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…

Mosaic:Escalante Bio

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

开源多目标蛋白设计库,把多个打分器组成可微损失做 binder 优化。

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

概况

字段 内容
名称 / 别名 Mosaic;有歧义、不自动链接:Mosaic
家族 否(单一开源库,无家族成员)
机构 Escalante Bio
机构类型 / 国家 AI 原生 biotech / 美国
模型类别 设计(多目标可微优化库)
领域 蛋白(次领域:分子生成)
首次发布 †(未核实)(依据:仓库创建与首次提交(本轮未检出更早的公开公告或论文)) 按口径仓库创建日不得作首发,故该日期必须显示为未核实;唯一打 tag 的版本为 v0.1.0(2026-10-06)
其他里程碑 最早公开证据 †(未核实)(仓库首次提交(不得作首发证据));代码发布 (首个打 tag 的版本 v0.1.0(为归档库存档))
最近更新 ,代码发布:加入结构模型接口约定与指数/几何采样器选项;近期提交新增两个结构后端与一个酶设计后端、移除一个旧后端;v0.1.0 于 2026-10-06 打 tag。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(MIT);权重:不明;本体无权重,依赖所调用的第三方打分器权重与其各自条款
状态 活跃:12 个月内有打 tag 版本与持续提交
报过的 benchmark 1 项计入(榜 1)
湿实验验证 2 条记录
全站实体页 无(全站实体库未检出对应页面)
截至 2026-11-16

做什么

不是单个模型,而是把共折叠预测器与其他打分项组合成一个可微分的多目标损失,再对序列做梯度优化来设计 binder,打分器可替换、可随新模型更新。与 BindCraft 同属打分器反传路线,但后端可换;与 BoltzGen 的训练式生成路线不同;常用后端来自 Boltz-2 一类模型。

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 — 榜单 参加该赛事的 de novo 赛道,结果页按设计列出、不按工具统计命中率;命中数为开发方自报 出处

其他评测(不在 44 项内)

  • 自测两靶点最小 binder(湿实验验证,自报):三个设计臂、两个靶点,报告最优臂的逐靶点命中率
  • 打分器可替换性演示(案例研究,自报):仓库演示把不同结构与酶设计后端接入同一优化流程

开发方称:把现成打分器组成可微目标即可设计出高比例结合的最小 binder,并在公开竞赛 de novo 赛道取得前列设计。

独立证据:组织方结果页收录该赛事的设计级结果,可对照投稿,但未按工具统计命中率,不构成对本库的独立评测。

训练数据

类别 值 说明 出处
a 公开库 否 无自有训练,依赖所调用模型的权重 出处
b 私有 / 授权 否 — —
c 自产 wet lab 训练数据 否 — —
d 仅用于验证的 wet lab 是 设计经一家蛋白测量服务商检测,仅用于验证 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
公开竞赛投稿(de novo 赛道) 1 10 9 9/10 — 10 条设计、单一靶点,开发方自报 developer blog 自报 †(未核实) 已核实 组织方与其测量服务商执行,命中数为开发方自报 「第一至第四」指它的四条设计在 de novo 中按亲和力排前四,不是参赛者名次,组织方的参赛者排名不同;保留 n=10、单靶点的限定 出处
自测最小 binder(两个靶点) 2 60 — 8/10 与 7/10(三个设计臂中的最优臂) | 8/10 and 7/10 (best of three design arms) — 每方法每靶点 10 条设计,三种方法跨两个靶点共送测 60 条 developer blog 自报 †(未核实) 已核实 由一家蛋白测量服务商执行 两个比率是逐靶点挑出的最优方法臂,必须写明是三臂中选优 出处

背景

  • 机构:一家小型蛋白设计公司,主打最小 binder 的计算设计与开源工具;招聘页自称资金充足的初创公司,成立年份、融资额与员工数均无公开披露,故不列数字。
  • 融资:未披露
  • 产品与合作:产品即该开源库,另有把一个开源 binder 生成模型移植到另一框架的开源工作(据开发方社交帖,二手);未披露药企合作。
  • 相关模型:BindCraft、Boltz-2、BoltzGen

怎么看

  1. 9/10 只有 10 条设计、单一靶点,置信区间很宽。
  2. 名次口径要分清:排前四的是它的设计,不是参赛者名次。
  3. 8/10 与 7/10 是三臂中选优的结果,不能当作单一方法的命中率。
  4. 它是库不是模型,表现随所选打分器变化;首发日期按口径不可用,显示为未核实。

局限与注意

  1. 首发依据为仓库创建/首次提交,按口径不可用,必须标未核实。
  2. 命中率与名次均出自开发方博客,赛事按亲和力排名。
  3. 本体无训练与权重,表现不可独立归因于该库。
  4. 自测博客页无可证日期。

来源

  1. 代码仓库(仓库)
  2. 版本列表接口(仓库)
  3. 开发方竞赛博客(公司博客)
  4. 开发方最小 binder 博客(公司博客)
  5. 赛事结果页(榜单)

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 拿下 de novo 第一至第四名(参赛者名次) 它的四条设计按亲和力排前四,组织方的参赛者排名不同 — 依据 2026-11-16
wetlab_validation 两靶点命中率 8/10、7/10 同上数字,但须注明为三个设计臂中的最优臂 — 依据 2026-11-16
first_release 2025(无依据) 2025-01-12,依据为仓库创建/首次提交,按口径不可用,显示未核实 — 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。