研究团队从头设计 PACAP-38 迷你蛋白结合体,亲和力提升至 4.51 nM
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。
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。
分子动力学模拟解析了可溶性 TREM2(sTREM2)与 Transgelin-2(TG2)的结合界面,核心位于 TG2 calponin 结构域。AD 风险变异 TREM2 R47H 的 CDR2 环更开放、界面接触重排,但结合亲和力不变,可解释其不加重 tau 病理。据此优化的 sTREM2 衍生肽在结合持久性、能量学和天然 TG2 接触重现上优于此前治疗肽。
研究团队开发 Janus 纳米马达 Re1@NMs,将三维 Re(I) 分子致动器 Re1 与 GOx 驱动推进结合,增强实体瘤内分布。光照下 Re1 作为 I/II 型双光敏剂产生 ROS,并通过 E/Z 光异构化与扭转变形促进膜通透,协同激活铁死亡和焦亡。小鼠肿瘤模型中该光疗实现更强肿瘤抑制、良好生物安全性并增强抗肿瘤免疫。
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。
研究提出 FluoP-tag,一种由31残基肽(约3.4 kDa)和细胞可穿透染料 FluoP580(568 Da)组成的紧凑型荧光肽标签,可在活细胞内免洗标记。
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。
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。
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。
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。
研究团队发现一类分子胶可将 TEM 家族 β-内酰胺酶招募至细菌周质蛋白酶 DegP 降解,他唑巴坦能加速该降解过程。无连接子引入在 DegP 底物中富集的二肽基序后,所得降解剂与哌拉西林对耐药大肠杆菌的协同作用优于他唑巴坦,并具备适合口服给药的良好药代性质。
推荐理由:研究展示通过分子胶把 TEM β-内酰胺酶招募到 DegP 降解的路径,并报告与哌拉西林联用的协同改善和口服药代数据。
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
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
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
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
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
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
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
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
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
研究者通过引入阳离子稳定取代基,使自消除连接子(SIL)的载荷释放速率常数较参考SIL最高提升10⁴倍。DFT计算的离子对中间体稳定性与一级自消除速率常数呈强相关,SIL-载荷偶联物的亲脂性也被发现是影响速率的关键因素。他们用抗癌药 palbociclib 的释放、辐射依赖性酶抑制和细胞周期改变展示了该策略的实用性。
推荐理由:研究把连接子取代基的电子效应与释放速率关联起来,为靶向前药的释放速度设计提供了可量化的结构依据。
来源更新 2026-10-30
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。
Yossra Gharbi 和 Rocío Mercado 提出 TACFormer,一个以 POI 序列的 ESM-2 表示为条件、基于 Transformer 的 PROTAC 从头生成模型。
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。
研究团队提出 AtomSteer,一个可在采样时对预训练原子生成模型施加结构约束的测试时推理框架,无需重新训练或改动架构。该方法用有界局部投影、图刚性立体化学变换和周期对称投影修正中间结构预测,并在 FlowMM、ET-Flow 和 Boltz-2 三个骨架上验证。
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。
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。
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。
来源更新 2026-10-29
作者提出 IgScope,一个从零训练的 2300 万参数抗体语言模型,可在链、IMGT 区域和残基分辨率上给出人源化程度评分。其区域隔离注意力把注意力限制在区域内,嵌合序列训练提供区域级监督;在 238 万条留出链上,屏蔽全部框架 token 后 CDR 准确率不变,人框架中回突的小鼠残基检出准确率为 93.4%。
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。