跳到正文
  1. ACS NanoIF(5) 17.067

    机器学习驱动发现靶向内质网的Ga(III)配合物,可触发骨肉瘤免疫原性副凋亡

    研究团队构建机器学习驱动的平台,用于设计并筛选能靶向内质网、激活非凋亡性免疫原性细胞死亡的Ga(III)配合物。该平台识别出Ga20,可同时触发副凋亡和免疫原性细胞死亡,并被制成聚合物纳米颗粒Ga NP用于体内递送。Ga NP在多种骨肉瘤模型中表现出显著的肿瘤生长抑制,并产生原位疫苗效应和长期免疫记忆,防止肿瘤复发和转移。

    推荐理由:研究给出机器学习筛选靶向内质网Ga(III)配合物的路径,并在多种骨肉瘤模型中评估其抑瘤与免疫记忆效应。

  1. Nature CommunicationsIF(5) 18.966

    miProbe:收录1.08×10^9条微生物肽并提供8 TB蛋白语言模型嵌入的平台

    研究团队提出 miProbe 平台,汇集来自不同生境的 1.08×10^9 条微生物肽,并提供 8 TB 预计算蛋白语言模型嵌入。平台嵌入示例包括 ESM2-650M 和 ProtT5-XL-U50,提供 API 便于模型集成,入口为 https://www.biosino.org/iMAC/miProbe。

    推荐理由:平台汇集1.08×10^9条微生物肽并提供8 TB预计算蛋白语言模型嵌入,为功能肽挖掘提供了可复用的大规模数据入口。

  1. Rosetta Commons64

    Rosetta 与 AlphaFold 结合离子迁移率质谱数据改善多亚基蛋白组装预测

    Steffen Lindert 实验室发表于 Analytical Chemistry 的研究将离子迁移率质谱的碰撞截面数据与 AlphaFold 亚基预测、Rosetta docking 结合,修正深度学习工具常见的对称性与装配拓扑错误。

    推荐理由:把低成本质谱形状数据与 AlphaFold、Rosetta 结合,为深度学习结构预测常见的装配错误提供了一条可复用的纠偏路径。

  2. arXiv76

    研究显示结构置信度难以用于 lanmodulin 稀土结合功能筛选

    作者用功能引导模型设计 lanmodulin 的稀土结合变体,并筛选三种策略共297个设计,发现结构置信度最高的面板结合率反而更低。结构置信度选中面板的铽结合率为16.7%(95% CI 10.4–25.7),功能引导面板为83.3%(74.6–89.5),两组结合几率相差25倍(Fisher p=1×10^-20)。

    推荐理由:研究用297个设计比较结构置信度与功能监督两种筛选,显示结构置信度不能替代结合蛋白的实测功能排序。

  3. bioRxiv84

    从头设计连接酶实现可编程的位点特异性蛋白泛素化

    研究团队用 RFdiffusion3 从头设计泛素连接酶,在 48 个设计中 35 个可泛素化模型肽,活性最高的接近定量转移。针对 PCNA 的 45 个可修饰赖氨酸,团队筛选出选择性修饰 K164 的连接酶,加入一个提升活性的替换并耦合 E1 依赖的供体激活后,从非激活泛素实现 90% 转化,速率和选择性优于天然混杂性 E2。

    推荐理由:该研究用 RFdiffusion3 从头设计泛素连接酶,并在 PCNA 的 45 个赖氨酸中选定 K164 进行修饰,为定点蛋白修饰提供了可迁移的设计思路。

  4. bioRxiv80

    从头设计的连接酶实现可编程选择性酰胺键形成

    研究团队计算设计出含半胱氨酸催化三联体的从头酰胺连接酶,可在多种底物类别上高选择性地形成酰胺键。互补的肽连接酶能选择性地修饰含36个赖氨酸多肽的N端或单个赖氨酸,晶体结构与设计高度吻合。团队还将方法扩展到立体选择性连接酶,用于HIV预防药物lenacapavir合成中的关键酰胺键形成步骤。

    推荐理由:计算设计的酰胺连接酶能在含36个赖氨酸的多肽上选择性修饰单个位点,为生物催化提供可编程设计思路。

  1. bioRxiv70

    研究者用变分自编码器从头设计具独特血清学特征的AAV衣壳

    研究团队构建变分自编码器,从头生成功能性AAV衣壳蛋白,并在两轮设计中合成测试超过255个候选。七个设计转导人类细胞的效率超过50%,其中四个在所有对AAV有反应的人血清中避开中和抗体(NT50 < 1:50)。其中一个设计与最近的天然AAV序列差异达18%,作者认为该衣壳有望成为首个从头设计的AAV血清型。

    推荐理由:两轮设计共合成并测试255个候选,可供评估生成模型改造病毒载体时效率与免疫规避之间的取舍边界。

  1. Angewandte Chemie International EditionIF(5) 16.763

    受进化启发的 EvoMOBO 框架用于蛋白质工程多目标贝叶斯优化

    研究提出 EvoMOBO,一种受进化启发的多目标贝叶斯优化主动学习框架,用于在有限评估预算下同时优化蛋白质的多个性质。在完整的类固醇受体 DNA 结合域(DBD)和 ParD3 抗毒素景观上,它相比现有方法获得更高的目标区域富集并保持序列多样性。两项酶工程任务把实验留作最终验证,机制描述符指导的优化将老黄酶底物转化率从 17.5% 提升到 95%,并使甲酸氧化酶的邻苯二甲酸二乙酯降解接近翻倍。

    推荐理由:对比现有方法,EvoMOBO 在多目标蛋白优化中兼顾目标区域富集与序列多样性,并给出两项酶工程实验验证。

  1. GEN 新闻71

    剑桥团队AI设计的广谱禽流感疫苗DVX-panH5Nx在临床前试验中优于储备疫苗

    剑桥大学和DIOSynVax团队在《Cell Reports Medicine》报告,其AI设计的多抗原mRNA禽流感疫苗DVX-panH5Nx在临床前动物试验中提供完全保护。面对多种H5N1变异株,现有储备疫苗仅保护约50%的动物,新疫苗则实现完全保护。团队用AI整合全球病毒基因序列设计广谱抗原,并表示下一步是推进人体临床试验。

    推荐理由:研究对比了AI设计的多抗原mRNA疫苗与现有储备疫苗在动物试验中的保护表现,读者可了解广谱疫苗的设计思路。

  1. Nature CommunicationsIF(5) 18.965

    蛋白质语言模型引导设计极简功能性凝聚层囊泡

    研究提出一种由蛋白质语言模型引导的极简凝聚层囊泡设计,仅由寡聚生物分子组成,无需化学修饰或外部燃料。精氨酸富集寡肽与竞争性阴离子寡聚物可自组装成寡聚凝聚层囊泡(OCVs),实验与分子动力学模拟显示组装受静电与疏水平衡调控,并可在多类寡聚物组合中形成囊泡。该策略还可对 OCVs 进行功能化,使其选择性识别并包裹 DNA G-四链体结构。

    推荐理由:研究把蛋白质语言模型用于极简凝聚层囊泡的序列设计,并结合实验与模拟给出可编程囊泡的组装和功能化规则。

  1. arXiv75

    ProteoCraft 将蛋白质设计视为提议与验证搜索

    ProteoCraft 提出一种基于树的蛋白质设计搜索框架,把扩散结构预测器的近似结构梯度用作提议策略,再由无梯度折叠模型对序列进行验证打分。该方法采用多站点编辑先探索、单站点精细化的由粗到细预算分配,在 14 个 de novo binder 设计场景中提升了设计质量和高置信度产出,且在 AF2-IG 与 Rosetta 界面评估下保持。

    推荐理由:把蛋白质设计写成先提议再验证的搜索,并用扩散结构预测器提供近似梯度,读者可关注其搜索预算分配思路。

  1. Nature CommunicationsIF(5) 18.962

    迭代计算与理性设计生成多样化PET水解酶用于塑料解聚

    研究团队将进化信息设计(EVdesign)与理性设计结合,改造PET水解酶,并实验测试了来自8种亲本PETase的603个设计。超过400个含12–68个氨基酸替换的变体能够解聚PET,几乎所有变体都优于亲本酶,许多在部分转化实验中接近基准LCC-ICCG的表现。TfCut2是最适合设计的骨架,四个理性突变克服其热稳定性瓶颈,并作为迭代EVdesign的骨架进一步提升活性。

    推荐理由:603个设计跨8种PETase的比较显示亲本选择影响成功率,序列多样化可扩大性能差异并带来高活性离群变体。

  1. Nature CommunicationsIF(5) 18.970

    DeepDelivery 平台以 AI 发现并改造人源蛋白支架用于 mRNA 递送

    论文作者开发了 AI 驱动的 DeepDelivery 平台,用于从人类蛋白质组中筛选可作 mRNA 递送支架的人源蛋白。蛋白质组规模筛选提名 512 个候选,15 个候选中有 12 个经实验验证可作为支架组分促进颗粒形成和 mRNA 递送。模型可解释性与扰动分析识别出影响预测评分的 TRIM 结构域特征,并指导 TRIM25 的域工程改造以改善递送。

    推荐理由:材料展示了从人类蛋白质组筛选 mRNA 递送支架的 AI 流程,15 个候选中有 12 个经实验验证可组装颗粒。

  1. bioRxiv71

    AI智能体重构CAR胞内结构域并提升表达与功能

    研究团队与AI智能体合作重构CAR胞内结构域(ICD),经三轮实验反馈迭代得到仅45个氨基酸的KRGR-ζ1-40,长度不足临床BBζ ICD的三分之一。与BBζ相比,KRGR-ζ1-40提高了CAR表面表达和抗原驱动的IFN-γ释放,且未检测到抗原非依赖性IFN-γ释放。

    推荐理由:研究呈现AI智能体与实验测量三轮迭代压缩CAR胞内结构域的流程,便于理解模型参与蛋白设计的做法。

  2. Science AdvancesIF(5) 14.873

    研究利用 AlphaFold 3 从序列预测 T 细胞受体抗原特异性

    研究团队用 AlphaFold 3 预测 MHC、肽段与 TCR 三元复合物结构,覆盖超过 9000 个 TCR、1000 多种表位和 70 多种 MHC I/II 等位基因,并从中找出区分同源三元组与对照的特征。

    推荐理由:研究把 AF3 用于 9000 多个 TCR 的三元结构预测,其区分同源与对照的特征做法可供免疫序列建模参考。

  3. Arc Institute84

    Evo 2 用上下文学习仅凭数十个示例设计全新调控序列

    Arc Institute 与斯坦福团队在 bioRxiv 发布的两篇预印本显示,Evo 2 通过上下文学习,仅用 4-64 个示例就能设计出五类调控序列,无需额外训练。

    推荐理由:Evo 2 仅凭少量示例就能设计出在小鼠脑中生效的增强子,为数据稀缺的序列设计提供了可迁移的思路。

  1. arXiv70

    来源更新 2026-10-30

    MoLRSI:一种用于分子发现的递归自我改进 AI 智能体

    论文提出 MoLRSI,一种结合工作流与模型架构系统优化以及跨任务持久记忆的分子发现 AI 智能体,可递归改进搜索策略。抗生素发现中,其筛选工作流在相同训练数据和筛选库下取得 15.9% 的实验命中率,此前专家主导工作流为 8.7%。

    推荐理由:跨任务记忆驱动工作流递归优化,并在抗生素筛选和 pMHC 结合体设计中给出与专家流程及 Claude Science 的实验对照。

  2. Nature CommunicationsIF(5) 18.964

    Sequence Display 生成大规模序列活性数据集,重编程 SlugCas9 识别难触及 NNAN PAM

    研究团队用 Sequence Display 为 Staphylococcus lugdunensis Cas9(SlugCas9)生成覆盖 NNAN PAM 家族的大规模序列活性数据集,并定量解析突变如何改变核酸酶活性。

    推荐理由:论文把大规模序列活性数据与蛋白质语言模型结合,提供了一条改造紧凑型 Cas9 PAM 偏好的可迁移路径。

  3. bioRxiv72

    Evo 2 通过基因组上下文学习实现高效生物设计

    基因组语言模型 Evo 2 在无需额外训练的情况下,用提示中的四个示例即可生成金属结合蛋白、从头设计抗体、蛋白-RNA 系统和完整噬菌体基因组。在 ΦX174 类噬菌体设计中,其设计质量和多样性在计算指标上超过此前微调模型,基因组思维链通过迭代更新提示还能提升设计多样性。

    推荐理由:Evo 2 无需额外训练,用少量提示示例完成多类生物序列设计,并展示了加速 35 倍的推理引擎与百万碱基上下文能力。