研究提出一种基于物理的快速计算方法，用于在从头设计的蛋白质中为小分子靶标生成等排且化学互补的结合口袋。作者通过构建并表征针对多种合成与天然色素的结合蛋白进行实验验证，仅评估个位数数量的设计，就获得稳定蛋白，X射线晶体学证实其apo结构中的结合位点已预先组织，并以微摩尔或更好的亲和力结合靶标。为展示适用范围，作者在双结构域从头设计蛋白中引入选择性且偶联的色素结合位点，实现两个位点间可控的能量转移，并开发出一种小型从头设计结合蛋白，可在活哺乳动物细胞中用于可视化亚细胞结构。
推荐理由：该方法用物理计算快速生成与小分子互补的结合口袋，并用X射线晶体学验证少量设计的apo结构。
研究团队发布 Airscope 无线介观显微镜，重 1.0 克，在 6 mm 视野内实现 4 μm 横向分辨率、12.5 Hz 成像。其非球面透镜设计使总光程比此前微型显微镜缩短 2.84 倍，单只动物可无缆记录超过 8,500 个神经元的钙信号，较此前提升 25 倍。
推荐理由：1.0 克无线介观显微镜把视野扩到 6 mm 并支持自由活动小鼠成像，为系统神经科学提供可迁移的硬件方案。
研究团队对 Metabolomics Workbench 中所有使用 Orbitrap 或 QTOF 质谱的人体血液代谢组研究做了基于元数据的系统重分析，共纳入 44 165 个样本。作者用 PubChem 标识符统一代谢物、以 SMILES 表示做嵌入，构建了包含 6752 个血液代谢物、25 个结构簇的图谱，并分析这些簇与生物标志物、药物之间的相关性。在至少 10 项研究中检测到的 337 120 对代谢物中，结构相关的簇丰度呈相关（ρ 最高 0.6）；已知临床生物标志物之间也出现候选代谢关联，部分 ρ > 0.7。
推荐理由：作者对 Metabolomics Workbench 全部人体血液代谢组数据做系统重分析，给出可复用的方法与开源软件。
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。
研究团队发布结构变异检测工具 HitSV，通过感知基因组重复性与断点特征密度识别断点，并结合单倍型分辨的局部组装，实现跨测序技术的碱基分辨率结构变异重建与基因分型。在 HG002 基准上，HitSV 的基因型 F1 分数相比现有最优 SV caller 分别提升 15–72%（长读长）、10–36%（短读长）和 12%（混合测序）。应用于 1KGP 第四期队列时，HitSV 将 SV 检出集扩大 31.5%，明显改变等位基因频率分布。在一个中国长读长队列中，HitSV 发现串联重复与移动元件组成的复合阵列是一类常见、多等位的复杂 SV，提示这类复合重复结构是此前被低估的人类结构变异来源。
推荐理由：HitSV 在 HG002 基准上把基因型 F1 提升 10–72%，并在大队列中发现一类此前被低估的复杂结构变异。
LoL-align 是一种基于距离的概率蛋白质结构比对算法，通过迭代优化局部对数几率得分，在单域和多域基准上检测远源同源物的灵敏度明显高于 TM-align 和 Dali，比对质量更好，速度是二者的 5–20 倍。该方法已完整集成进 Foldseek。
推荐理由：在单域和多域基准上，该方法对远源同源物的检测灵敏度高于 TM-align 和 Dali，速度还快 5–20 倍，并已集成进 Foldseek。
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。
Cao 等人提出一体化基础模型 AMIFound，用于 CT、MRI、PET、内镜、超声、眼底成像和 X 射线 7 种医学影像的增强与修复。模型在 376 万对高质量与退化图像上训练和评估，覆盖 7 类代表性退化模式；共享编码器提取模态与退化线索，动态路由的专家修复池为每个输入选择增强路径。在 7 种模态上，AMIFound 在全参考图像质量指标、临床医生评估、组合退化鲁棒性测试以及自然退化临床图像上均优于 38 个任务专用与通用基线。增强后的图像还改善了 44 项疾病检测任务、肿瘤分期预测和非小细胞肺癌生存风险分层，包括个体层面的预后排序。
推荐理由：该模型用 376 万对图像统一处理 7 种医学影像的退化修复，并检验增强后对下游诊断任务的影响。
研究团队改造出 rsmiRFPnano，一种源自蓝细菌光敏色素、分子量低于 19 kDa 的近红外光开关光声成像探针，用于差分光声断层成像（PAT）。现有基于细菌光敏色素的探针多为超过 55 kDa 的多结构域蛋白，限制了 PAT 分子报告探针的设计；rsmiRFPnano 能高效结合胆绿素，在两种光开关状态下均有高消光系数，并在活细胞中表现稳定。作者据此构建了 NF-κB 和 AP-1 通路的报告探针，基础活性低、激活响应强，并在体内用无创 PAT 可视化急性炎症，还用细胞级空间组学图谱做了验证。
推荐理由：一种不到 19 kDa 的光开关蛋白把光声成像探针做小，并给出炎症与胞内抗原成像的验证路径。
Arc Institute、Biohub、UCSF与Vector Institute团队开发eclair-CLIP，用统一小标签替代逐个抗体，在人类细胞中绘制67个癌症相关RNA结合蛋白（RBP）图谱，以单核苷酸分辨率定位超过900万个RNA结合位点。
推荐理由：用统一标签的CLIP方法构建67个癌症相关RBP的高分辨率结合图谱，并据此训练可解释的RNA结合预测模型。
Bits to Binders 全球竞赛以 CAR-T 为场景评估 de novo 结合域设计，来自 42 个国家的团队提交了 12,000 个靶向人 CD20 的 80 氨基酸 minibinder 设计。
推荐理由：这项竞赛把 1.2 万个 AI 设计的 CAR-T 结合域放进细胞功能筛选，而非只看亲和力，为评估蛋白设计提供了更接近功能的检验方式。
研究团队开发 shotgun genetic engineering（SGE），用递送大量带条形码小构建替代单个大构建，让每个细胞携带一条合成通路作为独立实验，再通过测序筛选具有目标表型的细胞。
推荐理由：用大量带条形码的小构建替代单个大构建，把哺乳动物代谢通路的组合筛选扩展到数百万种，为复杂性状工程提供可迁移策略。
研究团队提出可解释人工智能平台 Visionary AI，将视网膜图像与基于图的血管建模结合，在临床发病前预测妊娠期高血压疾病。该平台把视网膜图像转换为微血管结构的拓扑与几何表示，依据有生物学基础的血管特征而非通用图像嵌入或临床变量进行风险预测。在 1,267 例妊娠的前瞻性开发队列中，Visionary AI 对子痫前期在全人群对照设置下取得 AUC = 0.91、AP = 0.81；经稳定性优化的模型无需重新训练即迁移至独立外部验证队列，取得 AUC = 0.81、AP = 0.68，并优于临床与深度学习基准。
推荐理由：该框架把视网膜微血管拓扑与几何特征用于妊娠高血压疾病的早期预测，并在独立外部队列中验证了迁移能力。
中国科学院遗传与发育生物学研究所李响研究组在 Developmental Cell 在线发表论文，将微流控空间条形码技术与 SPRITE-like 无连接酶接触检测策略结合，开发出空间三维基因组学技术 SpaceA，可在组织切片原位高置信度解析远距离染色质互作。
推荐理由：SpaceA 把空间条形码与无连接酶接触检测结合，让染色质远距离互作能在组织切片原位测量，为空间三维基因组学提供了新手段。
阿里达摩院发布食管癌 AI 模型 DAMO EAGLE，尝试在不插管的情况下，从胸部平扫 CT 中识别早期食管癌和癌前病变。研究团队把内镜报告和增强 CT 上的病灶位置配对到平扫 CT 上训练模型；在机会性筛查场景下，模型对食管癌的敏感性为 90%，对癌前病变为 52.5%，真实场景特异性为 99.2%，在低剂量 CT 上性能未见下降。
推荐理由：在机会性筛查场景下，该模型对食管癌的敏感性达到90%，并给出了癌前病变与特异性的具体数字，可供关注影像 AI 早筛的读者对照。
达摩院发布通用医疗影像模型 DAMO RADAR，可覆盖含恶性肿瘤在内的腹部病症，研究团队评估了其中 146 种、涉及 18 个器官。该模型采用视觉-语言学习与器官级细粒度对齐策略，在近 4 万次真实世界检查中 AUC 达 0.913；与 26 名影像科医生的人机对比中，其平均准确率超过其中 23 名，AI 提示下医生识别疾病的敏感性提高 10%、用时减少 30% 以上。
推荐理由：该模型用器官级细粒度对齐把腹部 CT 与报告文本对齐，并给出与 26 名影像科医生的人机对比结果，可供做医学影像基础模型的人参考。
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。
Stephen Quake 介绍 Universal Cell Embedding 模型，该模型在来自多种物种和组织的 3600 万细胞数据集上训练，可研究远超训练集范围的生物体。相关成果来自 Rosen 等人的 Nature 论文，DOI 为 10.1038/s41586-026-10689-z。
推荐理由：Universal Cell Embedding 在 3600 万细胞上训练，可外推到训练集之外的物种，为跨物种细胞研究提供参考。