Google 预印本提出表位截短加速结合剂设计
先了解这件事
Google Research、Google DeepMind 等机构的研究者在 arXiv 预印本中提出“表位截短”方法：把靶点裁成结合位点附近的局部窗口，再交给智能体流程做从头结合剂设计。在 15 个靶点、3666 个设计中，截短窗口重折叠出的界面与全靶点结合界面的中位 Cα RMSD 为 0.37 Å，88.2% 的设计偏差在 1 Å 以内。 以 719 残基的 FAP 胞外域为例，裁到 85 残基窗口后，RFdiffusion、ProteinMPNN、AlphaFold3 单次耗时分别下降 89%、66%、88%。作者称，在固定算力预算下，人机协同（HITL）流程把计算命中率从 5.06% 提高到 9.33%，并再减少约 42% 的 GPU 小时。酵母展示湿实验从生成设计中识别出纳摩尔级结合剂，四个代表克隆的表观亲和力为 3.0–9.1 nM；HITL 与全自主智能体（HOOTL）两组回收的富集设计均多于仅用 PI 的基线。 作者同时指出，保留残基低于 85 个时折叠通过率从 97% 降至 32%，85 至 130 个残基为安全窗口；自主性对照只在一个靶标、一种三螺旋束骨架和一个 LLM 控制器上跑过，目前也只测了酵母展示体系下的表观亲和力。Martin Pacesa 在转发评论中称，目标裁剪这一做法被重新发现。
AI 根据报道生成 · 8 天前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Martin PacesaMartin Pacesa 评结合剂设计论文：目标裁剪被重新发现
Martin Pacesa 转发并评论一篇关于智能体引导表位裁剪以降低从头结合剂设计成本的论文，称目标裁剪这一做法被重新发现。被引内容报告在 15 个靶点、3666 个设计上，裁剪后界面核心 CαRMSD 中位数为 0.37 Å，并称在 719 残基 FAP 胞外域上大幅降低单次运行 GPU 时间。
- 下一分子精选Google团队预印本提出表位裁剪方法降低蛋白结合剂计算成本
Google Research、Google DeepMind 等机构在一篇预印本中提出将靶点裁成表位附近的局部窗口，再结合智能体迭代搜索用于从头设计蛋白结合剂。
- BioAICraft精选Google 提出智能体引导表位裁剪流程，FAP 结合蛋白设计中 AF3 耗时降低约 88%
Google Research、Google DeepMind 和 Google Cloud 的研究者在 arXiv 论文中提出智能体引导的表位裁剪流程，把大靶标裁成结合位点附近的局部片段再交给 AI 智能体分配设计与算力。
- BioTender精选Google 用 Gemini 智能体指挥蛋白 binder 设计：算力降 88%，人机混合命中率提升 84%
Google Research 与 Google DeepMind 在 arXiv 预印本中提出表位切除方法，把 719 残基的 FAP 靶标裁到 85 残基窗口，使 RFdiffusion、ProteinMPNN、AlphaFold3 单次耗时分别下降 89%、66%、88%。
- arXiv · q-bio.BM (生物大分子)精选表位截短结合智能体搜索加速从头结合剂设计
研究提出表位截短方法，将靶点截为局部界面窗口以加速骨架扩散与结构预测，在15个靶点、3666个设计中截短窗口与全靶点结合界面的中位Cα RMSD为0.37 Å，并在FAP的719残基胞外域上使RFdiffusion与AlphaFold3的GPU时间在一个表位中减少约88%。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 2711月2日 02:00
- 近 24 小时变化
- -20%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。