#评测/基准
Molence@MolenceBioAI 评分4444
Molence@MolenceBioAI 评分5656Molence 公布 Mol-1-constraint 在给定参考表位或口袋输入时的 Foldbench 评测结果,称其在标准与更严格两套标准下均领先五个受测模型。
PR Newswire 健康AI 评分5555 Inductive 在 OpenADMET CYP 抑制挑战赛夺冠,连续第四次赢得 AI 药物发现基准
Inductive 在 OpenADMET CYP 直接抑制盲测挑战中排名第一,参赛者超过 270 个,NVIDIA 和 Recursion 分列第三和第四。这是其连续第四次在 OpenADMET 赛事中夺冠,Beacon 模型在四届赛事共 19 个药物发现端点上接受测试,累计胜过超过 1,000 名竞争者。
深势科技AI 评分4444 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%。
arXivAI 评分6969 BILBY 提出蛋白质基序支架生成评估基准,指出静态恢复不等于动态稳定性
论文提出 BILBY-PRO 和 BILBY-MD,前者是涵盖 220 个案例、来自 174 个 PROSITE 基序模式条目的蛋白质基序支架生成基准,后者是基于参考模拟的全原子分子动力学评估框架。
OpenAI精选AI 评分6363 OpenAI 与 Ligo 发布 BioBasicsBench 衡量 AI 智能体日常湿实验分析能力
OpenAI 与生物技术公司 Ligo 发布 BioBasicsBench,用 100 项常规湿实验任务评测 AI 智能体对原始实验数据的解读、纠错和证据判断能力。
推荐理由:原文用100项湿实验任务对比七个模型,GPT-6 Astra 66.7% 对 GPT-5.6 Sol 43.8%,可看出多模态实验数据解读的差距。
Molence@MolenceBioAI 评分4040引用Molence@MolenceBio10/15 🎯 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
Molence@MolenceBioAI 评分4444引用Molence@MolenceBio11/15 💊 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
Molence@MolenceBioAI 评分3333引用Molence@MolenceBio12/15 🧩 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
Molence@MolenceBioAI 评分5454引用Molence@MolenceBio14/15 📍 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
Molence@MolenceBioAI 评分5757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
Molence@MolenceBioAI 评分5151引用Molence@MolenceBio1/15 🧬 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
arXivAI 评分6767 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。
bioRxiv精选AI 评分7373 BenchMHC:可复现的肽-MHC 呈递预测与评测框架
BenchMHC 是一个仅用公开数据复现、重训练和评测 pMHC 呈递预测模型的开源框架,并记录复现过程中的实现决策。
推荐理由:BenchMHC 用公开数据复现并评测 pMHC 模型,复现结果与数据诱饵分析可帮助判断预测性能差异来自方法还是训练集。
bioRxivAI 评分5353 研究用蛋白质序列和SMILES预测零样本蛋白质-配体结合位点
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。