研发方向
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。
442 条精选近 30 天 272 条共收录 863 条
Chai Discovery于2026年10月9日宣布与GSK达成合作，GSK获得其蛋白质折叠与分子设计模型平台的使用权限，用于全管线研发。验证阶段Chai模型以零样本模式针对GSK靶点生成设计方案，GSK内部湿实验室测试显示所有受试靶点均筛选出结合分子，GSK称设计方案展现出很强的结合亲和力，并称其与基于自有湿实验数据持续重训练的内部模型互补。
推荐理由：GSK用内部湿实验验证Chai零样本设计在多个靶点筛出结合分子，为评估AI设计平台提供实证案例。
Anthropic × Adaptyv 蛋白质设计竞赛第三题开放，要求参赛者设计能激活 GLP1R 的蛋白质。GLP1R 是司美格鲁肽（Ozempic、Wegovy）和替尔泊肽在 2 型糖尿病与肥胖中作用的受体。
研究人员在Science Advances报告了一套整合多重荧光酵母展示、深度测序与AlphaFold 3复合物预测的VHH纳米抗体发现框架，以长链三指型α-神经毒素为对象。
推荐理由：研究把酵母展示筛选与AlphaFold 3结构优选串成一条VHH发现流程，并给出精确率与召回率的实测权衡。
英灵殿科技联合香港中文大学、华盛顿大学等提出全原子蛋白质binder协同设计模型CODesign，通过一致性蒸馏构建约105,000对二聚体数据Codimer，并用多模态联合流匹配与一致性感知联合重采样（CAR）保持序列与结构一致。
推荐理由：作者团队提出以一致性为核心的蛋白binder协同设计方法，并用消融实验拆解数据与采样环节各自的贡献。
Adaptyv Bio 宣布，Google DeepMind 的 SynthID Bio 模型相关全部实验结果已在 Proteinbase 上线。据其引用的说明，SynthID Bio 是把水印写入 AI 设计蛋白质氨基酸序列的方法，Adaptyv Bio 在其实验室对这些蛋白质做了验证，实验数据现可在 Proteinbase 查看。
推荐理由：Google DeepMind 的 SynthID Bio 蛋白水印序列已由 Adaptyv Bio 完成实验验证，结果公开在 Proteinbase。
Baker团队在Nature Communications发表方法学工作，用SAPP和DMX两套流程把蛋白设计的实验表征规模化：SAPP将从基因片段到SEC纯化与标准化表征压缩到约48小时、每天可处理数百个设计，DMX用组合条形码和Nanopore长读长测序把廉价oligo pool转为数千个序列验证后的阵列化克隆。
推荐理由：该工作把蛋白设计的实验表征推到每天数百个设计，并展示寡聚几何等变量如何影响功能。
同济大学、上海药物研究所等团队在 Nature Communications 发表 MolGenBench，用活性找回、筛选效率、靶点感知和三维构象等指标评估17种结构基础药物设计方法，其中10种从头生成、7种先导优化。
推荐理由：该基准把分子生成评估从合规性推进到活性空间找回，并揭示先导优化与从头设计的差距。
ToolUniverse 推出 GPU 环境自动配置功能，使智能体可在复杂生物数据集上调用机器学习模型并把输出用于发现流程。
推荐理由：ToolUniverse 新增 GPU 环境自动配置，让智能体直接调用蛋白设计与结构预测模型，并附可复用的 EGFR 设计流程。
北京大学来鲁华课题组在 Nature Machine Intelligence 发表 SynCraft，让大语言模型提出原子和化学键级编辑指令，由 RDKit 执行、SimpRetro 搜索逆合成路线，以改善生成分子的可合成性。
推荐理由：研究提出让大模型输出原子级编辑指令、由化学软件执行并检验逆合成的分子可合成性优化方法，为生成分子的后续改造提供可复用流程。
韩国科学技术院（KAIST）的 Hyosoon Jang、Taewon Kim 和 Sungsoo Ahn 在 arXiv 预印本 Co-folding with a Soup of Representations 中提出 SoupFold。
推荐理由：该预印本把多个结构模型的成对表征融合后重新生成结构，并给出抗体抗原与分子胶基准上的对照结果。
【全文总结】FunFOLD5 是作者团队开发的模板法蛋白-配体结合位点预测工具，在 CASP15 和 CASP16 盲测的 69 个配体实例中，81.2% 达到高精度（LDDTpli ≥0.4）。
推荐理由：作者以CASP15/16盲测对比全局与局部模板搜索，展示局部口袋检索对结合位点残基识别的增益。
【摘要级】作者提出 FlexENN，一个面向界面的消息传递图神经网络框架，包含分别训练的 FlexENN-F（折叠蛋白复合物）和 FlexENN-I（含无序伴侣的复合物）两个模型，并构建了含 IDP 的训练数据集。
推荐理由：该工作把结合能预测扩展到含无序区的蛋白复合物，并用微管界面实验亲和力作参照。
英灵殿科技团队提出 OFAntibody，一个以抗原结构、指定表位和预定义抗体框架或双抗构型为输入、生成 CDR 全原子结构的统一框架，支持纳米抗体单抗及 tandem VHH、diabody、CODV-like 等双抗构型的联合设计。
推荐理由：该研究把双抗两个结合臂与连接区放在同一全原子框架中联合生成，并给出与独立拼接的碰撞对比。
【全文总结】作者开发AutoHMD自动化流程，用升温分子动力学（310–390 K）评估抗体-抗原复合物界面稳定性，以区分高质量与错误结合姿态。在来自AbSet的30个PDB条目对接姿态上，平均iRMSD在2.52 Å阈值下对高质量与错误姿态分类准确率90.0%（MCC=0.80），外部重对接集准确率95.2%；该阈值直接迁移到Boltz-2生成的12个模型时区分度下降且存在重叠。
推荐理由：研究用升温分子动力学区分抗体-抗原对接与Boltz-2模型的结合姿态质量，并给出可迁移的iRMSD阈值。
【全文节选总结】研究建立高通量DIA蛋白质组学流程，在HepG2细胞中筛选204个靶向雄激素受体（AR）的异双功能降解剂（HBD），发现CRBN招募型AR降解剂会广泛扰动线粒体蛋白组，并鉴定出电子传递链复合物I抑制是其脱靶毒性机制。
推荐理由：研究用高通量蛋白质组学定位AR降解剂的线粒体脱靶毒性，并据此改造出更安全的类似物。
丹麦技术大学、MIT与诺和诺德团队在bioRxiv发表预印本，提出Proton-PottsMPNN，通过显式设计氨基酸质子化状态生成酸性条件下结合PD-L1的候选蛋白。
推荐理由：该预印本把可滴定残基的质子化状态纳入序列设计目标，为条件响应型结合剂设计提供了可复用的建模思路。
Google DeepMind团队在预印本平台发布AlphaProtein Novo（AP Novo）机器学习流水线，报告从头设计酶在哌啶合成和DEHP降解两个挑战性反应上超越自然序列或突变体筛选。
推荐理由：该预印本报告从头设计酶在哌啶合成与DEHP降解中超过天然序列筛选，并给出序列集合评分这一可迁移方法。
途深智合公布ToursynClaw在CLDN18.2抗体项目中完成第二轮DBTL迭代，25个候选抗体中形成4个优选Hit，Hit Rate由第一轮的3.4%（1/29）提升至16.0%（4/25），相对提升约364%。
推荐理由：两轮DBTL迭代的命中率与亲和力数据，为评估实验数据回流能否改善抗体设计提供具体参照。
【全文总结】Bits to Binders社区竞赛让28支团队提交AI设计的minibinder，统一装入CAR支架并在原代人T细胞中做混合增殖筛选，6811个设计达到测序回收阈值，707个在CD20阳性淋巴瘤细胞培养中显著富集。
推荐理由：该竞赛把AI设计的minibinder放入CAR T细胞做功能筛选，显示结合设计到细胞功能之间仍有明显落差。
【全文节选总结】Bits to Binders竞赛组织28支队伍用AI方法设计1.2万条80氨基酸的CD20结合minibinder，在CAR-T细胞中经池化增殖筛选出707条具CD20特异性≥2倍富集的设计，命中率在队伍间从0.6%到38.4%不等。
推荐理由：竞赛用CAR-T功能实验检验1.2万条AI设计结合剂，揭示ProteinMPNN偏好带来的表达失败模式。