Chaperone 框架用工具编排实现可靠高效的智能体蛋白设计
研究团队提出 Chaperone,一个把 RFdiffusion3 与 ProteinMPNN、AlphaFold3 等 50 多个蛋白设计工具接入智能体流程的轻量可定制框架。
推荐理由:Chaperone 在九项设计任务中与基线智能体对比,报告 token 用量下降 86% 和 GPU 成本下降 64%,可作为长流程智能体设计的效率参照。
研究团队提出 Chaperone,一个把 RFdiffusion3 与 ProteinMPNN、AlphaFold3 等 50 多个蛋白设计工具接入智能体流程的轻量可定制框架。
推荐理由:Chaperone 在九项设计任务中与基线智能体对比,报告 token 用量下降 86% 和 GPU 成本下降 64%,可作为长流程智能体设计的效率参照。
Rosetta Commons 在 GitHub 组织下发布 Chaperone,一个用于构建、执行和评估结构生物学工作流的统一框架。该框架由华盛顿大学蛋白质设计研究所成员开发,为 RFdiffusion3、AlphaFold3、ProteinMPNN、Boltz-2 等组件提供文档化的 block,并支持分支流程、并行任务提交和迭代循环。
推荐理由:框架把蛋白设计各环节拆成可组合模块,并内置任务编排与数据溯源,便于评估自建流程的整合成本。
ProtGlycanDock 研究提出蛋白-聚糖对接数据集与基准,并设计两种把聚糖构象知识注入通用分子结构预测模型的微调方法。基准覆盖蛋白质和聚糖泛化设置,评测物理对接、机器学习对接和结构预测三类共十种模型。
研究团队用机器学习引导的设计流程从头构建出 20 kDa 的钒卤过氧化物酶 VAN1,它能结合 VO43- 并溴化 L-酪氨酸等活化芳香底物。X 射线晶体结构与计算模型高度吻合,结构导向突变使 VO43- 亲和力提升 15 倍、溴化活性提升 2.6 倍,与辅因子占据率的变化定量一致。
推荐理由:论文展示了机器学习引导的酶设计流程,晶体结构与计算模型吻合,读者可据此了解该方法的验证方式。
来源更新 2026-11-05
研究团队用深度学习设计方法 RFdiffusion-AA 和 LigandMPNN 从头设计光酶,把作为非天然氨基酸引入的二苯甲酮光敏剂精确安置在喹诺酮底物旁,并由形状互补性高的口袋引导激发态中间体的反应性。
推荐理由:研究给出了从头设计光酶的流程和 99% e.e. 的立体控制数据,读者可据此了解深度学习设计改变生物催化选择性的路径。
RiboCouple 提出一种从 RNA 骨架几何推断残基配对状态、再传入序列解码的方法,在 550 条生成骨架上取得 45.1% 的联合重折叠有效率,高于无拓扑解码器的 33.5%。
研究团队提出链式提示深度学习框架,用于抗菌脂肽的从头设计。该模型结合领域自适应迁移学习,从 96,911 个细菌基因组中选取 2657 条经进化筛选的 RiPP 衍生核心肽序列,虚拟连接 C6 至 C18 的七种 N 端脂肪酸链后筛选出 6197 条候选序列;按 KRH 比例不低于 0.3 及 C12、C16 尾链进一步筛至 289 条。
推荐理由:链式提示机制结合领域自适应迁移学习,摘要给出的 95.7% 合成阳性率和小鼠感染模型结果可供评估该设计流程的筛选效率。
研究团队提出基于 Metal Mer 结构单元的金属酶从头设计策略,可将蛋白骨架映射到统计偏好的金属结合位置。设计的锌依赖氢负转移酶有 17/60 具活性,产率 >99%,e.r. >99.5:0.5;铁酶催化烯烃三氟甲基叠氮化有 17/36 具活性,单点活性位点突变变体最高产率 89%、e.r. 97:3。
推荐理由:该预印本提出以 Metal Mer 结构单元设计金属酶,并给出锌酶和铁酶在产率与立体选择性上的实验数据。
研究团队从头设计出结合 MYC 的蛋白,在体外以纳摩尔亲和力结合 MYC,并在细胞中干扰其与 MAX 的相互作用、重塑 MYC 相关蛋白复合物。在多种 MYC 依赖的血液、肝脏、胰腺及患者来源肿瘤模型中,表达这些结合蛋白可降低细胞增殖;在原位胰腺癌模型中,表达结合蛋白的肿瘤细胞被选择性清除。作者认为该工作确立了从头蛋白设计作为靶向内在无序转录因子的通用策略。
推荐理由:研究展示了从头设计蛋白靶向 MYC 无序区的路径,为难以成药的转录因子提供了可迁移的设计思路。
晶泰科技(XtalPi)宣布其首个自主研发的 IgA 肾病 siRNA 临床前候选分子完成提名,项目从启动到提名历时九个月,设计与优化通过其 Kodexia 平台完成。
Google Antigravity 智能体科学工作台把跨多个数据库的抗菌肽检索压缩进单次会话,并借助 ProtNLM 扫描 UniProt 中数百万条未表征蛋白质序列。该技术演示在假肺炎链球菌中锁定一个对呼吸道感染病原体具预测活性的新型抗菌肽候选,目前正进行湿实验验证。同时推出嵌入其中的 Biomolecular Structure Viewer,让研究者与智能体共享 3D 结构画布并直接标注。
《Molecular Cell》视角文章提出,AI 引导的从头蛋白质设计可从设计针对大分子靶点的结合剂转向自下而上构建蛋白质反应网络,以编程复杂、涌现的生物行为。文章强调,可编程、模块化、可控的从头设计组件是驱动这类行为的关键,但可设计蛋白质动态、多步功能与非平衡系统仍是挑战。基础方法持续改进后,该领域有望实现精准蛋白质扰动,并从头工程化信号放大、决策和纠错等细胞行为。
AlphaFold2 以来,AI 驱动的蛋白质结构与复合物预测进步显著,但不同相互作用类别性能差异大,动态性重要或缺乏强共进化历史时下降。相互作用可分为四类:当前方法基本可处理、结构兼容性因竞争/旁系同源/化学计量而模糊、缺乏足够共进化信号、依赖细胞环境/动态/无序;未来需减少对多序列比对的依赖,并转向细胞环境中的相互作用景观建模。
AI 在基因组编辑中的角色正从预测扩展到直接的分子设计,基于 Transformer 的蛋白质语言模型与生成式 AI 已能演化编辑蛋白、设计分子架构并生成全新的基因组编辑酶。早期 AI 应用主要预测 gRNA 活性、脱靶效应,以及 CRISPR-Cas 核酸酶、碱基编辑器和先导编辑器的编辑结果。
研究以干细胞分化为模型,发现转录因子 RUNX2 的 C 端无序区(IDR)是成骨过程中结合染色质和调控基因表达所必需。线性 IDR 序列并非必需,构象集合特征反而能预测功能,作者据此开发了基于生物物理原理的 IDR 理性设计算法。该算法能从头生成有功能的 IDR,将生成式蛋白设计拓展到折叠蛋白组之外。
推荐理由:研究显示 RUNX2 的 C 端无序区对染色质结合不可或缺,而线性序列可替换,为无序蛋白的生成式设计提供了不同于结构设计的思路。
David Baker 团队发表研究,从头设计出利用活化半胱氨酸亲核体、按序列依赖方式水解多肽骨架的蛋白酶,设计成功率为 13/69(19%)。这些设计蛋白酶的折叠与天然蛋白酶差异明显(TM score < 0.50),6 个晶体结构与设计模型接近(Cα RMSD < 1.2 Å),相对背景反应的速率提升最高达 3×10⁷。
推荐理由:这些设计酶的折叠与天然蛋白酶差异明显,文中成功率和晶体结构数据可用于判断从头设计酶在活性位点预组织上的进展与差距。
研究团队提出 HDOCK-Multimer(HDM)框架,将对接与组合组装结合,用于大型蛋白复合物结构预测。在 35 个大型异源复合物、172 个大型蛋白复合物和 7 个 CASP15 靶点三项基准上,HDM 表现优于 CombFold、MoLPC、AlphaFold-Multimer 和 AlphaFold3。该框架还能在未输入化学计量比的情况下预测化学计量比并为复合物建模。
推荐理由:该论文把对接与组合组装整合到一个框架,并在多个大型蛋白复合物基准上比较现有方法,可帮助判断两类技术路线的取舍。
研究团队用 RFdiffusion 从头设计出带有能活化水的锌活性位点的金属蛋白酶,135 个设计中 36% 能切割对应肽底物的目标位点。最佳设计将肽键水解速率提升逾 10⁸ 倍,四处替换后提升逾 10¹⁰ 倍;针对 TDP-43、amyloid-β 和血清淀粉样蛋白 A 设计的蛋白酶速率提升最高达 10⁹ 倍。
推荐理由:研究用 RFdiffusion 从头设计金属蛋白酶,并在 TDP-43 等疾病相关蛋白上展示选择性切割,方法可供蛋白质设计研究参考。
研究团队用AI辅助设计TGF-β靶向LYTAC肽EndoP144,构建时序响应双靶向多功能水凝胶EnpMG-bSH用于递送神经干细胞。该体系随损伤部位MMP-2升高逐步释放EndoP144,并引入锚定载si-Notch1杂合外泌体的丝素蛋白纳米颗粒,实现抑制胶质瘢痕、促进神经干细胞向神经元分化并调节炎症微环境。在脊髓损伤小鼠中,该水凝胶与神经干细胞联合策略改善了运动与感觉功能恢复。
研究建立可解释AI发现框架,从520个脂质库中筛出先导可电离脂质PA97MD101,并在小鼠中验证其增强肝脏mRNA递送。框架用HeLa细胞的Fluc表达训练XGBoost模型,在10,920个虚拟分子中优先筛选候选,再做体内表型验证。PA97MD101还支持Cre依赖重组和Cas9/sgTtr介导的TTR抑制,其表现与pH依赖膜活性和溶酶体共定位减少相关。
推荐理由:该框架把可降解脂质化学、机器学习筛选与体内验证结合,为AI辅助生物材料发现提供了可迁移流程。
研究提出多肽示例提示(MPEP),将示例肽用甘氨酸间隔拼接成上下文,使单序列蛋白质语言模型无需梯度更新或任务专用重训即可为查询肽打分。在合成模式补全、二级结构分类和 MHC-II 结合肽预测中,基于 ESM-2 与 ProGen2 的结果随示例数量和模型规模提升。
研究团队提出 MAXWELL,一种将蛋白质语言模型预训练学到的概率输出校准为突变稳定性景观的后训练方法。将其应用于 ProteinMPNN 后,在实验测量的稳定性变化基准上优于 ThermoMPNN 等代表性方法;在 DhaA 脱卤酶的十个单点突变设计中,七个(70%)提升热稳定性,其中 G171W 的 ΔT 提升最大,测得 4.91。
分子之心公布AI从头设计纳米抗体与环肽的阶段性湿实验数据,覆盖TNFα、PD-L1、MDM2等十几个不同类型靶点。TNFα的14个设计纳米抗体中7个显示结合活性、最优亲和力达51皮摩尔,PD-L1的30个候选纳米抗体中26个获得实验命中。相关能力由AI原生生物经济操作系统MoleculeOS与多模态蛋白质基础模型NewOrigin(达尔文)支撑,部分VHH-Fc候选表达量超过1克/升。
分子之心在WAIC 2026期间公布MMDesign环肽从头设计结果,多条候选在p53-MDM2、PD-L1等PPI靶点获湿实验验证。p53-MDM2靶点首轮21条候选中有16条命中,命中率超过70%,最优KD为13.7微摩尔;PD-L1靶点19条候选中有6条经SPR确认结合,最佳KD接近40微摩尔。
研究提出一种物理驱动、PLM 辅助的高保真 CRISPR-Cas 核酸酶设计方法,用原子级分子动力学模拟和自动路径搜索获取 R-loop 构象变化的动力学洞察。该方法能定位靶点识别早期降低保真度的蛋白残基,并联合 PLM 过滤这些位点的突变体。由此获得高保真 SpyCas9 和 FnCas12a 变体,分别较野生型提升 4.49 倍和 6.69 倍,超过此前报道的同类变体,且仅需少量湿实验验证。
研究人员构建出 Gs 偶联的可光切换 optoGPCR optoDRD1,可将 JSR1 的 Gq/i 活性转向 DRD1 的 Gs 通路。
ConforFlux 是一种面向 Boltz-2 的推理时方法,通过在主干单/对嵌入上施加成对 C-RMSD 排斥梯度来耦合并行结构预测轨迹,且无需重新训练模型。
研究团队筛选AI设计的minibinders,鉴定出合成蛋白混合物C6-DPC,可高效驱动人类成纤维细胞向肌肉转分化并实现结构与代谢成熟。C6-DPC通过激活促肌生成的FGFR1/2c通路并抑制ALK1和TGFBR2等抗肌生成信号发挥作用,靶向去除ALK1即可降低重编程屏障。
推荐理由:研究把AI设计蛋白配体用于受体信号重编程,为人类成纤维细胞向肌肉转分化提供了可复用的分子干预路径。
研究以 PDB 中 α-synuclein 结构的 TM-score 聚类作为已知多晶型参照,评估 AlphaFold 3、Boltz-2 和通过 ABCFold 运行的 OpenFold 3。
研究团队提出 MicroSPEAR 端到端框架,将蛋白质语言模型预测器 SPEAR 与微流控平台 MicroGrad 结合,用于抗菌肽发现。基于覆盖 15 类孤立栖息地的 4,480 个宏基因组目录,SPEAR 识别出 383,027 条非冗余候选抗菌肽,其中 63.1% 在参考数据库中无可检测同源序列。
推荐理由:读者可了解蛋白质语言模型与微流控如何组成端到端流程,覆盖从宏基因组候选筛选到小鼠感染模型验证。
一项针对14个蛋白质设计模型的分析发现,控制蛋白家族和实测生物物理性质后,骨架条件评分的物种级差异有91%至93%可被消除,而仅序列似然只消除15%至29%。骨架条件模型偏好古菌和嗜热蛋白,序列模型偏好真核蛋白,这些偏好与紧凑度、堆积和电荷相关并传播到重设计序列。进一步用极端微生物分泌组训练 ProteinMPNN 会改变设计表面化学而结构代价很小,但物种排名基本保留。
该研究构建配体感知基准并提出三阶段序列模型,用蛋白质序列和SMILES预测零样本蛋白质-配体结合位点。在过度代表配体测试集上,第二阶段模型的ligand-macro F1为0.5832,高于第一阶段的0.4769;第三阶段在未见配体上取得残基级汇总F1 0.3109、ligand-macro F1 0.2338。
bioRxiv 预印本中,研究团队提出 mRNArchitect,一个用于 mRNA 药物序列设计与优化的软件工具包。该工具按密码子使用、二级结构和可制造性优化序列,支持针对短或长表达谱的策略以及疫苗、细胞和基因治疗等应用,并提供 UTR、microRNA 结合位点和调控元件库。
研究团队提出从头设计与筛选耦合的方法,识别出能引导特定金属氧化物矿化的蛋白界面,包括生物系统中不存在的材料。他们找到两个在通常生成磁铁矿条件下促进赤铁矿生长的界面,以及三个在传统 ZnO 结合肽和对照蛋白无效时促进异质 ZnO 成核的界面。
Isomorphic Labs 与 Google DeepMind 公布新一代 AlphaFold 的进展,模型能对 PDB 中几乎所有分子生成预测,并常达到原子级精度。覆盖范围从蛋白质扩展到配体、核酸及含翻译后修饰的结构。在抗体结合等药物发现相关任务上,它大幅优于 AlphaFold2.3;在蛋白-配体结构预测上超过所报告的最佳 docking 方法,且无需参考蛋白结构或配体口袋位置。
推荐理由:读者可借这份进展更新了解 AlphaFold 从蛋白质扩展到配体与核酸的模型变化,以及它对药物发现流程的意义。
研究团队将广泛使用的 RNA 二级结构设计基准 Eterna100 改版为 Eterna100-V2,以适配 ViennaRNA 2 折叠引擎。用六种 RNA 设计算法测试后,他们发现训练或评估所用折叠引擎会改变算法表现。