系统评估 BindCraft 在肽类 binder 设计中的真实能力：在 MDM2 与 WDR5 位点上实现纳摩尔级命中，并通过结构指导完成 stapling 优化，展示了结构驱动肽药设计的可行路径。

Baker 团队提出一套通用的计算设计框架，可针对任意本质无序区域（IDR）序列设计高亲和力、高特异性的结合蛋白，在 43 个目标中获得 39 个成功命中，并通过晶体结构与 NMR 验证“诱导契合”机制。

LigandMPNN 在 ProteinMPNN 基础上引入配体原子级上下文建模，可同时感知蛋白与小分子、核酸、金属离子的空间关系，在序列设计与侧链构象预测上全面超越 Rosetta 与传统方法，并通过多组结合实验验证其真实功能性。

EvoBind2 提出一种完全无需结构与位点信息的“盲设计”框架，仅基于靶蛋白序列即可设计出不同长度的线性与环状肽结合物，在 SPR 实验中获得最高 19 nM 亲和力，并通过对抗性过滤显著提升成功率。

DeepMind 推出 AlphaGenome：一个统一建模的基因组 AI 系统，可一次性预测 11 种调控模态，在变异效应预测任务上全面超越现有模型，标志着基因组学迈向“统一模型时代”。

BindCraft 提出一个全自动蛋白 binder 设计平台，通过反向优化 AlphaFold2 并结合 MPNN 与 Rosetta，在无需高通量筛选的情况下实现接近 50% 成功率的功能性结合剂设计。

系统解读 Cryo-ET 的技术原理、样本制备、成像物理限制、图像分析与多模态融合路径，讨论其作为“原位结构组学平台”的潜力，同时直面其在通量、自动化与算法层面的核心瓶颈。

RareFold 在 AlphaFold2 架构上引入“氨基酸 token 扩展”策略，使模型能够直接建模 29 种非天然氨基酸的结构特征，并在多项预测任务中优于 AlphaFold3；同时结合 EvoBindRare 框架，实现了含非天然氨基酸线性与环状多肽的从头设计，并通过 SPR 实验获得 μM 级真实结合活性。