标签
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。
SimpleDesign 引入了一种用于蛋白质序列与结构协同设计的联合模型，该模型在数据空间中使用单阶段目标进行端到端训练，在协同设计和生成基准测试中取得了具有竞争力的性能。
麻省理工学院的研究人员开发了PottsMPNN，这是一个结合物理原理的机器学习框架，旨在改进蛋白质序列生成和稳定性预测，从而能够设计超越天然序列的新型蛋白质。
本文探讨了使用大型语言模型生成排名策略，从候选池中筛选蛋白粘合剂，在从头设计工作流中相较于基线方法显示出适度的性能提升。
Anthropic 的 Claude AI 自主设计靶向疾病蛋白质，湿实验室验证成功率达 35%，超越人类平均的 10-15%。
DeepSCan 是一种新的 AI 模型，它学习细胞表面展示的规则，并生成全新的膜展示模块，其中几个模块的性能优于强天然序列，标志着向可编程细胞工程学迈出了一步。
《自然》研究论文提出了一种用于固有无序蛋白质的理性设计方法，以研究序列-功能关系，介绍了开源工具GOOSE，并提供了分析脚本和数据。
这篇bioRxiv预印本介绍了Diff-Switch框架，该框架利用基于扩散的系综采样生成构象状态，用于从头设计蛋白质开关，从而提高找到开关兼容序列的成功率。
阿斯利康利用AI生成并对蛋白质候选进行排序，将模型与实验和机器人技术相结合，以加速生物药发现，并攻克此前难以成药的靶点。
一种名为Raygun的人工智能工具可以在不破坏天然蛋白质结构和功能的情况下将其缩放，可能推动蛋白质工程的发展。
Chamaileon 提出了一个用于多靶点和多状态蛋白质结合子设计的框架，采用语境化的序列-结构联合建模和混合采样，实现了对不同构象景观和多靶点需求的适应性。
介绍广义泊松流（GPFlow），一种用于蛋白质设计的变长生成式框架，它学习非齐次广义泊松过程，实现灵活的序列长度探索，并在结构、序列和肽协同设计任务中提升可设计性。
Design-CP 为 RFdiffusion 3 引入了上下文并行推理策略，通过将二次激活分布到多个 GPU 上，实现了大型多聚体蛋白质纳米颗粒的全原子设计，从而在较小的 GPU 集群上使大规模组装蛋白质设计变得可行。
两篇来自 Baker 和 Veesler 实验室的《自然》论文描述了AI设计的衣壳实现了准对称性，从而能够构建比以往更大的蛋白质外壳，并澄清他们设计的是架构，而非真正的病毒。
本文提出了一种两阶段微调流程，结合领域自适应微调和强化学习，生成匹配所需氨基酸组成分布并保持序列质量的蛋白质序列。