从分子生成到
可审计科研

这项工作把RFdiffusion、ProteinMPNN与AlphaFold2组成的计算设计流程，接到哺乳动物细胞表面展示、噬菌体展示和NGS筛选上，面向PD-L1、CD276与VTCN1三类癌细胞表面蛋白测试数千个minibinder。作者获得了多种经实验确认的PD-L1结合蛋白，但CD276和VTCN1的命中明显更少，显示设计成功率高度依赖靶标。

Chai-1结合ESM嵌入产生的ipTM分数与实验命中相关，最强PD-L1 binder的SPR测定K_D为2 nM；但把binder装入CAR后，部分设计出现细胞表面转运与功能不足。团队进一步通过保留界面、优化非结合表面的遗传算法发现，等电点会影响CAR表达和选择性。文章已在Nature Communications同行评审发表，价值在于把“结合得好”与“能在复杂细胞格式中工作”区分开来。

BMP-2能够诱导骨形成，但对其局部浓度和释放方式的控制直接关系到再生效果与安全性。该研究采用AI整合的计算流程生成BMP-2结合蛋白候选，并在后续阶段使用部分RFdiffusion进行深度学习驱动的结构优化，试图把生长因子捕获模块变成可设计的骨再生组件。

作者报告体外实验观察到浓度依赖的BMP-2结合，为计算候选提供了初步湿实验支持。现阶段论文仍是未经同行评审的bioRxiv预印本，已验证的是binder与BMP-2的相互作用，而非完整临床疗效；在体内释放动力学、骨缺损修复效果、免疫原性和长期安全性得到系统验证前，不宜把结果直接等同于成熟治疗方案。

环肽兼具较强结合能力和结构稳定性，但闭环约束使生成模型更容易产出几何或生物物理上不可行的候选。FAR-DPO不另造一个生成架构，而是在现有模型之上构建可行性感知的偏好对，并用按任务难度加权的group-robust优化，使训练更关注难靶标和多目标折中。

在固定生成预算的CPSea LNR基准上，作者报告PepGLAD的总体成功率从46.89%提高到57.79%，PepFlow从47.96%提高到49.57%，困难靶标组也有改善。该结果来自未经同行评审的arXiv预印本，且证据主要是计算基准；候选能否合成、保持环化构象并在实验中结合目标，仍需前瞻性湿实验确认。

DrugCLIP一类模型把蛋白口袋与小分子映射到共享表示空间，能够快速排序化合物库，但针对新口袋做专门化通常需要重新训练。PETA把这个问题改写为测试时适配：围绕单个目标口袋生成困难负样本，并仅更新LayerNorm参数，使预训练虚拟筛选模型在部署时进行轻量调整。

困难负样本由分子扩散、化学有效性过滤以及与结构数据库参考配体的嵌入混合共同构造。作者报告PETA在多项基准上超过原始模型和完全重训练基线，而更新参数约占全模型的0.03%。这仍是未经同行评审的arXiv预印本，结论限于回顾性计算评测；是否能提高真实筛选中的实验命中率尚未得到验证。

DNA-MFM希望学习可复用的基因组窗口表示，而不是只为单一预测任务拼接多模态特征。模型把DNA序列嵌入、局部染色质可及性和全局染色质可及性放入共享编码器，并结合掩码重建训练；论文同时指出，稀疏峰状信号与稠密序列表征直接对齐时容易坍缩到近零解。

作者用全局归一化缓解这一跨模态坍缩，并报告所得表示改善调控活性预测、调控信号排序和可及性峰检测，其中峰检测AUPRC相对DNA-only基线提高4.6倍，同时在ClinVar、GTEx eQTL和PBMC caQTL上进行外部评估。该工作为单作者bioRxiv预印本，指标仍需独立复现，并进一步检验跨细胞类型与跨测序平台的稳健性。

Brain Researcher并不把科研Agent的目标设成“尽快跑出一个显著结果”，而是把神经影像分析放进带约束的研究环境：预先规定允许的分析、必须执行的检查和结论边界，并用多宇宙分析比较不同合理选择对结论的影响。系统还保留证据与决策的溯源，让结果可以被复核或阻止发布。

作者报告，在七种模型上，第一选择工具的准确率由23.3%升至93.6%，可验证依据比例由4.6%升至22.0%；科学审查可把结论标记为接受、限定、修订、阻止、拒绝或延期。这是一篇103页、未经同行评审的arXiv预印本，结果主要来自神经影像场景，尚不能直接证明其规则能无修改迁移到湿实验或其他学科。