ProbJanusDDG:从 ΔΔG 预测到基于共形预测的突变优先级排序
ProbJanusDDG 结合蛋白稳定性预测器与标准及自适应共形预测区间,为未表征突变提供稳定或去稳定方向的筛选标准。在低同源性 S669L 基准上,50% 名义水平的自适应区间对 34.2% 突变给出方向判断,符号准确率 94.8%;90% 水平下标准与自适应区间的突变级覆盖率分别为 91.6% 和 92.5%。
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
ProbJanusDDG 结合蛋白稳定性预测器与标准及自适应共形预测区间,为未表征突变提供稳定或去稳定方向的筛选标准。在低同源性 S669L 基准上,50% 名义水平的自适应区间对 34.2% 突变给出方向判断,符号准确率 94.8%;90% 水平下标准与自适应区间的突变级覆盖率分别为 91.6% 和 92.5%。
研究团队提出糖特异性扩散框架 GlycoWeave,用于预测蛋白质与糖复合物结构,在698个复合物基准上取得71.9%的Top-25高质量成功率,AlphaFold 3为19.2%。
推荐理由:论文在698个蛋白质与糖复合物样本上对比AlphaFold 3,并给出单构象采样耗时,便于判断专用扩散框架的取舍。
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。
论文提出用于 TCR-pHLA 结合预测的 Hi-TPH 大规模分层数据集与基准,并开发在其上微调的 Hi-TPH-PLMs 蛋白语言模型集合。该模型集合在外部湿实验测试集上比当前最先进工具提升 19.2%,数据集还采用 on-the-fly 选择方法生成非结合样本。Hi-TPH 与 Hi-TPH-PLMs 已公开释出,作者利用分层结构分析了不同分子组分对结合预测的贡献。
推荐理由:论文给出大规模分层 TCR-pHLA 数据集和配套蛋白语言模型,外部湿实验测试集上 19.2% 的提升可作为比较数据构建与建模选择的参考。
来源更新 2026-11-14
作者发布 POISK 数据集,用 LLM 流程从 10110 项美国专利中抽取 89074 条抗体-抗原记录,并据此构建 22494 个复合物的平衡基准。在此基准上,六种结构预测模型中 Protenix-v2 表现最好,全部配对的 pairwise 准确率为 72%,最自信的一半达 87%,在 50 个候选中挑出真结合物的比例为 29%。
推荐理由:作者用专利抗体数据搭出基准,横向比较六种结构预测模型区分真结合物与诱饵的能力,可据此判断零样本筛选信号的边界。
Nabsys 在 ASHG 2026 年会上分享电子基因组图谱(EGM)在血液恶性肿瘤中的初步数据,并预览面向该应用的分析软件。公司称 EGM 运行于 OhmX 平台,可提供结构变异与拷贝数变异的高分辨率全基因组视图,定位为现有工具的补充而非替代。Navigator 云平台含 SV-Discover 和 SV-Verify,分别用于全基因组结构变异分析与验证其他技术标记的变异。
分子之心发布MMDesign技术报告,覆盖18个靶点的19个项目中18个获得实验确认的结合分子,项目成功率94.7%。六个GPCR靶点全部命中,NK3R的30个候选全部结合;单项目仅测试9—50个候选,453个受测候选获得139个命中。报告还称MMFold在FoldBench抗体—抗原界面评测中Top-1高质量结构预测成功率为39.0%,MMDesign已可面向药企和生物技术伙伴开展合作。
推荐理由:原文披露19个项目、453个受测候选的湿实验数据,可观察AI分子设计在低实验通量下的成功率与跨靶点表现。
研究团队将生成式蛋白设计与基于深度学习的集合预测结合,设计出可用于冷冻电镜的基准标记,以解析GPCR构象状态。他们高通量测定了四种具药物相关性的GPCR非活性态结构,并为β2肾上腺素受体构建胞外标记,在无G蛋白条件下观察关键胞内基序的重排。与近期共折叠模型比较后,作者指出当前方法在预测配体诱导的GPCR构象上存在明显差距。
推荐理由:论文将生成式蛋白设计与深度学习集合预测结合,为GPCR难以捕捉的构象状态提供可迁移的结构解析思路。
研究提出基于 ESM 蛋白语言模型的 KaML-ESMs,用序列预测六类残基的电离常数,在四个基准上优于其他方法,原生蛋白中均方根误差约 0.5 个单位。在 89 个缺乏进化支持的埋藏工程突变上性能下降,作者认为监督训练可能帮助克服这一限制。将 KaML-ESM2 用于整个人类蛋白质组时,预测的 pKa 可识别功能位点并推断催化机制,团队同时提供 KaML 预测平台。
推荐理由:论文用 ESM 蛋白语言模型预测电离态,在四个基准上报告误差并讨论埋藏突变的性能下降,读者可据此了解该方法的适用范围。
论文提出基于 LLM 的 Principia 框架,在测试时从比较性因果假设中归纳并持续修正科学原理。在分子优化、蛋白质工程、基因扰动与分子性质预测基准上,它优于依赖内部知识、外部来源或经验总结的基线,并生成与文献相符的原理。代码见 https://github.com/DongkiKim95/Principia。
研究者在10个靶点上用基于 ESMFold2 的流程评估了单纯形投影梯度下降(PGD)用于基于幻觉的蛋白质结合剂设计。结果显示,PGD 比 softmax 参数化在更少迭代内最小化设计损失,并产生预测界面置信度更高的设计;在每靶点 1,024 个设计的 ipSAE 分布上尾筛选中,PGD 在 6 个靶点上显著改善且无靶点显著变差,并在所有靶点上产生更高的结构多样性。
camupepimut(ELI-002 7P)在 KRAS 突变胰腺癌的二期 AMPLIFY-7P 试验中未达到主要无病生存终点,中位 DFS 为 23.8 个月对 21.2 个月。
推荐理由:这项随机二期试验虽未达到主要终点,但6个月无病生存和CA19-9变化分析给出了后续三期设计的免疫原性线索。
研究提出 Astrolabe,一种可编程闭环框架,把结构条件序列生成与用户自定义目标结合,用于协调不同分子状态的生物分子设计。在受评方法中,Astrolabe 在蛋白质和小分子结合物基准上的计算通过率最高,并能容纳从局部有序化到多结构域重排的靶标构象变化。
PerturbAI 与 OpenAI 及合作者在一篇新预印本中公布了一套用于生物医学发现的分布式 AI 推理框架,用数千个并行 agent 在 32 分钟内完成对 PerturbAI 全脑图谱数据的分析,并在未接触原稿的情况下复现了其结论。
北京大学联合深势科技、北京科学智能研究院启动科学骑士大师赛北大专场,以开放科学问题比拼人机协作解题。比赛不设人类评委,提交须附可运行代码与执行记录,由平台在统一环境重跑自动打分;深势科技赞助不低于1000万元算力与 token,北京科学智能研究院设奖学金。此前第四季六轮赛已吸引八百多个智能体账号参赛,累计提交两万余次。
PRIME-ISP 提出一个基于结构的统一框架,用五级蛋白表示预测蛋白质、肽、DNA、RNA、小分子、金属和碳水化合物等多类相互作用位点。该框架通过自下而上和自上而下的耦合传播整合局部几何与全局结构信息,无需任务特定特征;在七类基准上优于近期统一序列预测器,并与专用方法性能相当。代码和数据已在 https://github.com/HySonLab/PRIME-ISP 公开。
研究团队提出 MutaStruct,一个经残基级序列验证、坐标级质量控制、去重和防泄漏切分的单点突变蛋白结构对基准,用于评估突变诱导的结构变化预测。该基准对比仅序列结构预测、基于物理的修正和基于学习的修正方法,并加入 Copy-WT 诊断对照;结果显示 Copy-WT 在骨架指标上仍具竞争力,而方法排名在局部指标与突变位点指标间明显变化。
研究团队提出 IGLOO 框架,用具有已知逐残基重要性的合成适应度景观评估蛋白质语言模型的残基级归因。结果显示,预测准确率高并不保证归因忠实;一些模型干预使归因技能分数提高一倍以上,并将 TOPSIS 提升 29%。在真实的 α-淀粉酶和 β-内酰胺酶数据集上出现相似模式,IGLOO 也为选择序列编辑时的残基归因默认设置提供参考。
研究团队提出一个基于高斯过程主动学习的抗体-抗原结合亲和力预测基准,在8个公开AbBiBench实验集上以每个池10%的标注预算评估核函数、采集策略与表示选择。