SimpleDesign是一种多模态蛋白质设计模型，无需多阶段训练，直接在数据空间端到端训练，结合序列交叉熵与结构回归目标，采用Transformer多模态骨干，在超200万序列-结构对上训练，在协同设计和无条件生成任务上表现优异。

AI设计的肺纤维化新药Rentosertib在IIa期试验中改善肺功能，并使六款蛋白质组衰老时钟显示患者生物年龄平均下降约3岁。但分析指出，此“逆龄”信号可能主要源于抗纤维化蛋白LTBP2的变化，而非真正的抗衰老效应。研究首次验证蛋白质组时钟可用于临床试验，但需区分疾病改善与衰老干预效果。

上海交大等机构发布蛋白质突变效应预测模型VenusREM，结合检索增强与结构感知语言模型，利用同源序列进化信息提升预测精度，在ProteinGym基准测试中排名第一。该模型支持序列和结构输入，可用于突变筛选、定向进化及致病性分析，并已上线HyperAI教程，便于实际应用。

一项新研究首次发现了一种新酶CMLase，能够修复人体内的晚期糖基化终产物（CML），挑战了其“不可逆”的传统观念。实验表明，CMLase能有效降低多种蛋白质中的CML含量，甚至在老年组织中也能显著修复。这一发现为抗衰老研究开辟了新方向，可能使未来的研究从减缓损伤转向直接修复损伤。

肠道菌群与蛋白质稳态密切相关，菌群失调会加速衰老并导致阿尔茨海默和帕金森等疾病。健康的肠道菌群能够维持蛋白质的折叠和降解，改善衰老过程。饮食、益生菌和小分子药物可调节菌群，促进蛋白质稳态，从而延缓衰老。百岁老人的菌群特征为相关研究提供了重要线索。

斯图尔德因发现神经元能在突触附近合成蛋白质而获2026年卡弗里奖，此发现推翻了传统观点，揭示了记忆形成的新机制，并为阿尔茨海默病研究提供了新方向。

分子之心完成逾亿美元A轮融资，推动AI蛋白质设计领域的革命。创始人许锦波教授致力于将生物大分子研发从“随机试错”转向“可编程生物工程”。其平台MMDesign在真实临床靶点测试中实现超90%命中率，显著提升研发效率和降低成本，展现出强大的商业化潜力，成为全球AI蛋白质产业的领跑者。

本研究是全球最大规模的多队列蛋白质基因组学分析，涵盖78,664名受试者，鉴定出24,738个蛋白质数量性状位点，揭示了循环蛋白的遗传调控规律。研究强调反式遗传调控在疾病机制中的重要性，为药物开发提供了新线索，尤其在自身免疫性疾病的研究中具有潜在应用价值。

科学家发现大脑下丘脑中的Cav3.1钙通道是亮氨酸的传感器，能够迅速抑制食欲并促进减肥。研究显示，激活Cav3.1通道后，老鼠的食欲显著下降，体重减轻。这一发现可能为肥胖治疗提供新思路，通过药物激活Cav3.1，增强现有减肥药的效果。

韩国科学技术院的研究团队利用深度学习设计了高亲和力和高特异性的小分子结合蛋白，成功开发出能选择性识别皮质醇的人工智能生物传感器。这项研究突破了传统蛋白质设计的局限，具有广泛的应用前景，尤其在疾病诊断和新药研发领域。

韩国科学技术院的研究团队利用深度学习设计了能够选择性识别压力激素皮质醇的小分子结合蛋白，并开发了人工智能生物传感器。这项研究突破了传统蛋白质设计的局限，提供了高特异性和高亲和力的蛋白质定制方法，具有广泛的应用潜力，如疾病诊断和新药研发。研究成果已发表在《Nature Communications》上。

糖化是葡萄糖与蛋白质在无酶反应下生成AGEs的过程，导致蛋白质结构改变，进而引发炎症和多种慢性病。长期高血糖会加剧糖化，影响身体各系统，最终加速衰老和疾病。

分子之心与多所高校合作，利用AI技术成功提升蝎毒素LqhαIT的杀虫效力，揭示了毒素作用机制，构建了从机制解析到实验验证的全链条研发闭环，展示了AI在生物科技领域的潜力，推动药物研发与生物制造的创新。

MIT与卡内基梅隆大学的研究团队开发了VibeGen，通过结合序列生成与振动动力学预测，实现从头蛋白质设计。该模型能够生成稳定的新型蛋白质，并揭示结构与动力学之间的关系，为未来的蛋白质设计提供新思路。

麻省理工学院开发的人工智能模型VibeGen能够根据蛋白质的运动特性生成新型蛋白质。该模型强调蛋白质的动态特性，允许科学家设计具有特定功能的蛋白质，具有广泛的医学和材料科学应用潜力。

在计算生物学中，设计精准结合的蛋白质是一个关键挑战。机器学习的引入改变了这一领域，Complexa框架通过结合生成与优化，提高了结合剂设计的效率和成功率，推动了人工智能在蛋白质设计中的应用。

文章讨论了对蛋白质的过度追捧，尤其是“男孩饲料”等趋势。尽管蛋白质对健康有益，但过量摄入可能导致健康问题。许多健康产品通过“蛋白质洗涤”吸引消费者，忽视了均衡饮食的重要性。专家提醒应保持饮食多样性，避免盲目追求高蛋白质。

为理解生命过程的分子机制，需解析生物大分子的三维结构。冷冻电镜和X射线晶体学是主要技术，AlphaFold等计算方法也取得进展。卡内基梅隆大学提出的AQuaRef方法结合机器学习和量子精修，提升了蛋白质结构的精确度，已在《Nature Communications》发表。