基于 3,766 个实验验证的 binder 设计数据，这篇 bioRxiv 预印本系统比较了 AF2、AF3、Boltz-1 等预测指标，提出 AF3 的 ipSAE_min 是目前最稳健的筛选信号，并给出了可直接落地的筛选策略。

Nature 提出“虚拟实验室（Virtual Lab）”概念，由多角色大模型 Agent 组成科研团队，自主完成课题规划、工具选择、代码编写与抗体设计流程，并最终设计出对新冠变异株具有真实结合能力的纳米抗体，展示出 AI 作为“科研主体”的初步形态。

NCFlow 提出一个面向非天然氨基酸（ncAA）的原子级构象生成模型，能够在蛋白 pocket 环境中预测任意 ncAA 的合理三维构象，并结合深度打分与分子动力学模拟，构建出一套可系统性设计高亲和力 ncAA 多肽的端到端流程。

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。

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。

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。