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。
Google 研究团队在博客中介绍三项工作，目标是打通 AI 计算探索与真实湿实验之间的循环。VERID 框架基于开源 PyLabRobot，为实验室工作单元建立可实时更新的 3D 语义数字孪生，支持 3D 状态追踪、秒级虚拟试运行、硬件安全检查与视频和动作日志同步，并在案例中让 agent 从读板机故障中恢复、把染料混合物重建准确率提升五倍以上。
推荐理由：Google 研究团队把实验室自动化、aptamer 闭环筛选和蛋白结合子设计串成一条路线，可看 AI agent 进入湿实验的整体思路。
David Baker 团队组合 RFdiffusion2 的 RFD2-MI、ProteinMPNN、EnhancedMPNN 和 AlphaFold 3 从头设计半胱氨酸蛋白酶与锌蛋白酶，两项结果分别发表于 Nature。
推荐理由：两篇 Nature 论文用 RFdiffusion2、ProteinMPNN 与 AlphaFold 3 组合从头设计蛋白酶，并给出实验验证的成功率与提速幅度。
美国华盛顿大学蛋白设计研究所（IPD）的 Anqi Chen、Kejia Wu 和 Hojae Choi 从头设计了蛋白酶，这些被称为“分子剪刀”的酶能高精度切割用户指定的目标序列，相关成果本周发表于 Nature。
推荐理由：IPD 团队在 Nature 报告从头设计蛋白酶，可按用户指定序列切割，为蛋白设计提供新的功能实现路径。
Chai Discovery 宣布与 GSK 达成合作，此前 GSK 对 Chai 的模型完成了评估。GSK 在自有湿实验中测试了 Chai 模型零样本生成、未经靶点特异性训练的设计，并在所有测试靶点上找到了结合物（binder）。
推荐理由：GSK 在自有湿实验中验证 Chai 模型的零样本设计，并据此达成合作，可观察蛋白设计模型进入药企评估环节的方式。
Google DeepMind 与 Caltech 的 Arnold 实验室、匹兹堡大学 Lui 实验室合作提出 AlphaProtein Novo（AP Novo）从头设计流程，在 5 类反应、5000 多个实验设计中显示其命中率可与天然酶序列挖掘相比。
推荐理由：AlphaProtein Novo 把扩散生成骨架、LigandMPNN 序列设计与 AlphaFold3 校验串成流程，在 5000 多个实验设计中与天然酶比较。
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。
Molecular Systems Biology 这篇评论以 CASP 为参照，评述 Bits to Binders 竞赛对 AI 设计蛋白作为 CAR-T 识别结构域的评测。
推荐理由：文章以 CASP 为参照，梳理 Bits to Binders 竞赛对 1.2 万个 AI 设计 CAR-T 结合域的评测结果与局限，为判断生成式蛋白设计的真实功能水平提供参照。