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…

Latent-X / X2:Latent Labs

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

闭源平台化的 binder、大环与抗体设计模型,每靶只测几十个设计。

蛋白 · AI 原生 biotech · 英国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 Latent-X/X2;别名:Latent-X、Latent-X2;有歧义、不自动链接:Latent-Y
家族 家族条目:Latent-X †(未核实);Latent-X2 †(未核实)。边界:只含 Latent-X 与 Latent-X2;其上的设计 agent Latent-Y 是另一产品,其战役数字归 Latent-Y 预印本。
机构 Latent Labs
机构类型 / 国家 AI 原生 biotech / 英国
模型类别 设计(binder / 抗体 / 大环)
领域 蛋白(次领域:抗体、分子生成)
首次发布 †(未核实)(依据:Latent-X 公司新闻稿(预印本 2025-07-25 另列)) 未核实:该日期属前代 Latent-X,X2 的新闻稿为 2025-12-16,按家族条目处理
其他里程碑 最早公开证据 †(未核实)(Latent-X 公司新闻稿(预印本 2025-07-25 另列));预印本 v1 †(未核实)(Latent-X 预印本(X2 预印本 2025-12-23));官方公告 †(未核实)(Latent-X2 公司新闻稿)
最近更新 †(未核实),产品更新:建立在 X2 之上的抗体设计 agent Latent-Y(2026-03-23 发布)向全球研究者开放,含免费日额度;X2 本体未见新版本或权重更新。(属产品事件,不是 X2 的模型版本更新)。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:不开放;权重:不开放;权重闭源,经无代码平台访问;X2 需申请或商业合作
状态 活跃:12 个月内有产品发布事件,但无模型版本更新
报过的 benchmark 0 项计入
湿实验验证 3 条记录
全站实体页 无(全站无对应页面)
截至 2026-11-16

做什么

Latent-X 面向 mini-binder 与大环肽;X2 扩展到药物样抗体(VHH、scFv),报告未经优化的可开发性指标与一项离体免疫原性评估。与 Chai-2、JAM/JAM-2 同属闭源平台路线;相对 BoltzGen 等开源模型,其数字无法外部复现。

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。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。

其他评测(不在 44 项内)

  • Latent-X mini-binder / 大环战役(湿实验验证,自报):自建靶点集,每靶 30–100 个设计,并与其他设计模型在相同条件下对比(自报)
  • Latent-X2 的 VHH / scFv 战役(湿实验验证,自报):18 个靶点,每靶每模态 4–24 个设计,9 个靶点拿到 binder;另对一个难靶做大环 binder
  • 可开发性面板(自建任务集,自报):表达量、聚集、多反应性、疏水性与热稳定性,与已上市抗体对比,未做优化或筛选
  • 免疫原性评估(案例研究,自报):对一个靶点的 de novo VHH 做人供体 panel 的 T 细胞增殖与细胞因子释放评估
  • Latent-Y agent 战役(用户或合作方报告,自报):9 个纳米抗体战役的靶点级成功率,出处为 Latent-Y 预印本,不属 X2 论文

开发方称:零样本设计的 VHH 与 scFv 在每靶几十个设计内达皮摩尔至纳摩尔,可开发性接近已上市抗体、离体免疫原性低(自报)。

独立证据:未检出独立证据(权重闭源,未检出第三方评测或独立复现)

训练数据

类别 值 说明 出处
a 公开库 未披露 未披露训练数据来源与规模 出处
b 私有 / 授权 未披露 未披露是否有私有或授权数据 出处
c 自产 wet lab 训练数据 未披露 未披露;不能写成「仅公开库」 出处
d 仅用于验证的 wet lab 是 有,湿实验用于验证,未见回灌训练的说法 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
Latent-X 大环与 mini-binder 战役 — — — — 低纳摩尔至皮摩尔(mini-binder,自报) | low nanomolar to picomolar (mini-binders, self-reported) 自建靶点集,每靶 30–100 个设计;来源只给汇总命中率,无逐靶分子分母,故不给比率 Latent-X(前代) / Latent-X (predecessor) 自报 †(未核实) 已核实 — 属前代模型;与其他设计模型的对比由开发方自己跑,不是独立复现 出处
Latent-X2 的 VHH / scFv 战役 18 — 9 9/18 靶点拿到 binder(靶点级口径) | binders on 9 of 18 targets (target-level rate) 皮摩尔至纳摩尔(自报) | picomolar to nanomolar (self-reported) 18 个靶点,每靶每种模态只测 4–24 个设计 Latent-X2 自报 †(未核实) 已核实 — 来源写 VHH 与 scFv,从未写「纳米抗体」;开发方自报,无独立复现 出处
Latent-Y agent 战役 9 — 6 6/9 靶点拿到 binder(靶点级口径) | binders on 6 of 9 targets (target-level rate) 个位数纳摩尔(自报) | single-digit nanomolar (self-reported) 9 个靶点,候选由 X2 生成、无人工筛选;逐靶命中率在受测序列中约 1%–28% Latent-Y(另一预印本) / Latent-Y (separate preprint) 自报 †(未核实) 已核实 — 出处订正:该数字来自 Latent-Y 预印本,不是 2025-12 的新闻稿,也不是 Latent-X2 论文 出处

背景

  • 机构:公司 2023 年成立,总部伦敦并有旧金山团队,定位 AI 原生蛋白设计;规模约 20 人(聚合数据,2026-03,口径为在职档案数)。
  • 融资:2025-02 走出隐身期,宣布 5,000 万美元融资(含 4,000 万美元 A 轮,两家基金联合领投,另有多家机构参与);此后未见新一轮公告。
  • 产品与合作:产品为 Latent-X、Latent-X2 与 2026-03 发布的设计 agent Latent-Y(2026-07 向全球研究者开放);未见公开的药企合作金额。
  • 相关模型:Chai-2、JAM / JAM-2、AlphaProteo、BoltzGen

怎么看

  1. 前代对 AlphaProteo 的对比是公司自选靶点的自报,并非在每个靶点上都更好。
  2. 18 靶点中 9 个出 binder 是靶点级成功率,与单靶命中率是两个口径。
  3. 训练数据与可开发性数据都无法外部核对。
  4. 两个日期都成立但含义不同:公司新闻稿 2025-12-16,预印本 2025-12-23。

局限与注意

  1. 零配对:不在任何站内 benchmark 上报分,也无公开赛参赛记录。
  2. 一条记录覆盖两代模型,首发日期属前代 Latent-X,已标未核实。
  3. Latent-Y 的战役数字属另一预印本,不得算作 X2 的结果。
  4. 每靶只测 4–24 个设计,靶点级成功率对设计预算极敏感。

来源

  1. Latent-X2 预印本(预印本)
  2. Latent-X 预印本(预印本)
  3. Latent-X2 公司新闻稿(新闻),†(未核实)
  4. Latent-X 公司新闻稿(新闻)
  5. Latent-Y 预印本(战役数字出处)(预印本)
  6. Latent-Y 开放公告(新闻)

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 9 个战役、67% 靶点成功归给 2025-12 新闻稿或 Latent-X2 论文 出处订正为 Latent-Y 预印本,并写成 6/9 靶点 — 依据 2026-11-16
first_release 首发日期直接当作 Latent-X2 的发布日 该日期属前代 Latent-X,本记录改为家族条目并写明边界(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。