从蛋白结合体 Agent，
到可解释的调控状态生成

LPT 把自然语言提出的结合体设计目标拆成一组固定编排的 LLM 阶段；每个阶段只在限定工具和提示词内运行有界 Agent 循环，并可检索经整理的专业文献库。作者展示了从目标与结构选择、热点残基确定到候选结合体生成的端到端流程。

这项工作的重点是把“Agent 能调用多少工具”转成可审计的流程约束，并在三个蛋白互作体系上以多种折叠模型做计算交叉验证。不过候选目前仍主要由计算指标支持，尚不能替代结合实验与功能实验；本文为未经同行评审的 bioRxiv 预印本。

作者以 DeepDelivery 从人类蛋白质组中筛选潜在 mRNA 递送支架，再把入选蛋白装入模块化递送框架并进行实验评估。研究进一步围绕 TRIM 家族开展工程化，展示了计算筛选、蛋白改造与递送验证之间的闭环。

人源支架为递送材料提供了不同于脂质纳米颗粒的设计空间，但“源自人体”并不自动等同于低免疫原性或临床安全性，组织分布、重复给药和长期耐受仍需系统验证。本文为 Nature Communications 已发表论文，证据层级高于本期预印本。

EMBER 学习与细胞状态相关的基因表征，把相互作用引导的对比学习与遮蔽表达重建结合起来。训练后的编码器保持冻结，只用轻量探针适配单基因扰动、双基因组合和多靶点药物反应等任务。

这种设计把核心问题放在表征能否跨扰动组合，而不是为每个任务单独训练大型模型。其实际价值取决于跨细胞类型、实验平台与分布外组合的稳定性，文中结果仍需更多独立数据验证；本文为未经同行评审的 bioRxiv 预印本。

ChAI-Net 从 DNA 序列预测小鼠胚胎干细胞中位点特异的染色质共可及性图谱，并利用模型解释分析转录因子基序的方向、间距与共现关系。它把通常作为细胞间统计相关性观察的共可及性，推进到可由局部序列规则预测的问题。

模型揭示的基序组合可形成后续扰动实验的候选假设，但预测到的共可及性并不等同于直接物理接触或因果调控。结论目前集中在特定细胞系统，跨谱系泛化仍需检验；本文为未经同行评审的 bioRxiv 预印本。

ChefNMR2 将原子级流匹配生成模型与负责谱图推理的语言模型 Agent 结合，用 NMR 信息约束小分子结构候选。作者在基准任务之外，将流程用于四个新天然产物的结构解析，尝试覆盖真实研究中的迭代推断过程。

这类系统的意义在于把候选生成与可追踪的谱学约束放进同一工作流，而最终结构仍应由完整谱图、化学推导和必要的实验合成共同确认。模型在复杂立体化学与数据不完备场景中的误差边界仍需明确；本文为未经同行评审的 bioRxiv 预印本。

SMFnet 用生成式扩散模型预测单分子染色质可及性状态的分布，而不是只回归群体平均信号。配套的 PRISM 分析用于识别驱动不同可及性状态的序列特征，作者并通过基序扰动实验检验部分模型假设。

对分布建模使模型有机会描述转录因子组合装配中的异质状态，但生成分布与真实分子机制之间仍需谨慎区分。实验扰动增强了可解释性证据，跨细胞类型与跨调控元件的适用范围仍待扩展；本文为未经同行评审的 bioRxiv 预印本。