Nat Commun：LAffAb用Rosetta能量函数协同优化抗体亲和力与稳定性
《Nature Communications》发表LAffAb，一种从抗体-抗原复合物晶体结构出发、用Rosetta全原子能量与结构约束做CDR突变容忍度映射并组合多点突变文库的非迭代抗体设计策略。
推荐理由：该研究用Rosetta能量打分单轮设计抗体多点突变文库，在三个抗体上同时考察亲和力与稳定性。
研发方向
蛋白质设计 最新动态
蛋白、结合剂与治疗相关大分子设计及模型；结构预测、实际表达、结合、功能与可开发性分别判断，不将预测直接当作实验成功。
441 条精选近 30 天 271 条共收录 861 条
更新
蛋白质设计的精选
AI-Protein Design精选AI 评分7474 BioAICraft精选AI 评分6060 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。
推荐理由：作者在单卡上实测微软 BioEmu2 的结构预测与时间推进流程，给出可复用的参数设置与耗时数据。
药化猩球精选AI 评分5858 BoltzGen、RFD4、Mol-1：决定 binder 命中率的可能不是生成器而是过滤器
作者梳理 BoltzGen、RFD4-Proteina 与 Mol-1 的公开证据后认为，把注意力从生成器转向过滤器值得检验，但尚无把同一候选池分别交给 Boltz-2 和 Protenix 过滤再前瞻性比较湿实验命中率的公开配对研究。
推荐理由：文章把生成器与过滤器的证据分层拆开，指出结构恢复榜单与湿实验命中率之间缺少可核验的桥。
智药邦精选AI 评分6363 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。
推荐理由：OpenBind负责人谈蛋白-小分子结合数据缺口，并给出首组数据集与盲测挑战的具体规模。
bioRxiv · Bioinformatics精选AI 评分5858 pLM-bVAE：蛋白语言模型增强二值表征改进量子退火蛋白质序列设计
作者提出 pLM-bVAE，将预训练蛋白语言模型的表征引入原 bVAE 模型，用于量子退火蛋白质序列设计中的二值编码与序列解码。在三个公开蛋白变体数据集的计算实验中，pLM-bVAE 的序列重建准确率和二值编码表现均高于 bVAE，并在量子退火设计框架下生成更多高分序列，且与训练和验证数据的序列差异更大。结果基于计算实验，代码已在 GitHub 公开。
推荐理由：研究把蛋白语言模型表征接入二值变分自编码器，为量子退火序列设计的编码与重建环节提供对照。
AI-Protein Design精选AI 评分7272 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。
LeapFun精选AI 评分5858 阿斯利康同日两篇研究：抗体亲和力优化中被低估的突变位点
阿斯利康团队分析同一克隆家族的211个抗ST2抗体，按实测亲和力分组后找出高亲和力抗体中更常见的突变，将M33I与L100I引入亲本ST2_146后KD由10.5 nM降至3.17 nM，再加K37R降至1.03 nM。
推荐理由：两篇抗体亲和力优化研究分别从克隆家族统计与结构能量筛选入手，并给出各自失效边界。
Hannes Stärk精选AI 评分7373 读书会讨论 RFD4-Proteina：188 个设计结合剂中 158 个结合 TrkA 低于 1 µM
Hannes Stärk 在读书会预告中介绍 RFD4-Proteina 的结果：188 个设计结合剂中有 158 个以低于 1 µM 结合 TrkA，次优方法为 60 个中 18 个。Nate Corley 与 @DidiKieran 将在线讲解，项目页面为 https://rfd4-proteina.org/。
推荐理由：该报告给出 RFD4-Proteina 与次优方法在 TrkA 结合剂湿实验命中率上的对照数字，便于比较设计方法的实验产出。
澪乃ゆい精选AI 评分7676 Pallatom2 全原子生成模型发布：同时生成序列与主侧链原子并指定靶点结合界面
Pallatom2 是一个全原子生成模型，可同时生成氨基酸序列、主链与侧链的原子构型，并能指定与靶点的结合界面。据该帖介绍，实验在210个候选中确认112个具有结合活性，10个靶点均获得结合剂，其中6个靶点经 BLI 测定报告了 pM 量级的结合亲和力（KD）。
推荐理由：介绍全原子生成模型同时生成序列与侧链并指定结合界面，附10个靶点的实验结合数据。
bioRxiv · Bioinformatics精选AI 评分7272 RPFace：从有偏结构基准到可泛化的RNA-蛋白界面预测
研究构建并发布了一个按结构与实验条件分层的蛋白-RNA公平基准，发现共折叠方法检测结合位点的准确性集中在核糖体复合物并随实验模态系统变化，对接方法仅在输入构象接近结合态时可靠，两类方法均无法迁移到体内CLIP实验。
推荐理由：研究构建分层蛋白-RNA基准，揭示共折叠与对接方法在体内CLIP数据上的迁移局限，并提出仅用序列的界面预测模型。
arXiv · q-bio.BM (生物大分子)精选AI 评分6060 PeptSol：面向药物生产中受保护肽溶解度的转化基准
作者提出PeptSol，一个包含1388条人工整理的受保护肽溶解度测量数据的开放基准，采用化学感知的数据划分。数据仅覆盖84条母体序列和101种受保护结构，92.5%来自单一历史项目；在七个冻结分子编码器上，历史子集在肽留出划分下的二分类溶解度最佳macro-F1为0.843，更难的三分类序数任务在该单元格为0.614，且没有基础模型能稳定优于化学指纹加显式分子描述符的基线。
推荐理由：该基准用1388条受保护肽溶解度数据评测七种分子编码器，为合成相关肽可开发性预测提供参照。
arXiv · q-bio.BM (生物大分子)精选AI 评分7474 BILBY基准：蛋白质基序支架生成的动态感知评测
作者提出BILBY-PRO与BILBY-MD，分别从靶点覆盖、独特解产出和分子动力学支持的动态保真度评测蛋白质基序支架生成。BILBY-PRO从PROSITE关联实验结构系统构建220个案例，覆盖174个基序模式条目；在六个近期支架生成模型中，RFDiffusion和Proteina解出更多靶点，ESM3在其解出的靶点上产出更多独特成功支架。
推荐理由：该基准把静态重折叠成功与分子动力学支持的动态保真度分开评估，为蛋白质基序支架生成提供了新的比较维度。
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。
AI蛋白质精选AI 评分7474 西湖大学与港中文（深圳）提出RiboBridge，用骨架推断的相互作用拓扑连接RNA骨架生成与序列设计
西湖大学与香港中文大学（深圳）团队提出RiboBridge，从RNA骨架几何推断概率化残基对拓扑，经第二轮结构通道回收后以软注意力偏置传给序列解码器。在550条生成骨架上，配对类型解码的联合回折有效率为0.451，匹配的无拓扑解码器为0.335。
推荐理由：该研究把骨架推断的配对拓扑作为可扰动的中间表示，并用多组干预实验定位解码器依赖的关系信息。
药化猩球精选AI 评分6060 预印本：AlphaFold 3 的 ipTM 用于全蛋白质组老药重定向仅与 BANDOCK+ 持平
一项预印本研究将 AlphaFold 3 的界面拓扑评分 ipTM 直接作为全蛋白质组药物重定向的亲和力指标，在 1,103 个双方均成功建模的蛋白上取得 nAIA 10.13、NDCG 0.056，十年前基于同源模板的 BANDOCK+ 为 nAIA 9.93、NDCG 0.054，两者总体近乎重合。
推荐理由：该预印本把 AlphaFold 3 的 ipTM 用于全蛋白质组药物重定向，并与十年前的经验算法对比，提供了打分机制层面的参照。
LeapFun精选AI 评分7474 NVIDIA公开RFD4蛋白设计数据体系：2.13TB、19类训练集与采样权重
NVIDIA在开放RFD4-Proteína蛋白设计模型之外，公开了支撑训练的数据体系，共2.13TB、19类训练集、33,527个文件对象，覆盖蛋白结构、抗体、TCR、蛋白Binder、环肽、非天然氨基酸、蛋白-配体、RNA及糖链，较早期约239GB、5类数据的版本明显扩展。
推荐理由：文章拆解了RFD4公开数据集的19类配置、过滤保留率与采样权重，为自建蛋白设计训练数据提供参照。
BioArt精选AI 评分7575 Gilead团队在Nature报道工程化TYK2依赖实现髓系选择性IL-10受体激动
美国吉利德科学公司的Tangsheng Yi、Chen Chen与Chingwei V. Lee团队在Nature发表研究，发现髓系细胞与T细胞对IL-10信号的TYK2依赖程度不同，并据此设计出四价纳米抗体构成的髓系选择性IL-10受体激动剂。
推荐理由：研究利用两类免疫细胞对TYK2依赖程度的差异，通过纳米抗体重构受体交联几何实现髓系选择性IL-10信号。
BioTender精选AI 评分7878 Nature发表structRFM：中国科大等让RNA基础模型同时学习序列与结构
中国科学技术大学、浙江大学等机构在Nature发表RNA基础模型structRFM，在预训练中通过结构引导掩码语言建模同时学习序列与碱基配对关系。
推荐理由：该研究把碱基配对结构引入RNA基础模型预训练，并在二级、三维结构与功能任务上给出对照结果。
bioRxiv · Bioinformatics精选AI 评分6363 FoldAbS 将蛋白质折叠模型改造为抗体筛选的基础编码器
FoldAbS 是一个统一的有监督抗体筛选框架，把蛋白质折叠模型当作冻结的基础编码器，用轻量任务头在同一架构内评估抗体的特异性、亲和力和可开发性。以开源 Protenix 模型实例化的 FoldAbS-Px 相比基线在特异性、亲和力和可开发性上分别最高提升 13.1%、9.2% 和 6.2%。该结果为预印本摘要报告，代码已在 GitHub 公开。
推荐理由：该预印本把折叠模型冻结为编码器，在抗体筛选中同时评估特异性、亲和力与可开发性，提供了可复用的多任务框架思路。
arXiv · q-bio.QM (定量方法)精选AI 评分7272 Pev：跨蛋白家族的单次并行查询突变选择策略
作者提出Pev，一种从跨家族实验数据学习、在单次并行查询中决定下一步突变或停止的通用突变策略，无需针对目标家族拟合模型权重。在留出家族的十孔筛选实验中，Pev找到的有益突变数量为随机选择的3.3倍、为零样本ESM-2的1.8倍，并在留出的GB1景观闭环搜索中优于用目标测量重新拟合的岭回归替代模型。
推荐理由：该预印本提出跨蛋白家族的突变选择策略，并在留出家族与GB1闭环搜索中与随机选择、零样本ESM-2及岭回归替代模型比较。