模型与 Benchmark板块首页
总览
AI for Bio benchmark 总览模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…模型索引:112 个模型按领域分组44 个 benchmark 的规模、更新与 wet la…
Benchmark 档案:核心 30 项
01 CASP02 ProteinGym03 MoleculeNet04 TDC05 PoseBusters06 CASF-201607 USPTO family08 Basenji/Enformer test set09 scIB10 GuacaMol11 ClinVar hold-out protocol12 DUD-E / LIT-PCBA13 CAGI14 PubMedQA15 CAMEO16 GUE + Nucleotide Transform…17 CAFA18 LAB-Bench / LABBench219 PMO20 CACHE21 DREAM5 / BEELINE / CausalB…22 CAPRI23 BioASQ24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles26 FLIP / FLIP227 Polaris / ASAP / OpenADMET28 Adaptyv competitions / Ben…29 BixBench30 PLINDER / PINDER / Runs N'…
Benchmark 档案:补充 14 项
31 FoldBench32 CrossDocked202033 PoseX34 AbBiBench35 FLAb / FLAb236 AIntibody37 TraitGym38 BEND39 RNAGym40 MotifBench41 BioML-bench42 BioMysteryBench43 Ginkgo GDPa144 FS-Mol
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

BindCraft:EPFL Laboratory of Protein Design and Immunoengineering、MIT

整理 2026-11-16 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 做什么
  3. 报过的 benchmark
  4. 其他评测(不在 44 项内)
  5. 训练数据
  6. 湿实验验证
  7. 背景
  8. 怎么看
  9. 局限与注意
  10. 来源
  11. 更正记录

开源 binder 设计流程,反传共折叠网络做幻觉式设计,无需额外训练。

蛋白 · 学术实验室 · 瑞士 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 BindCraft
家族 否(单一流程,只有版本迭代,无家族成员)
机构 EPFL Laboratory of Protein Design and Immunoengineering、MIT
机构类型 / 国家 学术实验室 / 瑞士
模型类别 设计(幻觉 / 反向传播)
领域 蛋白(次领域:分子生成)
首次发布 (依据:bioRxiv v1(其后 v2 2024-12-07、v3 2025-04-25))
其他里程碑 最早公开证据 (bioRxiv v1(其后 v2 2024-12-07、v3 2025-04-25));预印本 v1 (bioRxiv v1(其后 v2 2024-12-07、v3 2025-04-25));期刊上线 (期刊正式在线(Crossref;纸本卷期 2025-10-09))
最近更新 ,补丁:v1.5.3 小修复;期刊正式在线 2025-08-27 单列为另一里程碑;至 2026-09-21 的提交为安装与笔记本维护。(原记录把该日期当期刊发表,已订正为补丁)。此为最近一次有出处的事件,不代表此后没有更新
开放程度 代码:开放;权重:不明;代码开源;本身无权重,依赖第三方共折叠模型的现成权重与其许可
状态 活跃:12 个月内有标签发布与持续提交
报过的 benchmark 1 项计入(榜 1)
湿实验验证 1 条记录
全站实体页 无(全站无对应页面)
截至 2026-11-16

做什么

把靶蛋白与 binder 一起交给共折叠网络,迭代调整 binder 序列使预测置信度最高,允许一定诱导契合;没有生成模型,也不需要训练。与 RFdiffusion2/3、BoltzGen、Germinal 相比最轻、最易复现。

报过的 benchmark

按关系类型排列;每行标来源类型与出处。分数只在同一 benchmark、同一口径内有意义,见各 benchmark 页的当前排名。1 项计入(榜 1)。

Benchmark 关系类型 计入 评测集 / 口径 来源类型 说明 出处
28 Adaptyv competitions / BenchBB 官方参赛 / 官方榜单 是 Nipah 赛与 EGFR 赛 / Nipah and EGFR rounds 榜单 作者本人参加 Nipah 赛,EGFR 赛 top10 出现该工具;赛事官方不按工具给命中率,记录为二手 †(未核实) 出处

其他评测(不在 44 项内)

  • 12 靶点自建湿实验集(湿实验验证,自报):作者自选靶点,报告受测设计中的结合比例,逐靶分母很小(自报)
  • 应用演示(案例研究,自报):阻断花粉过敏原的 binder,以及改善基因治疗载体的肽;作者称正扩展到肽类

开发方称:无需额外训练,多数靶点一次设计即可拿到结合体,受测设计中约 46.3% 结合(期刊正文,自报)。

独立证据:未检出独立证据(公开赛不按工具统计命中率,赛中表现只能靠参赛者自报(二手))

训练数据

类别 值 说明 出处
a 公开库 是 无自有训练,直接用第三方共折叠模型的现成权重,其训练数据为 PDB 等公开库 出处
b 私有 / 授权 否 无私有或授权数据 出处
c 自产 wet lab 训练数据 否 无自产训练数据 出处
d 仅用于验证的 wet lab 是 有,作者自做湿实验验证 出处

湿实验验证

每个比率都带分子与分母;未核实的条目不给数字。不同版本的来源分开列。

实验 靶点数 受测设计 命中 成功率 最佳亲和力 分母口径 版本 来源类型 日期 核实 执行方 说明 出处
12 靶点实验成功率(自报) 12 — — 逐靶 10–100%,均值 46.3%(期刊正文) | 10-100% per target, average 46.3% (journal body text) — 12 个靶点;比率是受测设计中结合的比例,逐靶点分母很小 期刊版 / journal version 自报 已核实 — 46.3% 直接写在期刊正文,原先的「二手汇总」标签已去掉;作者自做实验,不是独立复现 出处

背景

  • 机构:瑞士一所理工大学工程学院的蛋白设计与免疫工程实验室项目,无公司实体;校方新闻称与美国一所大学合作,并有瑞士、美国、荷兰研究者参与。
  • 融资:具体基金只列在期刊论文致谢节,新闻稿未列
  • 产品与合作:学术项目,无产品与药企合作
  • 相关模型:RFdiffusion2/3、BoltzGen、Germinal、Mosaic

怎么看

  1. 10–100% 的区间很宽,均值依赖靶点选择,不等于任意靶点的期望命中率。
  2. 以共折叠置信度为设计目标,使该置信度无法再作独立筛选器,这是该类方法的已知问题。
  3. Adaptyv 竞赛 不按工具统计,赛中表现只能靠参赛者自报。
  4. 开源、无训练,是它被广泛当作基线的原因。

局限与注意

  1. 成功率是「受测设计中结合的比例」,逐靶点分母很小。
  2. 不在任何站内 benchmark 上报分,唯一配对是公开赛参赛记录(二手)。
  3. 本身无权重,设计质量受所依赖共折叠模型的偏差影响。
  4. 仓库首次发布日期未核实。

来源

  1. 期刊论文 DOI(期刊),
  2. 期刊论文页(期刊)
  3. 官方仓库 releases(仓库)
  4. 校方新闻稿(新闻)
  5. 竞赛结果博客(二手)(二手)

更正记录

以下为本轮核对中改过的字段,原值按记录照录。

字段 原 现 原因 出处 发现日期
latest_update.event_kind 2026-04-17 记为期刊发表 该日期是 v1.5.3 小修复,事件类型改为补丁;期刊在线 2025-08-27 单列 — 依据 2026-11-16
wetlab_validation 均值 46.3% 标为二手汇总 该数字直接写在期刊正文,去掉二手标签;比率为受测设计中结合的比例 — 依据 2026-11-16

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。