标签
最新研究表明，像 Evo 2 这样的基因组语言模型能够通过少量示例进行上下文学习，生成蛋白质、从头设计的抗体、CRISPR-Cas9 基因座、线粒体基因组，甚至完整的噬菌体，并通过思维链式的迭代提示实现更具挑战性的设计目标。
一个由中国多家机构组成的大型合作团队发布了 Pinal，这是一款能将自然语言提示转化为功能性蛋白质设计的 AI 工具；与此同时，Hugging Face 也推出了一款用于 DNA 层面基因组设计的类似工具，让蛋白质和基因组工程也能像“氛围编程”一样易于上手。
Anthropic 与 Citrini Research 使用一款内部 Claude 模型，自主生成了针对五种蝎神经毒素的蛋白迷你结合剂，在受试的 211 个中获得 17 个功能性结合剂，标志着 AI 驱动的抗蛇毒药物发现向前迈进了一步。
Artios 作为一个用于设计具有功能的从头设计酶的完全开源系统发布，旨在实现蛋白质设计中化学过程的精确协调，并以开放的方式加速生物工程的发展。
一支几乎没有生物学背景的五人投资团队利用 Claude 协调 300 多个 AI 智能体，在 64 小时内设计了 318,484 种蛋白质，其中 17 种经独立实验室验证可结合危险的蝎子神经毒素。
Riccardo De Santi 等人提出了 LLM-to-Flow Distillation（LFD，大语言模型到流的蒸馏）方法。该方法利用大语言模型根据自然语言描述的目标对科学生成模型的输出进行评分，从而省去了针对特定任务的奖励模型的需求，并在药物/分子设计领域中表现优于直接使用奖励函数进行训练的方式。
本文提出 PIDiff，一种联合离散序列空间与 SE(3) 结构流形扩散的多模态框架，用于蛋白质-蛋白质复合物设计，并提出 PIFormer 架构与 PIBench 数据集，在微型结合蛋白和抗体设计任务上超越基线方法。
论文提出 DRYLAB-Bench，首个评估 LLM 智能体高风险生物突变设计能力的综合基准，通过 30 个危险突变设计场景和 187,695 条湿实验数据量化生物安全风险；对 15 个前沿模型的评估显示生物设计工具会显著放大风险。
研究人员利用生成式AI设计蛋白质，并从31,565个基因组中筛选出数千个PiggyBac转座酶家族成员，其中一个AI设计变体使培养细胞中的靶向DNA插入效率翻倍，扩展了基因编辑工具集。
Google DeepMind 与其合作者发布了 AlphaProtein Novo，这是一个用于生成式从头酶设计的机器学习流程，能够产生自然界中不存在的酶，并在基准反应中达到最先进活性水平，其中包括用于合成哌啶的酶以及用于降解环境毒素 DEHP 的酶。
Google DeepMind发表了一篇关于蛋白质水印系统的研究论文，将SynthID风格的概率偏置水印技术应用于AI设计的蛋白质序列，使可信的研究用蛋白质能够被识别，有助于缓解AI蛋白质设计工具带来的生物安全风险。
Google DeepMind 宣布推出 SynthID Bio，这是一种水印技术，可在保留生物功能的前提下，为 AI 设计的蛋白质嵌入可验证签名。该技术已通过湿实验验证，并集成到 AlphaFold 3 的扩散网络中。
论文提出 Protein-TetSphere，一种将蛋白链四面体化并配准到固定拓扑参考体积的逐残基体积表征方法，采用共享的拉普拉斯基（Laplacian basis）表示，并应用于配体结合口袋分类、蛋白-蛋白界面预测以及 de novo 结合剂（binder）设计，在这三项任务上均取得显著提升。
Mirror-Score 面向D肽/L-蛋白结合剂设计提出了一个经校准、仅推理的评分框架，发布了首个包含31个晶体复合物的公开基准，并表明原始的 ProteinMPNN NLL 是一个很差的亲和力排序指标（Spearman 0.19），而 Boltz-2 的界面 pLDDT 在病毒进入蛋白家族上实现了结构层面的留一法 Spearman 0.90。论文还报告称跨家族校准无法迁移，并针对抗微生物耐药性相关的靶点 LasR 和 LecB 提出了一套前瞻性设计流程。
这篇文章报道了AI BioDesign项目，该项目利用人工智能和实验来创造自然界中不存在的分子，由诺贝尔奖得主David Baker领导，旨在推动医学和技术的进步。
Adaptyv Bio与Anthropic合作推出全球蛋白质设计竞赛，利用AI设计新药候选分子，提供超过200万美元的支持和开放数据共享。
Anthropic使用Claude为超过30个开源生物分子模型优化了推理，实现了平均4倍加速，并开源了优化代码。他们还与Adaptyv Bio合作举办蛋白质设计竞赛。
ABLE是一个基准测试，旨在评估LLM智能体在蛋白质设计工作流程中使用生物AI模型（如ProteinMPNN和AlphaFold3）的能力。该测试评估了15个前沿模型，结果显示Claude Sonnet 4和Gemini 3 Pro得分最高，而部分模型拒绝执行所有任务。
GPT-6 Astra，一个AI模型，因其在游戏、蛋白质设计、体育追踪和3D世界构建方面的多样应用而走红，并通过10个令人惊叹的案例加以凸显。