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…

EVOLVEpro:Brigham and Women's Hospital / Harvard Medical School、Mass General Brigham Gene and Cell Therapy Institute、Beth Israel Deaconess Medical Center等

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

少样本主动学习的蛋白工程外壳,每轮只测十余个突变体。

蛋白 · 学术实验室 · 美国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 EVOLVEpro;别名:EvolvePro
家族 否(单一方法,无需家族边界)
机构 Brigham and Women's Hospital / Harvard Medical School、Mass General Brigham Gene and Cell Therapy Institute、Beth Israel Deaconess Medical Center、MIT
机构类型 / 国家 学术实验室 / 美国
模型类别 设计(主动学习 + pLM 嵌入)
领域 蛋白(次领域:抗体)
首次发布 †(未核实)(依据:bioRxiv 预印本(日期沿用既有记录,本轮未重新抓取)) 预印本首次上线日本轮未直接核对
其他里程碑 最早公开证据 †(未核实)(bioRxiv 预印本(日期沿用既有记录,本轮未重新抓取));预印本 v1 †(未核实)(bioRxiv 预印本(日期沿用既有记录,本轮未重新抓取));期刊上线 (Science 期刊发表(Crossref issued 日期))
最近更新 ,期刊发表:期刊版上线;其后至 2025-06-11 的仓库提交为维护性改动。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;两个公开仓库(全量数据版与可部署版);自身无权重,依赖第三方 pLM 权重
状态 仅维护:最近实质事件为 2025-01 期刊发表,其后只有维护性提交
报过的 benchmark 0 项计入
湿实验验证 2 条记录
全站实体页 无(全站无对应页面)
截至 2026-11-16

做什么

把冻结的大规模蛋白语言模型嵌入当特征,用轻量回归器拟合每轮实测活性,迭代挑选下一批突变体,自身不做预训练。与 ESM3 等零样本模型不同,它依赖每个目标蛋白自己的实验数据,适合已有活性检测的工程场景。

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。0 项计入。

在本站 44 个 benchmark 上没有任何配对记录;它怎么自评见下一节。

提及但不构成配对:ProteinGym。

其他评测(不在 44 项内)

  • DMS 计算机主动学习对比(自建任务集,自报):12 套 DMS 数据集上比较 8 种表示,冻结 pLM 嵌入最佳,并与零样本预测对比(自报)
  • REGN10987 抗体工程(湿实验验证,自报):5 轮主动学习,命中率上升,终产物亲和力进入纳摩尔级(自报)
  • Cas12f、PE2、Bxb1、T7 RNAP 工程(湿实验验证,自报):4–8 轮、每轮十余个单点突变;提升倍数口径不一致,未核实

开发方称:在 4–8 轮、每轮约十余个突变体的预算内,用 pLM 嵌入上的少样本主动学习改良了五个不同蛋白(自报)。

独立证据:未检出独立证据(未检出第三方复现;作者方已申报专利并披露公司身份)

训练数据

类别 值 说明 出处
a 公开库 是 冻结使用的 ESM-2 15B 预训练权重,数据为公开序列库;12 套 DMS 只用于计算机网格搜索 出处
b 私有 / 授权 否 论文未提及私有或授权数据 出处
c 自产 wet lab 训练数据 是 每个蛋白数轮主动学习,每轮约 11–16 个变体的实测活性训练顶层回归器 出处
d 仅用于验证的 wet lab 否 同一批实验既是训练输入也是应用结果,不是单纯验证 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
抗体 REGN10987 工程(自报) 1 — — 命中率由 9.1% 升至 54.5%(5 轮);ELISA 结合改善 63% | hit rate rose from 9.1% to 54.5% over five rounds; ELISA binding improved 63% IC50 11.9 nM 5 轮主动学习,每轮约 11–16 个变体;论文只给百分比,未给逐轮分子分母 PMC 预印本版 / PMC preprint version 自报 †(未核实) 已核实 — 开发方自报,无独立复现;终点必须分清(降低免疫原性的副产物不是蛋白活性),数字取自早期版本 出处
酶与蛋白工程集(未核实) — — — — — 4–8 轮、每轮约 12–16 个单点突变;摘要与讨论的提升倍数口径不一致,故不给数字(未核实) PMC 预印本版 / PMC preprint version 自报 †(未核实) 部分核实† — 未核实:必须按端点分列,不得给单一倍数区间;无独立复现 出处

背景

  • 机构:学术团队,隶属哈佛系医院(含基因与细胞治疗研究所、病毒与疫苗研究中心)与 MIT,另有东京大学与 Inamori 研究所合作者;方向为基因组编辑、CRISPR 诊断与蛋白工程。
  • 融资:论文致谢列出多项 NIH 基金、数家基金会与风险基金资助;日方作者由 AMED、JSPS 与 JST 等支持。
  • 产品与合作:无产品与药企合作;作者方已就该方法申请专利,未给专利号。方法建立在第三方开源 pLM 之上,与其发布机构无隶属关系。
  • 相关模型:ESM3

怎么看

  1. 这是「每个蛋白一套实验」的结果,不能与零样本模型的分数并列比较。
  2. 倍数改进的起点各异,不能跨蛋白汇总成一个区间。
  3. 与 ProteinGym 没有分数关联:12 套 DMS 只作数据来源。
  4. 每轮样本极小,说明已有活性检测时主动学习比零样本更实用。

局限与注意

  1. 零配对:无任何站内 benchmark 条目。
  2. 酶与蛋白工程集的提升倍数口径不一致,已标未核实。
  3. 全部结果为开发方自报,未检出独立复现。
  4. 自产 wet lab 数据进入训练循环,与纯验证型模型不可直接比较。

来源

  1. Science 期刊论文(期刊),
  2. 预印本全文(PMC)(预印本)
  3. 官方仓库(全量数据)(仓库)
  4. 官方仓库(可部署模型)(仓库)

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
wetlab_validation 用单一倍数区间概括全部工程案例的提升 摘要与讨论的区间不一致,按端点分列且不给单一区间(未核实) — 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。