600/M/s。
推荐理由：对比RFD4-Proteina与RFD3在表征、推理机制和湿实验催化设计上的分工，便于判断不同任务的模型选型。
iNatureAI 评分8282 华人一作兼通讯！诺奖团队领衔，两天连发3篇《Nature》及《Science》
华盛顿大学David Baker团队与苏黎世联邦理工学院Donald Hilvert合作，于2026年10月14日在Nature在线发表金属蛋白酶计算设计研究，用RFdiffusion 2仅指定锌基催化中心与相邻肽结合口袋位置、其余序列由模型生成，135种设计中36%能特异切割指定底物的目标肽键，最优设计水解速度比背景反应快超10⁸倍，优化活性位点预组织后可达10¹⁰倍以上。
UW Institute for Protein Design精选AI 评分7474 IPD 与 NVIDIA 联合发布开源蛋白设计模型 RFD4-Proteina
UW 蛋白质设计研究所（IPD）与 NVIDIA 联合发布开源蛋白设计模型 RFD4-Proteina，已接入 NVIDIA BioNeMo。据 NVIDIA 介绍，该模型在 200 个残基长度下生成速度比 RFdiffusion3 快 13 倍，在 12 项以上蛋白设计任务上达到当前最优，并支持自定义设计输入与在难题上使用测试时计算。官方提供结合剂设计教程与项目主页 rfd4-proteina.org。
推荐理由：IPD 与 NVIDIA 联合发布开源蛋白设计模型，给出相对 RFdiffusion3 的生成速度与任务覆盖对比。
NVIDIA Healthcare & BioNeMo精选AI 评分7272 NVIDIA 与 UW 蛋白设计研究所发布开放蛋白设计模型 RFD4-Proteina
NVIDIA 与华盛顿大学医学院蛋白设计研究所发布开放模型 RFD4-Proteina，将可编程蛋白设计与搜索能力结合，可按分子输入、约束和评分目标生成并优化蛋白设计。
推荐理由：该开放模型把可编程蛋白设计与搜索结合，并在四类基准上报告了相对基线的设计成功率与吞吐表现。
AI-Protein DesignAI 评分6060 AI如何靶向无序序列设计蛋白质？六篇重磅论文全解读
该文汇总了David Baker团队已发表的六项靶向无序序列或无序蛋白（IDPs/IDRs）的从头蛋白质设计工作，并逐篇解读设计策略与实验结果。其中Logos法在43个靶点中39个获得结合物（90.7%），RFdiffusion扩散方法在7个IDP/IDR靶点上均获3–100 nM亲和力结合物，最新MYC结合物在多种肿瘤模型中抑癌效果优于Omomyc。
AI蛋白质AI 评分7878 Baker团队发布Chaperone框架，让AI智能体高效进行蛋白质设计
华盛顿大学David Baker团队在预印本中提出Chaperone，一个将RFdiffusion3与ProteinMPNN、AlphaFold3等50多种蛋白质设计工具集成到统一DataFrame接口的轻量级智能体框架。
C&EN (化学与工程新闻)AI 评分7373 华盛顿大学 IPD 用 AI 设计出金属蛋白酶与半胱氨酸蛋白酶
华盛顿大学 David Baker 领导的蛋白质设计研究所（IPD）在 Nature 发表两篇论文，用 AI 程序生成新型蛋白酶，分别设计出金属蛋白酶（DOI: 10.1038/s41586-026-11167-2）和半胱氨酸蛋白酶（DOI: 10.1038/s41586-026-11143-w）。
LeapFun精选AI 评分6363 AI 制药这一周的两条裂缝：现金买发现、市场罚兑现：
LeapFun 复盘 2026 年 10 月中旬 AI 制药的两类信号：阿斯利康与 insitro 签下首付 4000 万美元、最高约 15 亿美元的合作，用 Virtual Human 推进 MASH 与心肌病靶点到 development candidate；Iambic 以 16 美元发行价登陆纳斯达克，毛募资约 1.5 亿美元。
推荐理由：文章把同周阿斯利康与 insitro 合作、Iambic 上市与生成式设计进展并置，拆出发现端定价与临床兑现之间的落差。
AI-Protein Design精选AI 评分7373 近期两篇金属蛋白酶设计文章（Nature vs Vita）比较
文章对比了David Baker团队发表于《Nature》的金属蛋白酶计算设计与曹龙兴团队发表于《Vita》的靶向Aβ切割金属蛋白酶从头设计两项研究。两者均用RFdiffusion系列或ProteusFlow生成骨架、LigandMPNN优化序列并结合AlphaFold2/3多状态筛选，实测结构与设计模型Cα RMSD约0.8–1.88 Å。
推荐理由：对比两篇金属蛋白酶从头设计论文，梳理生成模型、筛选体系与结构验证的异同，并指出周转率差距。
AI蛋白质AI 评分8888 Nature：Baker团队用RFdiffusion2从头设计半胱氨酸蛋白酶
华盛顿大学David Baker团队在Nature发表研究，用RFdiffusion2-MI从头设计以活化半胱氨酸亲核体为核心的蛋白酶，69个设计中13个具切割活性，成功率19%，相对背景反应速率提升最高3×10⁷倍。
AI-Protein Design精选AI 评分7878 Baker团队用Logos与RFdiffusion设计MYC无序区结合蛋白，原位胰腺癌模型中肿瘤细胞被选择性耗竭
Baker团队在bioRxiv预印本中报告，用Logos框架与RFdiffusion针对MYC的4个保守表位（MBI Loop 1、MBIIIa Loop 2、MBIV Loop 3及bHLH螺旋表位）从头设计结合蛋白，初筛192个设计中15个亲和力优于500 nM，成功率约7.8%。
推荐理由：该预印本报告用Logos与RFdiffusion靶向MYC无序区设计结合蛋白，并给出亲和力优化与体内抑瘤数据，可作为无序靶点设计的参照。
DrugAI精选AI 评分8888 Nature：Baker团队用RFdiffusion从头设计金属蛋白酶
David Baker团队在Nature发表研究，利用RFdiffusion系列生成模型从头设计含锌配位中心和多肽结合口袋的金属蛋白酶，135个实验测试设计中36%能在预期位置切割多肽底物。
推荐理由：研究把从头酶设计从酯键水解推进到稳定肽键，并指出显式建模催化水分子是成功率差异的关键。
AI-Protein DesignAI 评分4040 诺奖成序章，奋斗正当时！今年David Baker已手握9篇NS正刊
截至2026-10-16，David Baker团队今年在《Nature》和《Science》正刊发表9篇论文（含1篇综述），覆盖人工酶从头设计、靶向GPCR与Ras的结合蛋白、蛋白质纳米笼、荧光团结合蛋白及膜蛋白结构解析工具。其中Science论文报道RFdiffusion3可在生物大分子中直接构建原子级精度的功能位点支架，Nature论文则实现半胱氨酸蛋白酶与金属蛋白酶的从头设计。
奶牛猫的CADD实验室精选AI 评分7474 少考虑一颗水分子，AI 设计蛋白酶的成功率差了这么多？
David Baker 团队在 Nature 发表研究，用 AI 从头设计可切断指定肽键的金属蛋白酶：结构评估仅考虑 Zn²⁺ 时实验成功率为 14/95（约 15%），同时考虑 Zn²⁺ 和催化水后升至 35/40（约 88%）。
推荐理由：解读 Baker 团队金属蛋白酶设计研究，说明催化水如何改变计算筛选的成功率。
AI-Protein Design精选AI 评分7676 Baker团队在《Nature》发表人工金属蛋白酶设计，可定点水解TDP-43但活性仍低于天然酶
Baker团队在《Nature》报告用RFdiffusion2/3与EnhancedMPNN从头设计金属蛋白酶，显式建模锌配位催化水分子后湿实验筛选阳性率从15%升至88%。代表性设计TDPn3可定点切割全长TDP-43单体与寡聚体，SDS-PAGE和质谱确认断裂位点，阴性对照无切割条带。作者指出最强变体Zn45_v2周转率仍比顶级天然金属蛋白酶低约2个数量级，且尚无细胞或动物实验验证。
推荐理由：文章拆解了Baker团队金属蛋白酶从头设计的策略演进，并点明催化效率与体内验证的具体边界。
AI药物设计实验室AI 评分8888 Nature 发表华盛顿大学团队从头设计半胱氨酸蛋白酶：69 个设计中 13 个具切割活性
华盛顿大学等团队在《Nature》报告用 RFdiffusion2 分子界面版本生成骨架、ProteinMPNN 设计序列并经 AlphaFold 3 复核，从头设计出能按序列切割多肽的半胱氨酸蛋白酶，69 个实验候选中有 13 个具切割活性。