包括戴维·贝克在内的团队开发出生成式AI系统 RFdiffusion3（RFD3），可直接从原子层面设计蛋白质和核酸，生成蛋白质结构的速度约为前代系统 RFdiffusion2 的10倍。在41个已有酶的活性位点计算测试中，RFD3 有37个案例的设计表现优于 RFdiffusion2；实验上设计出可分解对氧磷的酶和可切割特定肽段的蛋白酶，均完成预期化学反应。设计范围还扩展到 RNA 等核酸分子。
推荐理由：RFD3 把蛋白质设计条件细化到原子位置和氢键，并给出与前代的速度和活性位点对比，可据此判断原子级设计的能力边界。
LoL-align 在 Nature Methods 发表，可在不做叠合（superposition）的情况下比对蛋白结构。作者称其比 TM-align 和 DALI 更敏感、比对结果更好，速度快 5–20 倍，现已集成到 Foldseek，代码在 GitHub 的 steineggerlab/foldseek 仓库，并提供 search.foldseek.com 在线服务。
推荐理由：新方法不做叠合即可比对蛋白结构，并给出与 TM-align、DALI 的敏感性和速度对比，可据此判断是否替换现有流程。
LoL-align 是一种基于距离的概率蛋白结构比对算法，通过迭代优化局部对数几率评分来判断蛋白同源性。作者报告，在单结构域和多结构域基准上，它检测远源同源蛋白的灵敏度明显高于 TM-align 和 Dali，比对质量更好，速度是二者的 5–20 倍，并已完整集成到 Foldseek 中。
推荐理由：新方法以局部对数几率评分做蛋白结构比对，在远源同源检测上比 TM-align 和 Dali 更灵敏且快 5–20 倍。
MassNet 发布面向 AI 的质谱蛋白质组学数据语料库，包含来自 35 个物种、高质量 DDA 质谱数据的 15 亿张串联质谱图，其中约 170 万个肽前体来自人类样本。
推荐理由：该语料库覆盖 35 个物种的 15 亿张质谱图，并配套标准化存储格式，为质谱蛋白质组学的深度学习提供了可复用的数据底座。
研究提出 HDOCK-Multimer（HDM），将 ab initio 对接与组合组装整合，用于大蛋白复合物结构预测。在 35 个大异源复合物、172 个大蛋白复合物和 7 个 CASP15 靶点三套基准上，HDM 的表现优于 CombFold、MoLPC、AlphaFold-Multimer 和 AlphaFold3。该框架还能在未提供化学计量比输入的情况下预测化学计量比并建模复合物。
推荐理由：面对大蛋白复合物组装空间过大的难题，该框架把对接与组合组装结合，并在三套基准上与 AlphaFold3 等方法比较。
AlphaFold Database 正与 NVIDIA、DeepMind、EBI 等合作扩展至疫情准备方向，对 2,812 个病毒蛋白组中的约 170 万个同源与异源二聚体做了穷举预测，其中 8,028 个为高置信度预测。相关结果发布在 research.nvidia.com/labs/dbr/ass...，并可在 alphafold.ebi.ac.uk 查看。
推荐理由：AlphaFold Database 把病毒蛋白互作预测扩展到 2,812 个病毒蛋白组，可了解结构预测在疫情准备中的覆盖范围。
Mohammed AlQuraishi 与 Apheris 合作，用五家药企内部的蛋白-配体复合物数据库训练 OpenFold3p2。作者称由于 PDB 中类药化合物相对稀少，这批数据使相关结构数据量增加 3-4 倍，并带来精度的大幅提升。引用内容提到，五家药企在数据不出内网的前提下共同训练了这一个共折叠模型，其表现明显优于最好的公开模型，Nature News 对此做了报道。
推荐理由：OpenFold3p2 在五家药企内部蛋白-配体结构数据上联合训练，为私有数据能否提升共折叠模型精度提供了一个可参照的案例。
Biohub 与 UC Berkeley 团队在三篇论文中报告，激光相位板在单激光和双激光（xLPP）两种配置下都能显著提升冷冻电镜图像对比度。单激光版本使分辨率最多提升 44%，双激光版本将铁蛋白 apoferritin 成像到 1.8 埃，并提升了冷冻 E. coli 的对比度。
推荐理由：三篇论文报告激光相位板在真实冷冻电镜中提升小蛋白成像对比度，为在完整细胞内看清蛋白提供新手段。
Biohub 与 UC Berkeley 团队将激光相位板集成到 Thermo Scientific Krios 冷冻电镜中，显著提升小蛋白成像对比度，相关成果分别发表于 Science 和 bioRxiv。
推荐理由：激光相位板把冷冻电镜的对比度提升到能看清小蛋白，为结构生物学长期难以成像的多数蛋白打开入口。
AlphaFold 3 发布 v3.0.3，代码许可证从 CC BY-NC-SA 4.0 改为 Apache 2.0，并兼容 Python 3.14。该版本还带来性能改进：Confidences JSON 序列化最高提速 30 倍，5000 残基输入的序列化时间从 43 s 降至 1.3 s，mmCIF 解析提速 4%。
推荐理由：许可证从非商用协议改为 Apache 2.0，并给出大输入序列化提速的具体数字，可据此判断能否商用与升级。