EpiRank：伴侣无关的蛋白结合界面表面斑块检索与表位预测
Lin与Lu构建EpiRank，一种不依赖结合伙伴、序列搜索或结构字母表的蛋白表位预测器，并在经同源性和伙伴图控制的数据划分上按表面斑块检索任务评测。其最高排名表面斑块包含真实表位的比例为64%，但几何匹配随机基线为41%，提升仅1.57 x；54%的预测斑块没有命中真实表位。
#结构生物学
bioRxiv · BioinformaticsAI 评分5656
bioRxiv · BioinformaticsAI 评分6262 ChefNMR2-Agent 用生成式和推理模型解析 NMR 光谱中的小分子结构
研究团队提出 ChefNMR2-Agent，将分子生成模型 ChefNMR2 与 LLM 推理智能体结合，从分子式及一维 1H、13C NMR 光谱自动解析未知小分子结构。
Microsoft ResearchAI 评分4444 Microsoft Research Focus 第 97 期：AI 智能体、编码工具与天气预报等研究集萃
Microsoft Research Focus 第 97 期聚焦 AI 智能体、编码工具、职场 AI 与天气预报。ForkPilot 在 6 个 benchmark 和领先 AI 模型上达到现有最佳方法水平，并最多降低 59% 的 AI 处理需求；CABRA 发现陌生代码库仍是编码智能体的一大障碍。
bioRxiv · BioinformaticsAI 评分7070 AlphaFold 结合口袋的 apo-holo 状态分布及其对 docking 成功率的影响
研究者把 12,255 个蛋白的 237,922 个 AlphaFold 结合口袋放到由其实验结构界定的 apo-holo 轴上，多数呈 holo-like（62%，apo 与 holo 结构等量采样时为 56%）。
Google DeepMind精选AI 评分6060 Google Antigravity 新增 Biomolecular Structure Viewer，加速抗菌肽搜索
Google Antigravity 引入 Biomolecular Structure Viewer，为研究者与 AI 智能体提供共享的 3D 结构查看和注释工作区。在抗菌肽案例中，ProtNLM 从 UniProt 原始氨基酸序列预测生物功能，平台结合结构与基因组证据筛出面向 Streptococcus pseudopneumoniae 的候选物。该候选物目前正在进行湿实验验证。
推荐理由：技术演示呈现了 UniProt 功能预测、跨库检索和 3D 结构分析的一体化流程，提供了可迁移的候选抗菌肽筛选方法。
Arc Institute · News精选AI 评分6969 Arc Institute 等团队用 eclair-CLIP 构建 67 种 RNA 结合蛋白图谱
Arc Institute、Biohub、UCSF 和 Vector Institute 团队开发 eclair-CLIP，并为人类细胞中的 67 种癌症相关 RNA 结合蛋白建立图谱，在单核苷酸分辨率下映射超过 9 million 个 RNA 结合位点。
推荐理由：文章说明统一小标签和红外检测如何减少 CLIP-seq 对特异性抗体与放射性标记的依赖，并展示图谱进入模型训练后的应用路径。
Isomorphic Labs · News精选AI 评分7878 Isomorphic Labs 推出 IsoDDE 药物设计引擎
Isomorphic Labs 推出 IsoDDE 药物设计引擎，用统一系统处理结构预测、结合亲和力预测和新型口袋识别。在‘Runs N’ Poses 基准最困难的外推类别中，IsoDDE 的准确率是 AlphaFold 3 的两倍以上，并在抗体-抗原高保真预测中分别比 AlphaFold 3 和 Boltz-2 高 2.3 倍和 19.8 倍。
推荐理由：IsoDDE将结构预测、亲和力预测和口袋识别纳入统一系统，并提供训练集外任务与公开基准的对比结果。
Chai Discovery · News精选AI 评分8080 Chai-2 新研究验证全长药物样单克隆抗体设计及 GPCR 靶点拓展
Chai Discovery 的新研究显示，Chai-2 已能进行全长药物样 mAb 的 de novo 设计，并扩展到六个 GPCR 和 peptide-MHC 靶点。
推荐理由：提供 88 个 IgG 的可成药性数据与 Cryo-EM 结构验证，帮助读者判断 Chai-2 从亲和力设计走向药物样抗体的可用边界。
Broad Institute · News精选AI 评分7373 Broad Institute、MIT与Harvard University开发PUPS预测人细胞系中的蛋白质定位
Broad Institute、MIT和Harvard University开发PUPS，可预测任意蛋白质在任意人细胞系中的单细胞定位，包括此前未测试的蛋白和细胞。
推荐理由：PUPS将蛋白序列模型与图像补全模型结合，在未见蛋白和细胞系上实现单细胞定位，并提供实验验证与基线比较。