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。
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。
研究团队通过祖先序列重建获得 8 个 CYP152 过氧化酶变体,其中 3 个变体的 Tm 达 66°C 至 76°C,并耐受溶剂、H₂O₂ 和极端 pH。这些变体还能利用非天然底物,CYP152-AncG2 可一锅化学酶法进行 C─C 键偶联以合成甲氧基二苯乙烯,并可作为定向进化模板。1.83 Å 的 X 射线结构和 MD 模拟显示,环结构、表面盐桥和优化的底物通道是其优良特性的关键。
Lunit 在 SITC 2026 展示与 Labcorp、CellCarta 合作的两项基于 Lunit SCOPE 平台的 AI 病理研究。卵巢癌研究中,Lunit SCOPE IO 分析 339 张全切片图像,发现 HRD 肿瘤的有丝分裂细胞密度约为 HRP 的 1.5 倍(p=0.002)。
研究挖掘出多前体剪接酶 HypX,并用 AlphaFold3 模型结合 Rosetta 计算排序数百万变体,发现高分肽的剪接效率高于单点突变体。HypX 来自 Hyella patelloides,在大肠杆菌中修饰了 7 个天然前体中的 5 个。单点突变显示 HypX 和此前鉴定的 PlpX 具有混杂性但底物范围不同,结构建模还解释了位置特异性耐受及一项辅因子约束。
论文用最小 Cα flow-matching 模型消融蛋白质集合生成器的设计选择,认为训练数据而非架构是跨结构状态的主要约束。研究在有序、无序、多域和过渡蛋白上比较架构、序列条件、刚体对齐与训练来源,并用实验 SAXS 和 NMR 化学位移数据评估各变体。
EB-FM 用蒙特卡洛随机近似 EM 框架,从带噪二维投影图像直接学习 3D 原子结构的流匹配先验,无需干净数据预训练。其 E 步以引导流生成做近似后验采样并保留持久潜变量估计,M 步用稳定后的潜变量更新流模型。在 two-moons、MNIST 和已知姿态的模拟冷冻电镜数据上,EB-FM 可在原子坐标空间恢复蛋白质构象的连续分布。
论文提出 HVFT(Hypervolume Fine-Tuning),通过微调单个预训练生成器来最大化其样本的期望超体积,同时控制与预训练分布的偏离。作者指出期望超体积无法写成固定单候选奖励的期望,因而利用其一阶变分对应候选的期望边际超体积贡献,基于模型样本构造无偏估计的自适应奖励,并把目标分解为一系列 KL 近端标量奖励子问题,给出了凹性、相对平滑性与收敛性保证。
Thao Nguyen 等提出 iGC,一个面向抗原特异性抗体优化的两阶段强化学习框架。第一阶段从 B 细胞谱系树的亲子对中学习 SHM 突变先验并适配目标亲和力成熟数据集,第二阶段用该先验初始化 RL 策略,并以 KL 正则优化抗原结合。
研究提出面向药物发现的可扩展 AI 科学家 El Agente Fármaco,可将日常语言表达的发现目标转化为复杂的计算筛选工作流。它用共享科学记忆 Fármaco Atlas 保存分子、结构、结果及其来源,并通过定向数据库查询取回决策所需证据;单次请求可对整批分子发起计算,无需为每个化合物单独做一次 LLM 决策。
研究提出一种概率引导方法,将生成式发现模型平滑过渡到迭代优化,用于实验室在环抗体优化。该方法以概率代理模型的后验不确定性,引导基于结构的先验与湿实验监督之间的交接。在低 N 场景下,该方法提升了优化效率,并改善了优化分子的多样性。
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。
作者提出 Struct-Caliper,用表征感知的查询随机化为蛋白质结构搜索生成查询特异的 p 值,以替代 Foldseek、Reseek 等工具中不可靠的原生 E-value。
研究团队提出 AutoSPECTRA,一种基于编码智能体的科学基础模型通用性审计协议,并在四个生物基础模型上完成审计。团队先回顾五个生物领域的 38 项研究,发现编码智能体能生成假设与分析但证据标准不一致,随后将协议围绕可衡量泛化维度、预设分析、受控比较和独立确认构建。
研究团队提出 XAMPGen 管线,微调蛋白质语言模型 ProGen 生成新型抗菌肽,并用可解释 SI 分析模型决策。候选序列按预测 MIC 和结构活性人工判断筛选后进入实验,所有生成并测试的肽段在 MIC 生物实验中均显示抗菌活性。荧光和圆二色光谱测量提供了结构信息,分析还显示序列模式与抗菌膜模拟物结合特性的关联。
Google DeepMind 为 Google Antigravity 发布一套化学信息学 Skills,安装 Science 插件后即可使用。
推荐理由:文章把化合物检索、匹配分子对分析与合成路线规划串成一条对话式流程,并给出与传统数天迭代的对比。
团队将LoRA接入ESM-2(150M),仅微调0.70%权重,在QMAP严格同源约束下构建抗菌效力与溶血毒性双任务框架。60%序列一致性阈值下,E. coli效力秩相关ρ=0.6132、溶血毒性相关ρ=0.5374;联合网络从749条de-novo肽中筛出TI最高144.03的候选。
MoleculeMind 发布 MMDesign 技术报告,称在 19 个设计项目、18 个靶点及纳米抗体和大环肽两类分子模态上取得 94.7% 的项目成功率。
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。
研究提出由定制 Transformer 引导的迭代计算设计策略,将突变优先级排序与 DNA 探针热力学设计统一起来。模型从 1,782 个样本中提取突变的诊断归因分数并生成语义图指导探针定位,候选设计再按差异结合自由能进行计算机筛选,最终收敛为 8-plex 靶向 panel。
来源更新 2026-11-03
研究团队提出 Auto-Research Agent,将冻结的 AlphaFold 3 视为黑盒,按靶点分析并重组 MSA,仅用预测器的无标签信号迭代优化序列选择与跨链配对。
来源更新 2026-11-11
一项研究利用两个完整的适应度景观,比较变分自编码器与信息论方法在序列空间中寻找稀有高功能序列的效果。结果显示,无需训练且运行速度显著快于标准 ML/AI 方法的信息论方法,在发现稀有高功能序列上也显著更有效。作者还讨论了将该方法应用于发现仅作用于细菌细胞膜、不作用于真核细胞膜的稀有抗菌多肽。
研究团队用 Bindcraft 从头设计靶向 PACAP-38 的迷你蛋白,得到 63 个残基的 ICLIST-2,KD 为 26.5 nM。经丙氨酸扫描与 ProteinMPNN 优化后得到含 9 处氨基酸替换的 ICLIST-11,KD 降至 4.51 nM,Tm 提高 14 摄氏度,结构模型提示其中三处突变可能有助于增强亲和力。
一项发表于 bioRxiv 的研究指出,免疫原性引导的抗体设计受标签质量限制。作者将常用的 217 条抗体数据集扩展并校正至 231 条带配对序列的治疗性抗体,并手工从原始文献重建其中 110 条的临床证据。
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。
BridgeDock 提出一种扩散桥框架,把预训练共折叠模型适配到柔性分子对接,从蛋白与配体的初始 apo 状态出发生成复合物结构,而非从高斯噪声开始。研究引入对齐机制,将桥状态映射到预训练模型原有的去噪调度,使其与预训练去噪器兼容。在标准柔性对接基准上,BridgeDock 表现优于强共折叠基线,推理计算高效,在极少去噪步数下仍然有效。
研究者提出 POME(Prior-guided Offline MAP-Elites),一个面向离线生物序列设计的不确定性感知质量-多样性(QD)优化框架,用基础模型作为先验把搜索引向生物学上合理的区域。在三个序列设计任务上,POME 的性能与多样性均优于此前的离线 QD 方法。对比离线 MBO 基线,它在两个任务上取得最佳、第三个任务位列第二,同时保持较高的多样性与新颖性。
CryoPilot 是一个由两个语言模型智能体组成的系统,可从原始冷冻电镜图像完成三维重建并构建和验证原子模型。重建智能体评估中间图像和定量诊断,选择并配置 CryoSPARC 任务,比较不同策略并保留或回退决策;建模智能体判断图谱手性,用 CryoZeta 构建模型并依据密度、几何和 DAQ 优化。
作者提出 LPT(little protein tiger)框架,通过固定编排的 LLM 阶段和有界智能体循环,从单条自然语言提示完成蛋白结合剂从头设计。每个阶段配有自定义系统提示和工具权限,可查询约 14000 篇论文提炼成的文献库;带库访问的模型在 48 道测试题中答对 41 道,无库访问答对 0 道。
研究考察智能体在任务引导与黑盒两种设定下设计治疗性抗体的可靠性。团队构建了十项经专家验证的亲和力改进任务,发现 LLM 评审能较好复现程序化评估的指令遵循结果。接入抗体相关工具会提升指令遵循和序列空间探索,但降低优化表现;提供已评分设计历史则降低指令遵循,但提升优化表现。二者结合的智能体优化器在计算机模拟优化循环中与既有的贝叶斯优化基线表现相当。
来源更新 2026-11-03
一项合成致死预测研究把匹配负样本下的基准分数与实测筛选池中的检索表现并置,发现接近随机的匹配测试 AUROC 仍可能对应有效的实验命中。
来源更新 2026-11-04
研究显示,基因组语言模型 Evo 2 无需额外训练,仅凭数十个示例即可生成新的、多样的调控 DNA 序列。机制分析提示这种基因组 ICL 可能源自归纳机制,以序列到功能模型为奖励的强化学习还能进一步增强 ICL。
同一新闻,精选展示《Evo 2 用上下文学习仅凭数十个示例设计全新调控序列》
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。
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。
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。