OpenBind启动首届盲测挑战：预测寨卡NS2B-NS3蛋白酶与400个化合物的结合构象
OpenBind联合OpenADMET与ASAP Discovery Consortium于2026年10月14日启动首届OpenBind盲测挑战，要求参赛者预测400个化合物与寨卡病毒NS2B-NS3蛋白酶形成的蛋白-配体复合物，化合物从小片段到类先导分子不等。
推荐理由：首届OpenBind盲测挑战以寨卡NS2B-NS3蛋白酶为靶点，用更严格的构象与物理有效性标准比较对接与共折叠方法。
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。
442 条精选近 30 天 272 条共收录 863 条
更新
精选归档 · 第 15 页
Oxford Protein Informatics Group · Blog精选AI 评分7070 CHARM Therapeutics精选AI 评分6868 CHARM Therapeutics 宣布 CHM-029 治疗急性髓系白血病的 I/II 期临床试验完成首例患者给药并完成首队列入组
CHARM Therapeutics 宣布其 menin 抑制剂 CHM-029 在复发或难治性急性髓系白血病（AML）患者的 I/II 期试验（NCT07751991）中完成首例患者给药，并完成首队列入组，初步数据预计 2027 年公布。
推荐理由：CHARM 的 CHM-029 进入临床，是蛋白-配体共折叠模型设计分子首次推进到人体试验的案例。
Bioinformatics (Oxford)精选AI 评分6262 ProDTI：先验引导正无标签学习用于稳健的药物靶点相互作用预测
【全文总结】ProDTI 将药物靶点相互作用预测建模为正无标签学习，用显式生化相似度与 MolFormer、ESM-2 语义相似度构建混合先验，再通过软标签蒸馏和硬锚约束注入 nnPU 风险最小化。
推荐理由：该研究把药物靶点相互作用预测建模为正无标签学习，并在五个基准和冷启动设置下与现有方法比较。
Pranam Chatterjee精选AI 评分7171 PepRePs：用pLM生成肽引导重定向磷酸酶实现可编程去磷酸化
Pranam Chatterjee团队提出PepRePs（peptide-retargeted phosphatases），即用肽引导重定向磷酸酶，目标是实现对任意靶点的可编程去磷酸化。该工作延续其用蛋白语言模型生成肽引导E3（uAbs）和DUB（duAbs）的思路，相关预印本已发布于bioRxiv。
推荐理由：作者团队把肽引导策略从E3、DUB扩展到磷酸酶，为可编程去磷酸化提供了一条新的设计思路。
Adaptyv Bio精选AI 评分5858 Adaptyv Bio 与 Anthropic 蛋白设计竞赛第二期：设计 pH 6.0 选择性释放的 TNF-α 结合剂
Adaptyv Bio 宣布 Anthropic x Adaptyv 蛋白设计竞赛第二期，目标是设计优于现有药物的 TNF-α 结合剂，并能在细胞内体 pH 6.0 条件下选择性释放以改善药物半衰期。设计要求还包括同时结合人源和小鼠 TNF-α，以便在临床前模型中测试同一设计。
推荐理由：比赛把 TNF-α 结合剂设计放到 pH 6.0 选择性释放和跨人鼠结合的双重约束下，可观察设计如何兼顾亲和力与可开发性。
Justas Dauparas精选AI 评分7272 Xaira 发布 X-Design，针对真实治疗靶点从头设计抗体
Xaira 的 Justas Dauparas 介绍团队开发的 X-Design，称其能针对真实治疗靶点生成抗体，其中一个靶点此前难以用常规发现方法攻克。相关细节见 Xaira 官网新闻页，推文未披露具体靶点、实验数据或验证结果。
推荐理由：Xaira 员工披露 X-Design 针对真实治疗靶点生成抗体，其中一个靶点此前难以用常规方法发现。
Marinka Zitnik精选AI 评分6262 生物推理模型是否真正使用生物输入
Marinka Zitnik 转发 Ada Fang 等人的论文，考察生物推理模型在回答蛋白质、基因和细胞问题时是否真正使用生物输入，还是主要依赖文本。该研究指出，高性能可能造成依赖生物表征的假象，推理轨迹并不总能反映证据，并讨论了这些局限与改进路径。模型输入包括生物基础模型的表征以及功能注释、基因与通路描述、按表达排序的基因列表等生物文本。
推荐理由：研究追问生物推理模型是否真正使用生物输入，为理解其推理依据与评测局限提供参照。
DrugIntel精选AI 评分7474 预印本追踪 Boltz-2 的 Pose→Affinity 信息流：亲和力头实际读取第二套结构
Xeureka 的 Kazuya Ujihara 在 ChemRxiv 预印本中通过源码追踪和分层干预，分析开源 Boltz 2.2.1 的蛋白–配体亲和力推理通路，发现结构预测先决定 affinity crop，affinity pass 再对该 crop 重新扩散生成第二套结构，亲和力头读取的是这套结构而非用户看到的 written structure。
推荐理由：源码追踪拆出 Boltz-2 亲和力预测的三条信息通路，为判断结构模型是否真正利用结合几何提供可迁移的审计方法。
晶泰科技精选AI 评分5858 晶泰科技生发管线进入IND-enabling阶段，候选分子以5%米诺地尔百分之一浓度起效
晶泰科技宣布其脱发治疗创新药管线进入IND-enabling研究阶段，将围绕药效、GLP毒理及CMC开展研究。公司称自研候选分子可激活毛囊干细胞“乳酸—自噬”信号轴，在DHT诱导雄激素性脱发小鼠模型中，仅需5%米诺地尔百分之一的浓度即可达到与5%米诺地尔相当的毛发生长评分。该管线依托XtalPi Science平台的AI分子生成、FEP计算与机器人实验进行优化，目前正与国内医疗机构推进后续验证。
推荐理由：晶泰自研生发小分子进入IND-enabling阶段，其低浓度起效的动物数据为观察AI驱动管线推进提供参照。
Cell Systems精选AI 评分6868 FLIGHTED：从含噪高通量实验数据推断蛋白质适应度景观
【摘要级】作者提出 FLIGHTED，一种从含噪高通量实验数据生成概率适应度景观的贝叶斯方法，用于在蛋白质适应度建模中显式计入实验不确定性。在单步筛选（如噬菌体展示）和将活性与碱基编辑关联的高通量测定两类实验中，计入噪声在统计上显著提升了标准机器学习模型的性能。基于 FLIGHTED 的新基准显示，限制蛋白质适应度模型性能的是数据规模而非模型规模；作者称该方法可适用于任意高通量测定和任意机器学习模型。
推荐理由：该方法把高通量实验噪声纳入适应度景观建模，并据此重新审视数据量与模型规模对性能的限制。
Bioinformatics (Oxford)精选AI 评分5858 HD-AIP：基于语言模型与CT-Net的免比对双流抗炎肽预测框架
【全文总结】研究提出HD-AIP，一个不依赖同源比对的异质双流框架，用于抗炎肽（AIP）预测，融合ProtT5与ESM-2 3B的全局语义特征和BioVec加残基理化性质的局部特征。
推荐理由：该框架用双语言模型与双流网络绕开同源比对，为短肽功能预测提供了一条可迁移的特征构建思路。
Bioinformatics (Oxford)精选AI 评分6565 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。
Google DeepMind / Isomorphic精选AI 评分7474 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白与结构嵌入可验证水印
Google DeepMind 推出面向合成生物学的 SynthID Bio 水印方法，可在蛋白序列和 AlphaFold 3 预测的 3D 结构中嵌入可检测签名，并在实验室测试中保持生物功能。
推荐理由：介绍一种嵌入蛋白序列与预测结构的可验证水印方法，并给出湿实验与检测稳健性证据。
Profluent精选AI 评分5858 Profluent 与 BioMarin 合作，用 AI 模型设计新药蛋白
Profluent 宣布与 BioMarin 达成合作，将用其 AI 基础模型设计新型药物蛋白。Profluent 称其模型基于规模达 1150 亿条且仍在增长的唯一蛋白质序列数据集 Protein Atlas，可生成具备新功能或改良功能的蛋白；BioMarin 将筛选 Profluent 生成的设计，并把其中表现最强者推进至临床前测试。合作未披露金额、靶点或具体适应证。
推荐理由：Profluent 与 BioMarin 的分工展示了 AI 蛋白设计公司如何把生成模型接入药企的筛选与临床前流程。
英矽智能精选AI 评分6868 英矽智能提名新一代小分子GIPR拮抗剂ISM1354
英矽智能提名靶向GIPR的全新小分子临床前候选化合物ISM1354，用于肥胖、2型糖尿病及相关代谢疾病。
推荐理由：英矽智能用Chemistry42提名新一代GIPR拮抗剂，并给出与临床阶段同靶点分子的安全性对比数据。
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。
Amir Shanehsazzadeh精选AI 评分5858 Claude Binder Lane 技能支持用 30 多个工具设计结合剂
Amir Shanehsazzadeh 转发 @JacobMolBio 介绍的 Claude Binder Lane 技能，供 Claude Science 用户按类似 Anthropic 结合剂研究计算部分的工作流设计结合剂。用户可与 Claude Science 共同确定靶点与位点、工具组合（包括是否沿用 Anthropic 公开技术栈或替换其他工具）、各工具运行位置（API、插件、本地或 Modal 等云端算力）、预算、指标与迭代轮次，最终得到结合剂序列和预测结构。该技能可调用 30 多个工具，并纳入 Anthropic 原始结合剂报告之后的进展，如 BindCraft2 以及 Anthropic 近期加速的 ESMFold2 和 Boltz-2 套件。
推荐理由：这条转发介绍了一个可复用的结合剂设计工作流，把靶点选择、工具组合与运行环境串成可配置流程。
Martin Pacesa精选AI 评分5858 Martin Pacesa 介绍 BindCraft2 多靶点与自定义损失实现及运行入口
Martin Pacesa 表示可将 BindCraft2 的多靶点与自定义损失实现用于设计任务，并给出在 AriaX、Tamarind 或 Google Colab 上运行的方式及 GitHub 链接。BindCraft2 由 Erik Mäeots 开发，仓库为 https://github.com/PacesaLab/BindCraft2；BC1 版本的多靶点 notebook 由 Lennart Nickel 和 Paul Kittner 提供。该帖引用了 Adaptyv 的 Anthropic x Adaptyv 蛋白质设计竞赛第一项挑战，要求设计在肿瘤酸性条件下结合 EGFR、在健康细胞正常 pH 下不结合的条件性结合剂，且需同时结合人源与小鼠源 EGFR 以支持临床前测试。
推荐理由：作者给出 BindCraft2 多靶点与自定义损失实现的可运行入口，便于复用条件性结合剂设计流程。
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。