研究用稀疏自编码器解析微调蛋白语言模型的纳米抗体热稳定性预测机制
【全文总结】研究将ESM-2 8M在NbBench thermo-seq数据集上全参数微调，纳米抗体解链温度Tm预测的Spearman相关系数达0.780（95% CI 0.689–0.849），高于仅训练回归头的0.695及NbBench报告的AntiBERTa2的0.587。
推荐理由：研究用稀疏自编码器拆解微调后蛋白语言模型的纳米抗体热稳定性特征，并用自由能扰动验证部分位点。
研发方向
抗体工程 最新动态
AI 辅助治疗性单抗/双抗从头设计、CDR 构型优化、亲和力成熟、抗体人源化与成药性评估。
141 条精选近 30 天 73 条共收录 286 条
更新
精选归档 · 第 5 页
Bioinformatics (Oxford)精选AI 评分6565
奶牛猫的CADD实验室精选AI 评分7676 AI制药日报0930：MIMOSA用已知结合物约束抗体设计，难靶点实验命中率20–26%
Prescient Design 提出 MIMOSA，在推断阶段把靶点已知结合物的界面几何与残基性质作为约束喂给扩散过程，不重训练模型，可直接套用于 RFAntibody 和 BoltzGen。
推荐理由：汇总多条预印本与工具更新，其中抗体推断时约束方法附湿实验命中率，便于比较难靶点设计思路。
Ginkgo Datapoints · Updates精选AI 评分5858 Ginkgo Datapoints 与 Apheris 宣布 AbbVie、argenx、Lundbeck、Takeda 成为抗体可开发性联盟创始成员
Ginkgo Datapoints 与 Apheris 宣布抗体可开发性联盟（Antibody Developability Consortium）成立，创始成员为 AbbVie、argenx、Lundbeck 和 Takeda。该联盟计划共建其称为领域内规模最大的标准化抗体可开发性数据集，包含 1 万条抗体，并交付一个基础模型，通过 Apheris 的联邦基础设施实现。
推荐理由：四家药企以创始成员身份加入抗体可开发性联盟，共建标准化数据集与基础模型，呈现产业数据协作的组织方式。
PLOS Computational Biology精选AI 评分6262 GAMA：面向单类生成序列模型的归因方法，可从抗体序列中找回结合位点
【全文节选总结】研究提出GAMA，一种基于积分梯度的归因方法，通过比较训练后LSTM与随机初始化参考模型的梯度差异，从仅含正样本的生成序列模型中识别重要序列位置。在270个合成数据集上，AND逻辑基序在信号比例≥80%时假阴性率为0，OR逻辑在50%–100%信号比例下低于50%，XOR逻辑仅在90%–100%时低于50%，且结果对基序位置不敏感。
推荐理由：该研究提出面向单类生成序列模型的归因方法，并在合成与实验抗体数据上检验其找回结合位点的能力。
唯信计算精选AI 评分6363 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。
推荐理由：官方展示多特异性抗体结构建模引擎与通用折叠模型在八个已上市或临床后期分子上的几何构型差异。
AI4Protein精选AI 评分5858 “长江杯”2026全球AI蛋白质设计挑战赛启动，设100万元奖金与5000条序列湿实验检测
“长江杯”2026全球AI蛋白质设计挑战赛于9月24日启动报名，聚焦AI蛋白质从头设计与真实湿实验验证，选手针对不同靶点设计纳米抗体或迷你结合蛋白。赛事奖金总额100万元人民币，计划对不低于5000条设计序列免费开展涵盖表达、纯化、检测的湿实验，报名10月31日截止。大赛由上海交通大学、上海人工智能实验室、临港实验室等共同发起主办，面向全球高校、科研院所、企业团队及个人开放。
推荐理由：赛事把纳米抗体与迷你结合蛋白设计同5000条序列的免费湿实验检测绑定，呈现AI蛋白设计的验证路径。
分子之心MoleculeMind精选AI 评分6262 分子之心与引加生物达成战略合作，共建蛋白研发“周级”闭环
分子之心与引加生物宣布达成深度战略合作，将分子之心的AI蛋白质生成式设计与引加生物的微量高通量无细胞蛋白表达、全自动化筛选及工艺放大能力结合，构建从AI设计到产业化交付的“周级”闭环。
推荐理由：分子之心与引加生物把AI设计与无细胞表达、自动化筛选对接，展示了蛋白研发缩短验证周期的合作路径。
Envisagenics 官网资讯精选AI 评分7171 Envisagenics与勃林格殷格翰达成多靶点合作，基于RNA剪接来源靶点开发实体瘤精准疗法
Envisagenics与勃林格殷格翰达成多年研究合作及选择权协议，将验证其SpliceCore平台筛选出的肿瘤特异性靶点，用于开发实体瘤精准疗法。勃林格殷格翰可在研究项目完成后独家许可选定靶点，并可能将其用于抗体偶联药物、T细胞衔接器和多特异性抗体等模态。
推荐理由：该合作把RNA剪接来源的肿瘤特异性靶点交给MNC验证，并覆盖ADC、T细胞衔接器等多种模态，可观察AI靶点发现如何进入产业管线。
力文所精选AI 评分5858 力文所发布 Lévin™ Harness 蛋白质设计 Agent 应用
力文所发布以 Agent 为核心的蛋白质设计智能应用 Lévin™ Harness，将数据、模型、插件工具、算力和工作流整合到同一工作区。该应用内置 Mol* 三维结构查看器，使分子结构进入 Agent 上下文，并以插件形式接入 AlphaFold、ProteinMPNN、Pallatom、RFantibody 等开源工具，自动完成下载、安装与调用。
推荐理由：该产品把结构查看、开源设计模型与工作流编排收进同一 Agent 工作区，可对照现有蛋白设计工具链的碎片化问题。
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。
Briefings in Bioinformatics精选AI 评分7272 Surf2Spot：无需已知结合伙伴的表面几何热点预测模型，用于结合剂与纳米抗体设计
【全文节选总结】研究团队开发了 Surf2Spot，一个基于动态图卷积网络（DGCNN）的框架，仅用单体序列和 ESMFold 预测结构即可预测 PPI 与纳米抗体-抗原相互作用（NAI）热点，无需预先指定结合伙伴。
推荐理由：研究提出仅凭单体序列与预测结构预测结合热点的方法，并在结合剂与纳米抗体设计流程中检验其加速作用。
Brian Hie精选AI 评分5858 Brian Hie：Proto 现已可在 ChatGPT 中使用
Brian Hie 宣布 Proto 现可在 ChatGPT 中使用，并给出用 Germinal 做从头纳米抗体设计、用 Evo 2 做语义设计的两个对话示例链接。他同时指向 OpenAI 开发者博客的 Rosalind Workbench 研究预览，该工作台把科学问题连接到专用模型、工具与可审查输出，覆盖蛋白结构与序列分析到测序流程。
推荐理由：作者展示 Proto 接入 ChatGPT 后的纳米抗体从头设计与 Evo 2 语义设计入口，可观察科研工作流如何被整合。
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。
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。
Nature Biotechnology精选AI 评分8888 AIntibody前瞻性盲测：以实验亲和力与可开发性为锚评测计算抗体发现
【全文节选总结】AIntibody挑战以SARS-CoV-2 RBD为靶点，对25家以上机构提交的511条抗体序列统一表达为全长IgG，用高通量SPR、KinExA和五项可开发性检测做前瞻性盲测。
推荐理由：前瞻性盲测把AI设计的抗体统一表达为IgG并做SPR、KinExA与可开发性检测，给出算法与实验方法在同一条件下的对照。
AurekaBio 寻明生科精选AI 评分6060 寻明生科完成1亿美元B系列融资，加码生物基座模型与Lab-in-the-Loop闭环
寻明生科（Aureka Biotechnologies）宣布完成总额1亿美元的B系列融资，首轮由Granite Asia独家投资，后续轮次由产业投资人领投、弘晖基金跟投，启明创投、经纬创投及纽尔利资本等现有股东持续投资，公司累计融资近2亿美元。
推荐理由：融资披露同时交代了资金用途与Lab-in-the-Loop闭环体系，可了解该公司基座模型与实验平台如何衔接。
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。
Bioinformatics (Oxford)精选AI 评分7272 ABAG-Rank：用学习排序改进 AlphaFold 抗体-抗原复合物的模型选择
【全文总结】作者提出 ABAG-Rank，一个基于 DeepSet 架构的深度神经网络，用于对 AlphaFold 类模型生成的抗体-抗原复合物结构打分排序，以缓解 AF3 置信度对错误结合表位的高分误判。
推荐理由：研究针对 AlphaFold 抗体-抗原复合物排序偏差，提出重排序模型并给出与 AF3、DeepRank-Ab 的对照结果。
Bioinformatics (Oxford)精选AI 评分6262 SimBinder-IF：基于高效偏好学习的结构感知抗体亲和力优化
【全文总结】SimBinder-IF 在 ESM-IF 基础上冻结结构编码器、仅用 SimPO 微调序列解码器，以提升抗体序列对数似然与结合亲和力的一致性。
推荐理由：研究用偏好优化微调ESM-IF的序列解码器，在留出抗原上比较亲和力排序与基线表现。