AllositeUltra 与 AsBench2:跨状态表征学习实现动态蛋白别构位点前瞻发现
研究提出跨状态位点识别基准 AsBench2 和深度学习框架 AllositeUltra,后者在 apo 与底物结合态结构上的 Top-3 位点回收率分别为 65.2% 和 70.6%,相对最佳基线提升 36.4% 和约 50%。
推荐理由:论文提出跨状态识别框架与配套基准,读者可了解它如何把位点识别与静态口袋几何解耦,并在不同构象态上做对比。
技术方向
基准、数据集、评测方法与负结果。
共 139 条动态近 30 天 114 条
研究提出跨状态位点识别基准 AsBench2 和深度学习框架 AllositeUltra,后者在 apo 与底物结合态结构上的 Top-3 位点回收率分别为 65.2% 和 70.6%,相对最佳基线提升 36.4% 和约 50%。
推荐理由:论文提出跨状态识别框架与配套基准,读者可了解它如何把位点识别与静态口袋几何解耦,并在不同构象态上做对比。
作者提出 DecoyOpt 两阶段流程,先用 ESM3 生成功能位点诱饵,并由 MLP 区分酶、未注释蛋白与诱饵,再由对比学习模型预测 EC 号。该流程在三种拆分上评估了 16 个蛋白质语言模型,在最严格的 GraphPart 40% 拆分上取得 MCC 0.899 和 D0 诱饵 FPR 6.17%,优于重训基线。它还能正确注释全部 4 个野生型酶,并拒绝全部 8 个失活或近失活变体。
Derek Lowe 评述一项靶向蛋白降解(TPD)研究,该研究用 dTag 系统在 β-catenin 上测试降解效果,发现蛋白水平升高的原因不同,决定了降解能否奏效。稳定化突变使 β-catenin 水平升高 3 到 5 倍时仍可被降解压低,而多西环素诱导的过表达系统把水平提高约五倍后,降解基本失败,合成速率压过了降解速率。他认为 TPD 项目需要仔细考虑靶蛋白的合成速率、降解途径和半衰期。
CPDD 将 144.5M 参数的自回归噬菌体 DNA 语言模型 CreatiPhage 扩展为 147.5M 参数的双向离散扩散模型。在 522 个噬菌体 CDS 筛选中,其随机掩码恢复准确率高于同类扩散模型和密码子级参考。混合损坏测试中可恢复 42.4% 可见错误碱基,冻结表征还支持 infA 适应度预测与七类噬菌体病毒粒子蛋白亚型分类。
论文提出 OriDynamics,一个面向蛋白质单体及蛋白质与小分子或蛋白伙伴复合物的全原子构象集合生成统一框架。该方法用潜在集合分解,把紧凑结构潜在空间中的构象探索与生成候选周围的局部全原子采样结合,并以集合级监督约束平均位置、涨落幅度和联合坐标协方差。
研究团队提出蛋白质逆折叠模型 HyInv,这是一个 1.96M 参数的骨干条件图网络,采用编码器-解码器架构,由团队自研的 Hyra 2.0 研究智能体先做随机顺序自回归预训练,再做结构奖励强化学习。
研究团队提出 650M 参数的蛋白质掩码语言模型 HyPLM-Flash,由自研研究智能体 Hyra 2.0 训练,使用 7260 亿 token,约为 ESM-2 650M 数据的 0.73 倍,模型权重与推理引擎已在 GitHub 发布。
研究构建了面向HIV-1复制抑制剂的CHARMM兼容分子力学力场参数化框架,公开12种HIV-1抑制剂及HIV组装辅因子IP6的参数集、优化结构与配体约束文件。参数经实验结构与热力学基准验证,包括lenacapavir结合自由能估算,并用于量化整合酶链转移抑制剂与病毒衣壳晶格相互作用及变构整合酶抑制剂的结合能量。
一篇 bioRxiv 论文评估了仅凭酶生成训练数据中未出现反应的结构条件生成模型,在反应不重叠基准 EnzymeMap_x 上按精确评分测试并与 BLASTp、DIAMOND、RxnPred、Horizyn 对比。
研究将 Generative Latent Priors(GLP)移植到 ESM-2 激活,并在 8M 与 650M 两个宿主规模上评估其解释与编辑效果。
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。
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。
来源更新 2026-11-10
作者开发了 BacLLM,一个将注释来源的功能知识注入蛋白质语言模型表征、用于 WHO 优先病原菌抗微生物耐药性分析的框架。它通过序列增强、UniProt 注释语义丰富和跨模态对比学习,把 LLM 编码的注释先验迁移到序列编码器。摘要报告,BacLLM 在耐药基因识别和机制预测上相比基线提供更有信息量的表征,能在单残基分辨率捕获耐药相关突变信号,并改善噬菌体疗法的菌株级宿主匹配。
研究团队发布开源基准平台 Protify,支持 35 个预训练模型和 61 个精选数据集,覆盖零样本、监督与迁移学习。在 ProteinGym 上评测 23 个模型后,DPLM3B 为当前最佳自监督编码器;跨 32 项监督任务没有单一模型全面领先,14 个模型至少在一项数据集上得分最高,前两名差距落在运行间波动内。
来源更新 2026-11-10
研究团队提出酶基础模型 AlphaEnzyme,以与反应配对的酶结构表示为基础,可同时读出催化兼容性、动力学和突变响应。在时间切分基准上,其 top-1 催化剂检索成功率为 30.1%,最强基线为 17.2%;对与动力学训练集序列一致性不超过 40% 的酶,Michaelis 常数预测的排名相关性达到 0.64。
推荐理由:读者可对比 AlphaEnzyme 在时间切分基准上与最强基线的检索成功率差距,并了解从酶检索到突变优先级的前瞻验证路径。
研究团队提出 PartiDesign,一个可联合生成蛋白质、核酸和小分子结构及其对应序列或化学身份的模型。该模型扩展 La-Proteina 的部分潜变量框架,可控制二级结构、化学键和氨基酸偏好,并支持环肽与抗体设计;在采用的计算预算协议下,多数基准的估计成功设计吞吐量在受评方法中最高。
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。
论文提出 RIVER,一个面向酶与反应双向检索的多智能体框架,通过协调大语言模型、生化计算工具和外部知识资源,汇集反应化学、蛋白序列与结构域、催化机制及数据库注释等多层证据。
LeNO 将奖励引导的初始噪声优化摊销为学习的残差传输,并用 Local GRPO 与标量奖励学习噪声修正分布,同时冻结预训练生成器。该方法消除推理时的迭代搜索,并为高斯初始噪声的保范投影推导出修正噪声分布相对原始先验的 KL 可处理上界。在少步文本到图像和蛋白质结构生成中,LeNO 单次噪声校正即提升目标奖励,并基本保持生成质量与多样性。