从酶与 RNA 结合体设计，
到科研 Agent 与临床 AI 审计

AlphaVariant 把生成式进化先验、强化学习和随实验反馈更新的低样本适应度模型结合起来，用于搜索多位点蛋白序列空间。作者先在六个具有实验测量值的蛋白适应度景观上评估，再以两轮设计—测试推进 savinase 活性优化，并扩展到活性、热稳定性和专利约束的多目标选择。

这项工作的分量在于包含真实实验闭环，而不只是计算 oracle；作者还在生化测定与洗涤场景中比较了候选酶。不过结果集中在特定工业蛋白与团队设定的设计空间，且相关变体已申请专利。论文未经同行评审，跨蛋白体系的可迁移性仍需独立验证。

RiboBridge 将 RNA 自身构象生成与蛋白—RNA 复合物装配拆开：先在蛋白表面提出候选界面，在预训练 RNA 结构潜空间中生成规范构象，再预测跨坐标系的相互作用约束，把独立生成的 RNA 放置到蛋白周围。

作者在经过时间切分、序列过滤和去冗余的 124 个复合物上评估，并报告界面恢复与对接指标的改进。部分分析在生成完成后利用天然界面对应关系筛选候选口袋，因此不能等同于完全盲选成功；研究仍是计算结构基准，未提供新 RNA 结合实验，且未经同行评审。

Latent Interconnect Protocol 不再要求科研 Agent 把专业模型输出先翻译成文本，而是训练连接器，将蛋白和小分子专家模型的潜表示直接映射到通用语言模型内部状态。实验冻结所有基础模型，并分别连接三类蛋白专家与三类小分子专家。

独立训练的连接器在未联合训练的跨领域任务上显示出组合和零样本迁移能力，说明专业表示可以作为 Agent 的新型输入接口。但作者明确指出，获得潜表示并不保证模型能正确解释或用于推理；当前证据来自受控任务，尚非真实科研工作流中的可靠性验证，论文未经同行评审。

团队构建了在本地开放权重模型上运行的领域 Agent，把疫情报告转成 CRISPR 指南设计所需的文献检索、数据整理和计算分析。Agent 负责解释请求和启动流程，专门管线再评估候选指南，最终结果保留给研究人员检查。

多种本地模型都完成了计算流程，疾病与病原体识别较一致，但基因选择、菌株覆盖和候选数量随运行而变化。论文只证明了受控计算编排的可行性，没有报告指南合成、诊断灵敏度或临床样本验证；该预印本未经同行评审，输出仍需人工和实验复核。

研究把医疗模型的成员推断风险从总体平均下沉到患者级别，在六个临床数据集、四种模态和多种训练配置中追踪哪些记录更容易被识别为训练样本，并据此训练轻量筛查工具，在正式模型训练前标记高风险患者。

作者发现训练配置会改变高风险人群规模，但风险排序靠前的患者在多种架构与初始化下较稳定；正则化可以降低暴露数量，却未完全改变易受攻击者。筛查分数仍是特定攻击和数据设置下的代理，不能视为隐私安全证明；论文未经同行评审，也需要真实部署中的前瞻性审计。

Diagnostic Loss 针对放射报告生成中的不对称错误设计训练目标：既要求模型至少一次明确提及参考报告支持的诊断，也在所有位置压低不受支持诊断的概率。它直接作用于解码器词元概率，不需要更换视觉骨干、语言解码器或推理流程。

作者在 5 万例腹部 CT 和多种三维医疗视觉语言模型上报告诊断忠实度改善，并同时检查分布内与分布外基准。评估仍依赖既有报告与术语集合，不能替代逐病例临床判断，也未证明对其他模态和机构可直接泛化；该稿未经同行评审。