跳到正文

技术方向

结构预测 / AlphaFold 3 · Boltz-2 最新动态

蛋白与复合物的结构预测、共折叠和构象:AlphaFold、Boltz、Chai、Protenix 等模型及其应用。

共 99 条动态近 30 天 81 条

更新

动态归档 · 第 3 页

10月31日周六第 41–60 条
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. 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

  3. 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

  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. Nature CommunicationsIF(5) 18.961

    整合结构分析揭示痘病毒核心中的多聚体孔道复合物

    研究团队结合冷冻电镜断层成像、基于深度学习的颗粒拾取、子断层平均、交联质谱与 AlphaFold3 建模,解析出痘病毒核心内一个长期寻找的孔道的分子结构。该孔道由病毒蛋白 E8、E6 和 L3 异源组装形成,构成贯穿核心壁与表面栅层的六聚体空心管。孔道内观察到与病毒 RNA 解旋酶 I8 一致的杆状密度,并在转录条件下观察到缺少外环与底环的孔道状态。

    推荐理由:读者可看到基于深度学习的颗粒拾取与 AlphaFold3 建模如何与冷冻电镜断层成像配合,解析此前未知的病毒孔道结构。

  8. 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29日周四
  1. bioRxiv59

    Neopep:以机器学习力场能量做强化学习预测非天然肽结构

    研究团队提出 Neopep,一种面向含非天然氨基酸肽段的序列到结构扩散模型,先以 PDB 结构预训练,再用冻结的机器学习力场能量作为强化学习信号微调。模型训练覆盖 189 种非天然氨基酸,原子级架构原则上可推广到任意化学结构。论文报告,其生成结构相对真实结构的 RMSD 平均值低于未微调版本和其他先进结构预测模型。

  2. Science AdvancesIF(5) 14.863

    冷冻电镜解析水疱性口炎病毒 L-P-N⁰ 复合物结构

    研究团队用冷冻电镜解析了水疱性口炎病毒 L-P-N⁰ 聚合酶复合物结构。P 直接结合 L 的羧端结构域(L_CTD),将 N⁰ 锚定在包括 RNA 产物出口通道附近在内的多种构象中。该研究揭示 L_CTD 在新生 RNA 衣壳化中的功能,并提供了基因组 RNA 复制所需聚合酶复合物的结构信息。

    推荐理由:复合物结构显示 L 的羧端结构域参与新生 RNA 的衣壳化,为理解基因组 RNA 复制如何与衣壳化偶联提供结构依据。

10月28日周三
  1. bioRxiv76

    来源更新 2026-11-14

    折叠模型能区分真结合物与诱饵吗?POISK 专利抗体数据集给出的证据

    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。

  2. Nature CommunicationsIF(5) 18.961

    冷冻电镜捕获 HSV-2 gH/gL 不同构象状态,揭示融合激活的结构机制

    研究者用冷冻电镜解析了 HSV-2 gH/gL 以及它与四种抗体片段形成的复合物结构,捕获到不同的构象状态。结构分析显示,这些状态更接近激活前态与中间态,而非激活后态;抗体结合可将 gH/gL 的构象平衡推向激活前态,或推向中间态、类激活后态。

    推荐理由:论文借多种抗体片段复合物的冷冻电镜结构,呈现 gH/gL 构象平衡与激活信号传递的可能路径。

10月27日周二
  1. 分子之心72

    分子之心发布MMDesign技术报告,19个项目成功率94.7%,六大GPCR靶点全部命中

    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。

10月26日周一
  1. Advanced MaterialsIF(5) 29.665

    可编程工程化活体载具作为自主生物工厂,协同治疗耐药骨髓炎并促进骨再生

    研究团队开发出可编程工程化活体载具(ELV),以大肠杆菌 Nissle 1917 为自驱动底盘,并配备环境生物传感器与逻辑门计算模块。该系统借助 AlphaFold 3 引导的分子对接设计温控遗传逻辑电路,在 ≥37°C 时生产溶葡萄球菌素(LYS)与血管活性肠肽(VIP),在 ≥42°C 时触发失效保护式热自毁,表面 (DSS)₆ 肽则提供羟基磷灰石亲和与骨归巢能力。

    推荐理由:论文展示了用 AlphaFold 3 辅助分子对接设计温控基因逻辑电路,为活体治疗载体的功能编程提供了一条可迁移路径。