ProVADA 作者解读三篇 bioRxiv 预印本：生成式 AI 如何降低蛋白药物免疫原性
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。
企业与机构 · Labs
Baker Lab / IPD 最新动态
华盛顿大学蛋白质设计研究所（IPD）与 David Baker 实验室：RoseTTAFold、RFdiffusion、从头抗体与结合剂设计。
35 条精选近 30 天 28 条共收录 81 条
更新
Baker Lab / IPD的精选
AI-Protein Design精选AI 评分7272 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。
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。
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。
iNature精选AI 评分7474 David Baker 团队膜蛋白 AI 设计进展：GPCR 迷你蛋白与 WRAP 增溶技术
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。
BioArt精选AI 评分8282 David Baker团队在Nature发表两项研究：从头设计半胱氨酸蛋白酶与金属蛋白酶
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。
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。
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。
bioRxiv · Biochemistry精选AI 评分7878 Baker 团队发布 Chaperone 智能体蛋白设计框架，整合 RFdiffusion3 与 50 余种工具
Baker 团队等提出 Chaperone，一个轻量可定制框架，将 RFdiffusion3（RFD3）与 ProteinMPNN、AlphaFold3 及 50 多种蛋白设计工具串联，并提供面向智能体的可编程接口和高性能计算并行执行。
推荐理由：该框架把 RFdiffusion3 与序列设计、结构预测等工具串联，为长流程蛋白设计智能体提供可复用接口与效率参照。
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。
bioRxiv · Biochemistry精选AI 评分7676 Baker Lab 用 RFdiffusion-AA 与 LigandMPNN 从头设计选择性光酶
Baker Lab 等利用深度学习设计方法 RFdiffusion-AA 和 LigandMPNN 从头生成光酶，将作为非天然氨基酸引入的二苯甲酮光敏剂精确置于喹诺酮底物附近，催化热禁阻的 [2+2] 环加成，立体选择性达 99% e.e.、区域选择性为 9:1 r.r.。
推荐理由：研究用深度学习设计从头光酶，在无需定向进化的情况下实现高立体与区域选择性，并给出晶体结构对照。
AI-Protein Design精选AI 评分7373 Nature与Vita两篇金属蛋白酶计算设计论文对比
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。
DrugAI精选AI 评分8686 Nature：Baker团队用RFdiffusion2-MI从头设计半胱氨酸蛋白酶
Baker团队利用RFdiffusion2-MI生成模型，从头设计以Cys–His–Asp催化三联体为核心的人工半胱氨酸蛋白酶，在69个实验测试设计中有13个能准确切割预定肽键，成功率为19%。
推荐理由：Baker团队用RFdiffusion2-MI从头设计半胱氨酸蛋白酶，晶体结构验证全新折叠，并揭示活性位点预组织是效率瓶颈。
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。
DrugAI精选AI 评分8888 Science 发表 RFdiffusion3：全原子扩散实现生物聚合物原子级功能位点支架设计
研究人员在 Science 发表 RFdiffusion3（RFD3），一种基于全原子自由扩散的生成式模型，可在统一框架下设计蛋白质、RNA、DNA 及其复合物，并直接以催化原子坐标、氢键和配体埋藏等条件构建功能位点。
推荐理由：该研究把生成式设计从残基级推进到全原子级，并给出人工酶实验活性数据，可作为理解功能位点设计边界的参照。