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。
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。
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。