跳到正文
10月31日周六
10月30日周五
  1. Molence62

    Molence 报告零样本 BCMA 设计结果,30 个设计中 12 个获得结合命中,两个候选以 VHH-Fc 融合形式测得 SPR KD 为 43 pM 和 1.1 nM。这两个候选结合细胞表面 BCMA 的 EC50 分别为 0.19 nM 和 0.16 nM,同一实验中 belantamab 生物类似药为 4.1 nM。作者将其描述为高亲和力识别模块,可用于进一步构建多价和多特异性抗体格式。

    引用Molence@MolenceBio

    3/15 🧪 在全部17个多样化靶点上均获得结合命中。 我们使用Mol-1的早期检查点,构建了一套从头VHH设计工作流程。初始的靶点级命中率在6%到63%之间,覆盖可溶性蛋白、受体胞外结构域和GPCR——包括BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6和CCR5。这是在多样化靶点面板上经过实验验证的设计。#ProteinDesign

  2. Molence55

    Molence Bio 报告,在 4-1BB 靶点上用第一轮实验结果指导第二轮设计,功能性命中由第一轮的 30 个中 2 个(7%)提升到第二轮的 60 个中 51 个(85%)。在 0.03 nM 浓度下,这 51 个二轮激动剂中有 48 个超过 Utomilumab 阳性对照的平均激活水平。公司表示,这些 VHH-Fc 结果说明实验反馈可以扩大功能性设计的候选池。

    引用Molence@MolenceBio

    4/15 🎯 零样本 BCMA 设计实现 43 pM 亲和力。 三十个设计中产生了 12 个结合命中。其中两个候选分子以 VHH-Fc 融合形式测试,SPR KD 值分别达到 43 pM 和 1.1 nM。 它们还能结合细胞表面的 BCMA:EC50 值分别为 0.19 和 0.16 nM,而同一检测中 belantamab 生物类似药为 4.1 nM。 高亲和力识别模块,可进一步工程化为多价和多特异性抗体格式。 #ProteinDesign

  3. Molence57

    Molence 公布其 Mol-1 工作流设计的 VHH 在六小时报告基因实验中可激活 4-1BB,两款 VHH-Fc 融合设计的 EC50 分别为 0.05 和 0.22 nM,对照 Utomilumab 为 0.43 nM。VHH 01 的 SPR KD 为 3.5 nM,两款设计均表现出高单体纯度、热稳定性和低自相互作用。该设计的目的是实现受体激动。

    引用Molence@MolenceBio

    5/15 🔁 一轮实验反馈。功能命中率从 7% → 85%。 对于 4-1BB,我们用第一轮实验结果指导了第二轮设计: • 第 1 轮:30 个中 2 个功能命中 • 第 2 轮:60 个中 51 个功能命中 在 0.03 nM 下,第二轮的 51 个激动剂中有 48 个超过了 Utomilumab 阳性对照的平均激活水平。 这些 VHH-Fc 结果展示了实验反馈如何扩大功能设计的候选池。 #ProteinDesign

  4. Molence57

    Molence Bio 公布其计算设计的 VHH 以 VHH-Fc 融合形式结合 CXCR6 表达细胞,EC50 为 39 nM。在 cAMP 实验中,30 nM CXCL16 使响应降至仅含 forskolin 对照的 70.6%,加入 167 nM 该 VHH 后恢复至 92.6%,作者据此认为该结合体对 CXCL16 诱导的 CXCR6 信号具有拮抗作用。该条是 15 条系列帖的第 7 条,前一条报告了靶向 4-1BB 的激动型设计。

    引用Molence@MolenceBio

    6/15 ⚡ 设计的VHH可以激活4-1BB。 在一项六小时的报告基因检测中,两个通过Mol-1工作流设计的VHH-Fc融合体实现了0.05和0.22 nM的激活EC50值,而Utomilumab为0.43 nM。 VHH 01还显示出3.5 nM的SPR KD。两个设计都具有良好的生物物理特性,包括高单体纯度、热稳定性和低自相互作用。 这里的设计目标是受体激动作用。 #DrugDiscovery

  5. Molence53

    Molence Bio 分享的 VHH 设计结果显示,30 个设计中 5 个在以 VHH-Fc 融合形式测试时能同时结合两种非直系同源细胞因子。这两种细胞因子的无空位序列一致性为 54%,同一批设计对细胞因子-A 和细胞因子-B 分别得到 11 个和 7 个结合命中。作者据此提出,双抗原识别可以作为设计流程中的一个明确目标。

    引用Molence@MolenceBio

    7/15 🧬 一个设计的 VHH 可以拮抗 GPCR。 CXCR6 设计物以 VHH-Fc 融合形式测试,与表达受体的细胞结合的 EC50 为 39 nM。 在 cAMP 测定中,30 nM CXCL16 将反应降低至仅用福司可林对照的 70.6%。加入 167 nM VHH 后恢复至 92.6%。 该实验支持计算设计的结合物对 CXCL16 诱导的 CXCR6 信号传导的拮抗作用。 #DrugDiscovery

  6. Molence44

    9/15 🧪 30 个设计候选中有 23 个至少满足四项生物物理筛选标准中的三项。 我们测量了 30 个 VHH-Fc 候选,覆盖 13 个靶点: • HIC 疏水性:80.0% 通过 • DSF 热稳定性:80.0% 的 Tm1 > 60°C • AC-SINS 自相互作用:83.3% 通过 • BVP 非特异性结合:70.0% 通过 13 个靶点中有 12 个至少有一个候选满足三项或更多标准——这为选择分子进入进一步开发提供了有用证据。 #ProteinDesign

    引用Molence@MolenceBio

    8/15 🎯 一个VHH,两种抗原——设计使然。 我们设计了能够识别两种非同源细胞因子的VHH,这两种细胞因子具有54%的无空位序列一致性。 在以VHH-Fc融合蛋白形式进行测试时,30个设计中有5个能同时结合两种抗原。同一批设计中,有11个命中细胞因子-A,7个命中细胞因子-B。 双抗原识别可以作为设计流程中的明确目标。 #ProteinDesign

  7. Molence48

    10/15 🎯 设计 VHH 结合的位置。 针对 TNFR2 和 IL-4Rα,我们靶向的是天然配体结合区域。 在顺序 BLI 竞争实验中,预先结合 TNFα 或 IL-4 会降低相应设计 VHH 的后续结合。 这些实验支持了对预期区域的识别,把表位导向的设计目标与实验证据连接起来。 #ProteinDesign

    引用Molence@MolenceBio

    9/15 🧪 30个设计候选物中有23个满足四项生物物理筛选标准中的至少三项。 我们对13个靶点的30个VHH-Fc候选物进行了测量: • HIC疏水性:80.0%通过 • DSF热稳定性:80.0%的Tm1 > 60°C • AC-SINS自相互作用:83.3%通过 • BVP非特异性结合:70.0%通过 13个靶点中有12个至少有一个候选物满足三项或更多标准——这是选择分子进行进一步开发的有用证据。 #ProteinDesign

  8. Molence40

    11/15 💊 在陌生结合环境中实现更强的配体预测。 在 Runs N’ Poses 上,Mol-1 在全部八个相似度区间内领先所有被评估基线。 在相似度最低的 0–20 区间,成功率为 36.1%,AlphaFold 3 为 24.6%。通过 Mol-1-constraint 提供结合位点信息后,成功率提升至 63.9%。 成功需同时满足配体 RMSD < 2 Å 和 lDDT-PLI > 0.8。 #DrugDiscovery

    引用Molence@MolenceBio

    10/15 🎯 设计 VHH 的结合位点。 对于 TNFR2 和 IL-4Rα,我们靶向了天然配体结合区域。 在连续的 BLI 竞争实验中,预先结合 TNFα 或 IL-4 会降低相应设计 VHH 的后续结合。 这些实验证实了对预期区域的识别,将表位导向的设计目标与实验证据联系起来。 #ProteinDesign

  9. Molence44

    12/15 🧩 分子胶预测必须同时正确处理蛋白质界面和分子胶姿态。 在 MGBench 上,Mol-1 的联合成功率为: • Seen:92.2% • High Homology:74.6% • Low Homology:28.6% 最强评估基线在 Low Homology 上达到 19.1%。 联合成功要求配体 RMSD < 2 Å、lDDT-PLI > 0.8 以及蛋白质界面 DockQ > 0.23。 #DrugDiscovery

    引用Molence@MolenceBio

    11/15 💊 在陌生结合环境中更强的配体预测能力。 在 Runs N’ Poses 中,Mol-1 在全部八个相似度分箱中均领先于所评估的基线。 在相似度最低的 0–20 分箱中,成功率为 36.1%,而 AlphaFold 3 为 24.6%。通过 Mol-1-constraint 提供结合位点信息后,成功率提升至 63.9%。 成功要求同时满足配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。 #DrugDiscovery

  10. Molence33

    13/15 🧬 蛋白–肽预测,跨越高精度阈值。 在 MolBench-Peptide-26 上,Mol-1 达到: • 88.8%(DockQ > 0.23) • 77.3%(DockQ > 0.49) • 54.1%(DockQ > 0.80) 结合结合位点信息,Mol-1-constraint 将上述指标提升至 92.2%、85.0% 和 60.2%。 生物位点信息在每一个评估的精度阈值上提升了肽复合物预测。 #AIforScience

    引用Molence@MolenceBio

    12/15 🧩 分子胶预测必须同时正确预测蛋白质界面和胶体构象。 在 MGBench 上,Mol-1 的联合成功率为: • 已见(Seen):92.2% • 高同源性(High Homology):74.6% • 低同源性(Low Homology):28.6% 在低同源性设置下,表现最强的已评估基线达到 19.1%。 联合成功要求配体 RMSD < 2 Å、lDDT-PLI > 0.8 且蛋白质界面 DockQ > 0.23。 #DrugDiscovery

  11. Molence54

    Molence Bio 在 Mol-1-constraint 约束模式下,用文献与单体结构给出的三个残基位点假设,使三个案例的 DockQ 分别从 0.014 升至 0.874、0.011 升至 0.739、0.200 升至 0.863。作者称这些例子说明稀疏的生物学假设可以引导复杂预测。该系列前一条推文称 base model 与 Mol-1-constraint 均可在 https://lab.molence.com 获取,并给出四个基准上 DockQ > 0.23 的成功率变化,如 FoldBench-AB 从 75.0% 升至 88.3%、AF3-AB 从 62.7% 升至 84.2%。

    引用Molence@MolenceBio

    14/15 📍 表位可以作为预测的输入。 借助表位信息,Mol-1-constraint 在所有四个基准测试中均将抗体–抗原成功率(DockQ > 0.23)提升: • FoldBench-AB:75.0% → 88.3% • AF3-AB:62.7% → 84.2% • PXMeter-AB:58.3% → 77.5% • MolBench-AB-26:57.3% → 79.4% 基础模型和 Mol-1-constraint 均可在 https://lab.molence.com 获取 #AIforScience

  12. Molence57

    Molence 公布 Mol-1 在 FoldBench-AB 上的评测结果,DockQ > 0.23 下的中位成功率为 75.0%,与 IsoDDE 已公布的 75.58% 相近。团队称评测覆盖来自 32 个随机种子的全部 201,376 种五种子组合,其中 62.22% 的组合达到或超过 75% 的成功率。Mol-1 已在 GitHub 开源,并提供在线试用入口(https://github.com/molence/Mol-1、https://lab.molence.com)。

    引用Molence@MolenceBio

    隆重推出 Mol-1:开放前沿生物分子智能 🚀🚀🚀 📊 在 FoldBench-AB 上达到 75.0%,接近 IsoDDE 报告的 75.58%!!! 🧬 在单块 H20 上实现 6 万 token 的组装,表现优于 Anthropic 8/10。 🎯 VHH 结合命中率高达 63%,最佳 SPR KD 达 43 pM。 GitHub: https://github.com/molence/Mol-1 试用:https://lab.molence.com

  13. Molence51

    Molence 称 Mol-1 驱动的长时智能体在单张 NVIDIA H20 上完成 60,120 原子分子组装的结构预测,10 项评测组装中有 9 项优于 Anthropic 报告的结果。其中 8 项达到 TM-score ≥ 0.90。同一线程的前一条称 Mol-1 在 FoldBench-AB 上取得 75.0% 中位成功率(DockQ > 0.23),并给出 GitHub 仓库与试用入口。

    引用Molence@MolenceBio

    1/15 🧬 Mol-1 在 FoldBench-AB 上:DockQ > 0.23 时中位成功率为 75.0%,与 IsoDDE 已发表的 75.58% 相当。 我们评估了来自 32 个种子的全部 201,376 个五种子组合,其中 62.22% 达到或超过 75% 的成功率,表明性能稳健。 探索 Mol-1:https://github.com/molence/Mol-1 试用:https://lab.molence.com #AIforScience #DrugDiscovery

  14. Molence54

    Molence 使用 Mol-1 的早期检查点构建 de novo VHH 设计工作流,在 17 个不同靶点上均获得结合命中。初始靶点级命中率为 6% 至 63%,覆盖可溶性蛋白、受体胞外域和 GPCR,包括 BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6 和 CCR5。作者称这是一组经过实验测试的多样化靶点设计。

    引用Molence@MolenceBio

    2/15 🧩 一个60,120-的分子组装体,在单张NVIDIA H20上完成结构预测。 基于Mol-1的长时运行智能体在10个评估组装体中的9个上超越了Anthropic报告的结果。 其中8个达到TM-score ≥ 0.90。 #AIforScience

  15. bioRxiv52

    研究用原子级解释解读图神经网络,用于抗鲍曼不动杆菌抗菌药物重定位

    研究构建仅使用原子特征和连接性的图神经网络集成,在同一抗菌筛选任务上取得与描述符增强参考模型相当的预测表现,使解释可以直接落在分子图上。原子级解释识别出在扰动与恢复条件下支持模型活性预测的特征,与分子内同规模扰动比较后,哌嗪被判定为对预测活性支持最一致的重复贡献片段。

  16. arXiv67

    CryoAtlas:面向冷冻电镜原子模型构建的大规模数据集与统一基准

    研究团队提出 CryoAtlas,一个面向冷冻电镜密度图原子模型构建的大规模数据集与统一基准,包含 17,809 条图-模型-序列条目和 618 项目标。资源由 EMDB 与 PDB 截至 2026 年 3 月的条目整合筛选而成,并提供 16,657 条训练集;基准以共享协议评估结构精度、模型与密度图拟合及立体化学有效性。

  17. 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。

  18. arXiv39

    MEMIG:面向抗体优化的自演化记忆构建框架

    MEMIG 是一种面向抗体优化的自演化记忆构建框架,把 LLM 智能体记忆做成可索引、可量化且结构化的形式。它为每条经验分配领域标识并累积属性 oracle 测得的定量效应,使更新局部化、检索变为精确查找,还连接共同施加的干预、分解评估集合以度量上位效应。在 in silico 抗体优化任务中,MEMIG 在多数设置下提升性能。

  19. arXiv61

    随机化对象如何影响低数据分子生成:语料规模、随机轴与表征的受控研究

    一项受控研究用1000个种子分子训练自回归序列模型,比较SAFE与SMILES随机化在低数据分子生成中的表现。仅对SAFE做随机化就把新颖分子的真实产率提高逾450倍;原子序与片段序两种随机化共同作用,而非简单相加。在语料规模与计算量匹配时,随机化SAFE的真实产率是随机化SMILES的2.8倍。

  20. 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。

  21. 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。

  22. bioRxiv38

    NK-RCPP:用于神经激肽受体候选肽优先排序的受体条件化计算流程

    NK-RCPP 在回顾性分析中对 NK1R、NK2R 和 NK3R 的 96 个生成候选肽进行受体条件化优先排序,结合 REF15 靶向评分与 4,518 组配对结构近邻比较。加入近邻评分后,33 个可评估的靶向有利候选保留 16 个、池缩小 51.5%,且相同短名单规模下半数候选身份与仅用靶向评分不同。

10月29日周四
  1. bioRxiv70

    多态蛋白质组装体的发现与设计

    该研究表征了新出现的蛋白质组装体,并建立设计可在不同组装状态间切换的准对称材料的策略。研究把多个自组装界面编程到刚性寡聚体上,利用多态设计和集合预测让相同氨基酸序列按组装路径与环境条件形成不同构型。概念验证中,准对称衣壳在温度触发下转变为微米级二维阵列。

    推荐理由:同一蛋白序列可在温度触发下切换组装形态,为多态蛋白质材料设计提供了可迁移的多界面编程思路。

  2. Genesis Molecular AI64

    Genesis Molecular AI 与 Caltech 提出分子优化在线适应框架,86 次评估追平 Beam Search 约 5000 次效果

    Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文提出分子优化的在线适应框架,用 86 次 oracle 评估匹配最强推理时搜索基线 Beam Search 约 5,000 次评估的效果。

    推荐理由:文中把分子优化中的测试时在线适应拆成四个设计选择,并给出同预算下与五种搜索基线的效率对比。

  3. Science AdvancesIF(5) 14.839

    FSGLD 流程与 DRUG-GAN:生成类药性/靶点特异性化合物库的多尺度方法

    FSGLD 深度学习流程通过多尺度 DRUG-GAN 生成类药性与靶点特异性化合物,覆盖随机类药分子、靶点特异性化合物和共享化学结构的化合物系列三类场景。该流程整合生成模型与分子对接、分子动力学模拟、MM-PBSA、热力学积分(TI)及实验验证,在三个药理学上不同的靶点类别中识别靶点特异性候选化合物。其建立的 TI 计算方案在保持精度的同时将计算时间缩短 80% 至 90%。

10月28日周三
  1. bioRxiv74

    研究实现光控构象蛋白开关的从头设计,光照下结合增强逾30倍

    研究团队以计算方式从头设计出能准确结合 retinal 发色团的蛋白,并设计与 retinal 异构化偶联的构象开关运动。该开关在光照下开启新的蛋白-肽相互作用,形成结合力提升逾30倍的光激活异二聚体,且波长、灵敏度和特异性可调。团队还用其实时调控胞内蛋白相互作用与细胞信号受体,并通过实时光激活 NMR 观察到明确的光诱导构象变化。

    推荐理由:研究展示从零计算设计光控蛋白开关的路径,读者可了解光遗传学工具在响应波长与特异性可调上的扩展空间。

  2. bioRxiv50

    PepPr:结合肽先验的从头肽测序

    PepPr 将拟合参考蛋白质组的语言模型作为肽先验,与从头肽测序(DNPS)结合,提升参考肽段识别,并改善而非抑制变异肽段识别。以相关蛋白质组为先验时,它匹配或超过同源驱动数据库搜索,且相对无先验 DNPS 的提升随亲缘关系增强。在抗体测序中,它改善了跨可变区-恒定区边界肽段回收、脱酰胺判定和组装,并保留高变区召回。

  3. bioRxiv47

    ProbJanusDDG:从 ΔΔG 预测到基于共形预测的突变优先级排序

    ProbJanusDDG 结合蛋白稳定性预测器与标准及自适应共形预测区间,为未表征突变提供稳定或去稳定方向的筛选标准。在低同源性 S669L 基准上,50% 名义水平的自适应区间对 34.2% 突变给出方向判断,符号准确率 94.8%;90% 水平下标准与自适应区间的突变级覆盖率分别为 91.6% 和 92.5%。