跳到正文
11月11日周三
11月7日周六
11月6日周五
  1. 深势科技44

    深势科技部署并实测 Kimi K3.1 Pro:综合成绩居本次参评开源模型首位

    深势科技完成 Kimi K3.1 Pro 的推理优化与部署,用户可经 Bohrium Coding Plan 调用;在 100 道科研任务评测中,该模型综合成绩居参评开源模型首位。评测覆盖生物、材料、量子与聚变四方向,八组「模型+执行框架」同题作答,该模型 44% 的任务得分达 60 分及以上。生物序列审计与铝晶界重建两题均获 100 分,聚变题把 β 从约 5.354% 提升至约 5.962%。

10月31日周六
10月30日周五
  1. 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

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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。

10月28日周三
9月30日周二