跳到正文
11月13日周五
  1. arXiv55

    Structured Re-Decoding 以免训练方式扩展预训练模型决策空间

    论文提出免训练的 Structured Re-Decoding(SRD)框架,通过候选重组、联合优化选择与重构输出验证,扩展预训练模型在结构约束下的决策空间。作者报告在固定 KL 散度预算下可提升可达奖励,并在分子生成、蛋白质设计、RNA 结构预测和抗体建模中改善结构化推理,包括生成原始样本池中不存在的已验证分子。

11月12日周四
  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. bioRxiv53

    研究审计蛋白质语言模型的重复引导与激活读数,指出置信度预测不能说明可折叠性

    一项 bioRxiv 预印本研究审计了已发表的重复引导、ESMFold 置信度与激活读数,结论是能预测置信度门槛并不能说明设计可折叠。引导在操作点保持了置信度,但拟合出的悬崖出现在 alpha_50 = 1.240x,扫描自身对照为 64.0%;未引导的生成器激活可预测置信度门槛,ROC-AUC 为 0.786 ± 0.004。

  3. bioRxiv60

    RNAtomy:从核苷酸几何学习可迁移 RNA 结构与功能表示的基础模型

    研究提出结构感知 RNA 基础模型 RNAtomy,利用核苷酸间几何和残基级构象描述符进行自监督预训练。模型采用 Mamba-Transformer 混合骨干与轴感知特征调制,在七项涉及核苷酸、核苷酸对和 RNA 层面的任务上评估,接触与长程碱基对预测优于现有 RNA 基础模型和任务专用方法。

11月11日周三
  1. arXiv71

    ProTEUS:用于闭环蛋白质进化的突变分辨世界模型

    ProTEUS 是用于闭环蛋白质进化的突变分辨世界模型,在 zero-shot 和有监督微调的突变预测任务上超过现有模型。它用 MutationFormer 的突变偏置注意力学习序列、进化和结构联合表示,并用物理约束全原子预测器实现比 AlphaFold3 快 10 倍以上且保证物理有效性的预测。

    推荐理由:这一工作把突变预测、快速全原子结构与闭环实验反馈放进同一框架,便于理解蛋白质定向进化的计算与实验衔接。

11月6日周五
  1. bioRxiv69

    RPFace 提出可泛化的 RNA-蛋白界面预测模型

    论文构建了按蛋白-RNA 结构和实验条件分层的基准,并提出仅用序列同时预测蛋白每个残基和 RNA 每个核苷酸结合偏好的 RPFace。RPFace 无需实验结构、模板或多序列比对,结合预测二级结构集成与 RNA 基础模型、结构预测模型的多模态嵌入增强,模型小而快,可泛化到 in vivo CLIP 数据。

  2. bioRxiv55

    FoldAbS 将蛋白质折叠模型改造为抗体筛选的基础编码器

    FoldAbS 提出一种统一监督筛选框架,将蛋白质折叠模型冻结为基础编码器,用于治疗性抗体候选的特异性、亲和力与可开发性评估。该框架以开源 Protenix 模型实例化为 FoldAbS-Px,并搭配轻量任务头,在特异性、亲和力和可开发性上分别取得最高 13.1%、9.2% 和 6.2% 的提升。代码见 https://github.com/nohandsomewujun/FoldAbS。

11月4日周三
  1. bioRxiv55

    计算设计解析酮酰胺形成型剪接酶的底物范围

    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。

  2. 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。

  3. arXiv67

    来源更新 2026-11-04

    FoldScape 从序列预测任意折叠阶段的蛋白质构象集合

    研究团队提出序列条件深度学习框架 FoldScape,可在指定折叠比例 Q 下生成蛋白质 Cα 构象集合,并从序列重建三维链。在 20 种人类蛋白质(36 至 857 个残基)上,相同样本量下它对折叠坐标的覆盖比不同随机种子生成的 AlphaFold 3 集合高约一个数量级,但 AlphaFold 3 更能锚定近天然区域,两者形成互补。

  4. NatureIF(5) 56.772

    研究团队提出结构引导 RNA 基础模型 structRFM 并开源

    研究团队提出结构引导 RNA 基础模型 structRFM,将碱基配对关系融入掩码语言建模并在数百万条序列与二级结构数据上预训练。该模型在 15 个生物语言模型的零样本同源分类中位列前茅,刷新二级结构预测基准,在 RNA Puzzles 数据集上的三级结构预测较 AlphaFold3 提升 19%,内部核糖体进入位点识别的 F1 分数提升 49%。

    推荐理由:读者可据此了解结构引导预训练如何提升 RNA 结构与功能预测,以及作者开源的数据集和预训练模型。

11月3日周二
11月2日周一
  1. bioRxiv61

    来源更新 2026-11-10

    研究提出混合 RNA 基础模型 LIMBER,用于预测和理解 RNA 结构与功能

    研究团队提出混合 RNA 基础模型 LIMBER,将双向自注意力与选择性状态空间建模结合,并在 4050 万条非编码 RNA 序列上预训练。该模型在二级结构预测和非编码 RNA 分类基准上取得领先表现,并可迁移到翻译相关任务和 RNA 与小分子相互作用预测。作者还建立统一的任务无关评估框架,发现不同生物信息在模型层间呈分层、任务依赖的组织方式,并观察到结构、进化和功能能力的不同缩放行为。

11月1日周日
10月31日周六
  1. arXiv57

    BridgeDock 用扩散桥将预训练共折叠模型适配到柔性分子对接

    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。

  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。

10月30日周五
  1. 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

  2. Molence56

    Molence 的 Mol-1-constraint 把表位信息作为预测输入,在四个抗体-抗原基准上均提升了 DockQ > 0.23 的成功率。FoldBench-AB 从 75.0% 升至 88.3%,AF3-AB 从 62.7% 升至 84.2%,PXMeter-AB 从 58.3% 升至 77.5%,MolBench-AB-26 从 57.3% 升至 79.4%。基础模型和 Mol-1-constraint 均可在 https://lab.molence.com 获取。

    引用Molence@MolenceBio

    13/15 🧬 蛋白质–肽段预测,通过高精度阈值。 在 MolBench-Peptide-26 上,Mol-1 达到: • DockQ > 0.23 时为 88.8% • DockQ > 0.49 时为 77.3% • DockQ > 0.80 时为 54.1% 结合结合位点信息,Mol-1-constraint 将这些提升至 92.2%、85.0% 和 60.2%。 生物位点信息在每个评估的精度阈值上都改善了肽段复合物预测。 #AIforScience

  3. 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

  4. 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

  5. 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

  6. 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。