MIT团队开发了名为PottsMPNN的机器学习框架，用于改进计算蛋白质设计。该框架结合物理原理，能更准确建模序列-能量关系，生成结构可行但序列新颖的蛋白质，避免过度模仿天然序列。研究强调，传统以复现天然序列为成功标准并不最佳，PottsMPNN通过引入成对氨基酸相互作用和进化信息，提升了结构兼容性和突变稳定性预测，为设计新型蛋白质奠定基础。

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。

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。

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。

近年来，生成式深度学习在蛋白质设计领域取得了进展。RFdiffusion3（RFD3）模型能够生成与非蛋白质组分相互作用的蛋白质三维结构，简化了原子级约束，降低了计算开销，展现了广泛的适用性。

RFdiffusion3（RFD3）是诺奖得主David Baker团队开发的新型蛋白质设计模型，能够在复杂的非蛋白质环境中生成蛋白质的三维构象。该模型显式建模所有聚合物原子，简化了原子级约束，适用于酶设计等任务，并显著降低计算开销。

botlib 是一个用于编写 Telegram 机器人的 C 语言框架，支持多线程和长时间请求。nanobrowser 是一个注重隐私的 AI 驱动网页自动化工具，支持多智能体协作。flutter-spy 用于提取 Flutter 应用数据，操作简单。multi-agent-postgres-data-analytics 允许通过自然语言与 Postgres 数据库交互，适合学习。Chroma 用于可编程蛋白质设计。

华盛顿大学推出新生成模型RFdiffusion2，突破蛋白质设计技术瓶颈，实现无序列依赖的活性位点生成，成功率达100%。该模型在催化剂设计方面显著优于前代，标志着AI驱动的蛋白质设计取得重要进展。

华盛顿大学的David Baker团队开发了Foldit游戏，允许玩家设计蛋白质。新模式Drugit则让玩家参与小分子药物设计，验证了众包在药物研发中的可行性，未来可扩大参与范围。

研究者提出了多模态框架ProteinDT，通过对齐蛋白质序列与文本描述，辅助蛋白质设计。实验表明，该框架在多项任务中表现优异，推动了蛋白质工程的发展。

华盛顿大学研究团队开发了LigandMPNN，一种基于深度学习的蛋白质序列设计方法，能够有效模拟非蛋白质原子和分子。该方法在设计与小分子、核苷酸和金属相互作用的蛋白质方面表现出色，显著提升了结合亲和力和结构准确性。LigandMPNN已成功设计出100多种经过实验验证的结合蛋白，展现出广泛的应用潜力。