研究团队基于 632 例 ALS 患者和 160 例健康对照的血浆样本，使用 NULISA CNS 与 Inflammation Panel 检测蛋白，并结合 XGBoost、嵌套交叉验证和 SHAP 筛选疾病相关蛋白，最终确定由 NEFL、FOLR1、pTau-181、TREM1、VEGFA、NEFH、CALCA、NRGN、LAMP3 和 PTX3 组成的 10 蛋白组合。该组合在包含 144 例 ALS 患者和 37 例对照的独立验证队列中取得平衡准确率 98.3%、AUC 0.992 的分类表现。
推荐理由：在 632 例 ALS 患者与 160 例对照中筛出 10 蛋白组合，并在独立队列验证，为血液筛查提供了可复现的候选方案。
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。
Anthony Gitter 表示读过 DRYLAB-Bench 后认为其提出的 Biosecurity Risk Score 不可解释，核心只是一个经过截断和归一化等调整的 z-score。他引用的介绍称，该基准用 ProteinGym 与 ViroGym 的 187,695 条深度突变扫描测量为设计打分，在 30 个生物安全场景中评估 agentic LLM 的迭代突变设计，并报告工具使用使汇总 BRS 从 0.359（S0）升至 0.475（S2）。
推荐理由：作者从统计构造角度质疑 DRYLAB-Bench 生物安全风险评分的可解释性，适合关注 AI 生物安全评测指标设计的读者。
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。
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。
Google DeepMind 发布 Google Antigravity 智能体科研工作台，把跨数据库检索、结构评估和候选优先级排序压缩到单次会话中。文中演示了研究者与智能体协作，在 Streptococcus pseudopneumoniae 中找到一个预测对呼吸道感染相关病原体有活性的新型抗菌肽候选，该候选目前正在进行湿实验验证。
推荐理由：Google Antigravity 把跨库检索、结构查看与功能预测放进同一会话，展示了抗菌肽候选的发现流程。
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。
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和科研人员开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。
推荐理由：Gemini 4 Argon 展示了通用前沿模型在酶设计、罕见病基因组分析和量子化学代码优化上的具体落地案例，可供关注 AI for Science 的读者参考。
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。
北京大学昌增益团队在Scientific Reports发表研究，提出细菌休眠由氨基酸氧化副产物NH₄⁺与HCO₃⁻协同触发，而非营养耗尽本身。两种代谢物同时存在时才会显著降低ATP水平，解除ATP对FtsZ、FtsA、MinD、AdhE、RplA等蛋白的增溶保护，使其以折叠态相分离组装成复苏延迟体；补充ATP可完全溶解凝聚体并恢复生长。
推荐理由：该研究把细菌休眠的触发从营养饥饿转向NH₄⁺与HCO₃⁻协同耗竭ATP，为理解持留与抗生素耐受提供新框架。
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。
欧盟委员会宣布通过 Horizon Europe 的三项资助，向 EMBL-EBI 与国际伙伴共同管理的 GENCODE、UniProt 和 Europe PMC 提供 5700 万欧元。
推荐理由：欧盟委员会通过 Horizon Europe 向 EMBL-EBI 管理的三个开放数据资源拨款，可了解各资源的具体分配额度。
Google DeepMind 发布 SynthID Bio，将水印技术用于合成生物学，在蛋白序列和 AlphaFold 3 预测的 3D 结构中嵌入可检测签名，同时保持生物功能。
推荐理由：DeepMind 把水印从数字内容延伸到蛋白序列与结构，并给出湿实验验证，对关注生物安全与 AI 设计溯源的研究者提供了可参考的技术路径。
Derek Lowe 评述 J. Med. Chem. 今年 6 月第 12 期 Wang 等人来自江苏大学的靶向蛋白降解论文，该文用 alogliptin 结合 DPP-IV、以 cereblon 配体招募 CRBN 降解二肽基肽酶 IV，作为糖尿病治疗思路。
推荐理由：围绕一篇靶向蛋白降解论文的机制矛盾，梳理细胞外蛋白经胞内 CRBN 降解这一疑点及可补做的实验。
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 联合创始人 Priscilla Chan 发文回顾今年上半年进展，包括 5 月发布基于下一代 ESM 的蛋白质生物学世界模型，可预测蛋白折叠、相互作用与功能并设计新蛋白，已有科学家用它设计抗体候选并在早期实验室测试中针对癌症和免疫相关靶点显示初步结果。
推荐理由：Biohub 联合创始人以第一人称复盘半年进展，把蛋白世界模型、激光相位板与虚拟细胞计划串成一条开放科学路线。