本周值得看
- 从文字需求出发设计蛋白，四类功能得到实验验证。Pinal 生成的荧光蛋白、PET 塑料水解酶、醇脱氢酶和代谢 H 蛋白均观察到预期功能，其中设计 H 蛋白使多酶 CO₂ 固定通路的单位体积产物量达到使用天然 H 蛋白时的 1.7 倍。
- 单细胞模型提出的干预进入小鼠验证。DynaVelo 从细胞数据中推断状态变化，提出的三个基因干预候选在小鼠遗传实验中均改善了所研究的 B 细胞异常。
- 实验反馈开始推动下一轮设计。强化学习化学机器人在真实实验室连续探索 30 天；Google Research 的适配体项目完成三轮设计—测试—迭代，并根据实测结果调整后续设计。
技术突破：高影响期刊与正式科研成果
1. Pinal 从文字需求设计蛋白，四类功能得到实验验证
Pinal 是西湖大学联合香港科技大学（广州）、中国科学院深圳先进技术研究院等团队开发的蛋白设计基础模型，能把研究者用自然语言写出的功能需求转成蛋白序列和结构。该研究于10 月 21 日发表于 Nature。为了检验生成的蛋白是否真正有用，团队分别设计并测试了荧光蛋白、PET 塑料水解酶、醇脱氢酶和代谢 H 蛋白，四类设计均观察到预期功能。其中，未经多轮实验优化的设计 H 蛋白用于多酶 CO₂ 固定通路时，产物滴度，也就是单位体积中的产物量，达到对应天然大肠杆菌 H 蛋白的1.7 倍。这项工作把文字需求、计算设计与功能实验连接起来，为按需求生成蛋白提供了实验依据。模型权重、推理和评估代码已开放，完整预训练语料及训练流程不公开。
图：论文图 5 展示荧光、塑料水解、酶活性与碳固定实验，右下对比多酶通路的甘氨酸产量。来源：下列 Nature 原论文。
来源：Nature 原论文｜2026-10-21｜同行评议研究论文。
资源：推理与评估代码；模型权重。
2. DynaVelo 把单细胞动态预测推进到小鼠干预验证
DynaVelo 是纪念斯隆凯特琳癌症中心与威尔康奈尔医学院团队开发的单细胞动态模型，用单个细胞的基因表达与 DNA 区域开放程度，推断细胞状态如何随时间变化。该研究于10 月 21 日发表于 Nature Biotechnology。它从一次多组学采样得到的细胞“快照”中学习变化轨迹，再模拟基因功能受损或额外干预后的情况。研究团队将其用于小鼠生发中心 B 细胞；生发中心是 B 细胞参与抗体应答时增殖、成熟的区域。团队寻找能把 Arid1a 等调控因子受损后的异常变化拉回正常方向的干预对象。模型提出的Ctcf、Stat3 和 Bcl6候选随后在同时携带两种基因杂合突变的小鼠中接受检验，均观察到生发中心暗区的相关异常得到改善。计算预测由此成为可进入遗传实验的假设，证据来自研究所涉及的 B 细胞与小鼠模型。
图：论文图 6 对照预测与真实遗传扰动，右下比较小鼠生发中心暗区、亮区的比例。来源：下列 Nature Biotechnology 原论文。
来源：Nature Biotechnology 原论文｜2026-10-21｜同行评议研究论文。
资源：代码与教程；处理后多组学数据。
3. 两条从头设计路线做出有催化活性的蛋白酶
蛋白酶是能切断肽键的蛋白，肽键则是把氨基酸连接成蛋白质链的化学键。从头设计蛋白酶，就是根据催化目标，用计算方法搭建新的蛋白序列与结构。华盛顿大学蛋白设计研究所、苏黎世联邦理工学院等团队开展的两项研究于10 月 14 日发表于 Nature，分别采用以半胱氨酸为催化核心和依赖锌离子的两条路线。半胱氨酸路线结合蛋白生成、序列设计和结构预测工具进行迭代，69 个候选中有 13 个产生预期活性，6 个测得的晶体结构与设计模型接近；金属蛋白酶路线测试了 135 个设计，36% 有活性，最佳设计又经过 4 处替换优化。两项工作都用实际催化读数和结构测定检查设计结果，金属路线还探索了切割 TDP-43、淀粉样蛋白 β 等疾病相关蛋白的设计。
图：论文图 1 展示半胱氨酸蛋白酶的计算设计与实验测试流程。来源：下列 Nature 半胱氨酸蛋白酶研究。
来源：半胱氨酸蛋白酶研究；金属蛋白酶研究｜Nature｜2026-10-14｜同行评议研究论文。
4. 强化学习机器人在真实实验室寻找不对称反应
这套化学机器人由波兰科学院有机化学研究所团队搭建，用深度强化学习训练决策策略，再根据实验状态选择下一步操作，寻找能优先得到某一种镜像构型产物的不对称催化反应。该研究于10 月 13 日发表于 Nature Communications。团队先在模拟不对称催化过程的数字孪生中训练策略，再将其转到实体实验室，在反应活性和立体化学结果未知时连续探索。机器人在30 天内作出超过 3,000 次决策，找到四种高对映选择性转化，包括一种轴手性分子和三种联烯合成。这里的对映选择性，是指产物偏向一对镜像构型中的某一种。模型负责安排探索，自动化合成与分析提供产物和选择性读数，共同检验策略能否在真实实验中工作。
图：论文原图连接模拟训练、反应探索与实体实验装置。来源：下列 Nature Communications 原论文，原图未修改。
来源：Nature Communications 原论文｜2026-10-13｜同行评议研究论文，已接受稿提前发布。
5. 机器学习筛选可降解脂质，小鼠实验验证肝脏 mRNA 递送
这套脂质发现框架由清华大学深圳国际研究生院颜昊、康飞宇团队建立，用可解释机器学习挑选可降解、可电离的脂质。可电离脂质能随环境酸碱度改变带电状态，是脂质纳米颗粒帮助 RNA 进入细胞的重要组分。该研究于10 月 12 日发表于 Nature Communications。团队先用 520 个实测分子训练 XGBoost 树模型，再对10,920 个虚拟候选排序，将更有希望的分子交给后续实验。最终筛出的 PA97MD101 在小鼠中提高了肝脏 mRNA 表达和 Cre 酶介导的 DNA 重组，并支持 Cas9/sgTtr 对编码转甲状腺素蛋白（TTR）的基因进行编辑，降低 TTR 水平。机器学习在这里缩小化学搜索范围，是否改善 RNA 递送则由小鼠体内实验检验。
图：论文原图连接脂质库构建、虚拟候选筛选与小鼠肝脏 RNA 递送实验。来源：下列 Nature Communications 原论文，原图未修改。
来源：Nature Communications 原论文｜2026-10-12｜同行评议研究论文，已接受稿提前发布。
6. 机器学习力场揭示电池电解液中的多锂离子簇
机器学习力场是一种用量子化学数据训练、近似计算原子间作用的模型，可以把电解液模拟扩展到直接量子化学计算难以覆盖的时间和空间尺度。哥伦比亚大学、Schrödinger 公司等机构的联合团队将这类模拟与核磁共振、电化学实验结合，研究锂离子在电解液中如何聚集，成果于10 月 14 日发表于 Nature。团队识别出不与阴离子直接配位的多 Li⁺ 复合物，即包含多个锂离子的一类离子簇，并给出它们更容易发生还原的解释。模型还复现了实验中的多类凝聚相行为，计算结果与光谱、电化学数据相互校验，帮助理解电解液配方背后的微观反应机制。论文数据已公开，所用力场随 Schrödinger Suite 25-3 发布。
图：论文图 1 展示机器学习力场模拟与实验如何相互校验，以及多锂离子簇的分布。来源：下列 Nature 原论文。
来源：Nature 原论文｜2026-10-14｜同行评议研究论文。
资源：论文数据仓库。
7. 生成式设计与定向进化共同构建人工金属光酶
人工金属酶把合成金属催化剂装进蛋白支架，让蛋白内部环境影响反应效率和产物构型。这项研究由印第安纳大学 Jared C. Lewis 团队与华盛顿大学蛋白设计研究所 David Baker 团队合作开展，于10 月 21 日发表于 Nature，目标是实现可见光驱动的不对称催化。研究者先用生成式蛋白设计搭建能结合金属光催化剂的新支架，再通过定向进化，也就是反复引入变异并筛选表现更好的版本，提高催化效率和对映选择性。所得蛋白支持多种光驱动反应和催化剂回收。光谱实验进一步显示，蛋白环境延长了催化剂吸光后激发态的寿命，并把底物组织在辅因子附近，帮助解释支架为何能改变实际催化表现。
图：Nature 官方补充材料图 S1 展示金属配合物优化与蛋白支架设计流程；图片无损提取自补充材料 PDF。来源：下列 Nature 原论文。
来源：Nature 原论文｜2026-10-21｜同行评议研究论文，早期接收版本。
8. PBC 改进两到六周天气预报，并接受实时竞赛检验
PBC 是微软研究院、多伦多大学、麻省理工学院等机构合作提出的概率偏差修正框架，面向未来两到六周的亚季节天气预报。它利用历史观测与模型预报学习系统性误差，再给出不同天气结果发生的概率。该研究于10 月 14 日发表于 Nature。团队将 PBC 接到欧洲中期天气预报中心的动力和 AI 模型后进行评估；在该中心的2025 年实时预测竞赛中，PBC 的全球预报在全部参赛天气变量和提前期上排名第一。对农业用水、能源安排和极端天气准备来说，这提供了一条继续利用现有天气模型、通过机器学习改善预报的路径。研究同时公开了代码与实验，竞赛官方榜单也可用于检查实时评估结果。
图：论文图 1 展示两条偏差修正分支如何合成为最终概率预报。来源：下列 Nature 原论文，原图未修改。
来源：Nature 原论文｜2026-10-14｜同行评议研究论文。
资源：代码与实验；竞赛官方榜单。
9. MassNet 为蛋白质组模型提供十亿级质谱语料
MassNet 是西湖大学、复旦大学、上海人工智能实验室等机构联合构建的蛋白质组质谱语料库，将不同物种、仪器和项目的数据整理成可供模型训练的统一输入。串联质谱记录肽段碎片的信号，可用于推断肽段的氨基酸序列，进而帮助识别蛋白质。介绍该资源的论文于10 月 14 日发表于 Nature Methods。团队汇集35 个物种约 15 亿张串联质谱，配套提供 MSDT 质谱张量数据格式和转换工具，并训练了从质谱推断肽段序列的 XuanjiNovo 模型。语料还用于保留时间预测和肽段—质谱匹配重评分，支持质谱分析中的不同环节。代码、权重及训练评估数据已开放，便于研究者复用和比较模型。
图：论文图 1 展示语料组成、质谱搜索流程及肽段测序、保留时间预测和重评分应用。来源：下列 Nature Methods 原论文，原图未修改。
来源：Nature Methods 原论文｜2026-10-14｜同行评议研究论文。
资源：代码与权重；格式转换工具；训练评估数据。
10. MatterGen-e− 联合生成晶体结构与局部电子信息
MatterGen-e− 是东京大学团队开发的晶体生成模型，在生成晶格、原子位置和元素类型的同时，也生成 Bader 电荷等描述局部电子状态的数值。这样，研究者在提出材料候选时，就能同时考虑原子如何排列以及电子如何分布。该研究于10 月 15 日发表于 npj Computational Materials。团队在每种设置下生成 1,024 个候选，再用密度泛函理论（DFT，一种量子力学计算方法）进行结构弛豫与结果对照。多数目标条件下，联合生成模型在性质命中、稳定性、唯一性和新颖性等组合指标上优于只生成结构的基线；在稳定、互不重复且具有新颖性的生成结构中，Bader 电荷相对 DFT 的平均绝对误差约为0.054 e，其中 e 为基本电荷。当前证据来自计算生成与 DFT 对照，展示的是把电子信息纳入材料逆向设计的计算路线。
图：论文图 1 展示晶体结构与局部电子描述符如何在同一框架中联合生成。来源：下列 npj Computational Materials 原论文。
来源：npj Computational Materials 原论文｜2026-10-15｜同行评议研究论文。
资源：代码仓库。
行业资讯与应用进展：从研究到落地
1. Google Research 让湿实验结果改变 Agent 的下一轮设计
VERID 是 Google Research 团队开发的实验室语义数字孪生，相当于持续更新的实验工作单元状态模型，记录机器人位置、孔板液量、试剂和吸头状态。AI Agent 可以先在其中模拟实验协议，再向液体处理机器人下达经过检查的操作。Google Research 于10 月 16 日发布三项配套研究：VERID 在染料重建任务中通过闭环实验把准确度提高超过 5 倍；适配体是一类能结合特定靶点的短核酸分子，相关项目完成3 轮设计—测试—迭代，发现非特异性“黏性”结合后主动调整规则；蛋白结合物流程则得到个位数纳摩尔亲和力的 针对成纤维细胞活化蛋白（FAP）的结合物。关键进展是让实验读数直接影响下一轮设计，并保留视频、动作和状态日志供复查。官方还要求序列经过生物安全筛查、协议由人批准，机器人执行前通过模拟验证。
图：观察三轮实验反馈如何影响后续设计的特异性与命中率。来源：下列 Google Research 官方文章。
来源：Google Research｜2026-10-16｜官方研究博客与技术报告汇总。
2. NVIDIA 与华盛顿大学发布 RFD4-Proteina
RFD4-Proteina 是 NVIDIA 与华盛顿大学医学院蛋白设计研究所合作推出的开放模型，用于根据分子输入、设计约束和评分目标生成并搜索候选蛋白。NVIDIA 于10 月 21 日宣布模型发布，称其在蛋白结合、小分子结合、酶骨架和 DNA 结合四套计算基准上的设计成功率与生成吞吐量高于所比较的基线。同日，华盛顿大学官方新闻稿还报告了实验台验证案例，包括设计农药降解酶和控制蛋白糖基化。模型已通过 Claude Science、OpenAI、Amazon Bio Discovery 及多家云平台等合作渠道提供，将蛋白生成与候选筛选接入科研工具工作流。这里的计算比较来自研究草稿，实验表述来自机构新闻稿，需要按各自公开的评估范围理解。
图：RFD4 建模团队在计算实验室运行测试。摄影：Sierra Adler / UW Medicine Institute for Protein Design。来源：下列 UW Medicine 新闻稿。
来源：NVIDIA 官方发布；UW Medicine 新闻稿｜2026-10-21｜公司与科研机构官方新闻稿。
3. X-Scientist 的基因干预候选进入细胞实验
X-Scientist 是 Xaira Therapeutics 开发的药物发现平台，把大语言模型、自有生物模型、数据和科研工具连接起来，由主 Agent 协调分析任务并检查证据。Xaira 于10 月 21 日公布平台与实验结果：在经 TGF-β 处理的 HepG2 肝细胞系中，团队用 Perturb-seq，也就是结合基因扰动与单细胞基因表达测量的实验，测试系统提出的 381 种基因扰动，寻找能逆转处理后表达状态的干预。按公司设定的命中阈值，系统命中率为 7.1%，人工筛选为 6.9%，随机选择为 0.9%；提出候选的速度约为人工的 10 倍，还找到了经典 TGF-β 通路之外的有效基因。这些公司发布的结果支持其以接近人工的命中率更快提出候选，自动化实验平台与持续反馈闭环仍是后续开发方向。
图：对照命中率与提名时间，区分候选质量和筛选速度的变化。来源：下列 Xaira 官方文章。
来源：Xaira 官方研究文章｜2026-10-21｜公司发布的细胞实验与计算评测。
4. Claude 设计蝎毒结合物，211 个候选中 17 个通过测试
Claude Science 是 Anthropic 提供的、可调用科学工具开展研究的工作环境。这次 Anthropic 与 Citrini Research 合作，让内部研究模型设计靶向蝎毒神经毒素的 minibinder，即能结合特定靶点的小蛋白，并于10 月 20 日公布结果。模型在一条初始指令和四次后续指导下运行约 64 小时，负责选择毒素结构、确定接触位点、调用蛋白设计与折叠工具并筛选候选。Adaptyv Bio 和 Twist Bioscience 随后测试了211 个设计，其中 17 个达到结合标准，最强 Cn2 结合物的亲和力进入个位数纳摩尔范围。候选、预测结构和结合数据均已开放，便于检查设计与实测结果的对应关系。目前只验证了对重组毒素的结合，未测试细胞中的中和作用或活体保护效果。
图：官方原图展示五种靶点毒素及模型选择的设计接触区域。来源：下列 Anthropic 官方研究文章。
来源：Anthropic 官方研究文章｜2026-10-20｜公司研究文章与技术报告，非同行评议论文。
资源：技术报告；设计与实验数据。
5. OpenAI 用分布式 Agent 解读小鼠脑细胞扰动数据
分布式生物学推理，是把大型实验中的不同基因扰动分给多个 AI Agent，让它们分别分析细胞变化、检索文献，再汇总成可查询的解释图谱。OpenAI 于10 月 21 日介绍与 PerturbAI、Scripps Research 的合作：数千个由 GPT-Rosalind 驱动的 Agent 在约32 分钟内解读数百万小鼠脑细胞的既有实验数据，将基因、细胞反应、论文和候选机制联系起来。在专家盲评中，75% 的比较更偏好分布式报告。团队公开了推理图谱与分析代码，供研究者检查神经退行性疾病等方向的线索。
来源：OpenAI 官方研究文章｜2026-10-21｜公司研究文章与预印本，非同行评议论文。
资源：预印本；推理图谱、代码与复现材料。
6. OpenBind 用隐藏实验结构启动寨卡病毒盲测
OpenBind 是建设蛋白质—小分子结构与结合数据的开放项目。它与 OpenADMET、ASAP Discovery Consortium 于10 月 14 日启动寨卡病毒 NS2B-NS3 蛋白酶盲测，让研究者预测小分子会怎样结合到这一靶点上。所谓盲测，是提供待预测对象的信息，同时在比赛期间隐藏用于判定答案的实验真值。本次挑战提供400 个化合物的信息，但不公开对应的 X 射线晶体结合结构；最终评分同时检查小分子在结合位点中的位置、蛋白—配体接触情况和化学合理性。不同分子对接、共折叠模型及组合工作流因此可以接受同一组隐藏实验结构的检验。最终提交截止时间为12 月 16 日，本次消息对应挑战启动。
图：盲测靶点 NS2B-NS3 的结构组成。来源：下列 OpenBind 挑战说明。
来源：OpenBind 上线公告；挑战说明｜2026-10-14｜项目官方公告。
7. Earth AI 地理 Agent 进入公共卫生伙伴测试
Geospatial Reasoning agent 是 Google Research 开发的地理推理系统，将 Gemini、Earth AI 专用基础模型、地图工具和前置规划连接起来，可处理遥感、天气、人口以及用户自有空间数据。Google 于10 月 14 日发布技术报告、新基准与实验性早期访问。在 WHO 非洲区域办事处和刚果（金）国家生物医学研究所的早期测试中，团队让系统交叉分析森林损失、矿区、人口与流动数据，定位48 个暴露聚落及超过 45,500 名高风险人口。这类工作流的作用，是把分散的环境与人口信息组织成专家能够进一步检查的公共卫生分析。上述数字来自 Google 与合作方发布的应用案例，系统仍处于实验性访问阶段。
图：官方流程动画展示地理推理 Agent 如何连接规划器与专用空间数据工具。来源：下列 Google Research 官方文章。
来源：Google Research 官方文章｜2026-10-14｜公司研究博客与合作方案例。
政策动态与专家观点：规则与评价
1. 美国医疗 AI 风险披露仍缺少统一做法
电子健康记录（EHR）系统是用于保存和管理患者病历的软件，HTI-1 则是美国针对认证系统提出的透明度要求，其中包括 AI 预测型决策支持的风险分析、缓解与治理披露。乔治敦大学医学院与 MedStar Health 团队开展的研究于10 月 14 日发表于 npj Digital Medicine，检查了 35 家开发商的公开材料。研究发现，各家的披露在结构、细节和完整性上差异明显，且经常不完整，但这些开发商均已通过认证。作者因此建议采用标准化报告，并加强认证审查，使使用方更容易理解与比较系统公开的风险信息。这项研究评估的是披露质量，不能据此比较各系统的临床性能。
图：依据下列 npj Digital Medicine 文章整理的流程示意图，区分披露要求、检查发现与作者建议；非论文原图。
来源：npj Digital Medicine 原文｜2026-10-14｜同行评议 Brief Communication。
2. 材料发现应提前考虑制造与报废
生命周期评价关注材料从制造、服役到报废全过程中的资源消耗和环境负担。印度理工学院德里分校的 Sajid Mannan、帝国理工学院的 Rupert J. Myers 等作者在10 月 16 日发表于 Nature Sustainability 的观点文章中，提出把这类评价与机器学习连接到同一材料发现流程。作者认为，筛选候选时就应同时考虑实验室性能、规模化制造、环境影响和报废去向；等材料定型后再补做评估，往往已难改变设计。因此，这些条件需要更早进入优化目标，并显式处理数据与模型的不确定性。文章给出的是研究路线图与评价框架，供材料 AI 研究者设计更完整的筛选目标。
图：原文图 2 展示机器学习与生命周期评价结合的材料发现框架。来源：下列 Nature Sustainability 原文。
来源：Nature Sustainability 原文｜2026-10-16｜同行评议 Perspective。
3. 基因组模型应按预测目标选择验证数据
非编码变异是不直接改变蛋白编码序列的 DNA 变化，但它可能通过改变基因调控影响细胞状态和生物表型。加州大学伯克利分校的 Pooja Kathail、Ayesha Bajwa 与 Nilah M. Ioannidis 于10 月 21 日在 Nature Genetics 发表综述，梳理从 DNA 序列推断调控活性的模型，以及学习大量序列规律的基因组语言模型，讨论它们如何预测这类影响。作者将评估真值按染色质状态、基因表达、RNA 转录本层面的调控（如剪接）以及个体性状或疾病等尺度区分，并比较观察数据与干预实验各自能检验的问题。对使用者来说，关键是先明确模型声称预测哪一层影响，再选择对应的验证数据，避免把某一层上的表现直接推广到其他层次。文章提供的是方法与证据的梳理。
图：论文图 2 对照变异影响的生物学尺度，以及可用于验证的观察与实验数据。来源：下列 Nature Genetics 原文。
来源：Nature Genetics 原文｜2026-10-21｜同行评议 Review Article。
