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…

Proteina-Complexa:NVIDIA (GenAIR)

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

全原子 binder 设计模型,生成式预训练加测试时算力扩展。

蛋白 · 大厂实验室 · 美国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 Proteina-Complexa;有歧义、不自动链接:Proteina
家族 否(前作 Proteina / La-Proteina 与下游酶设计模型各有自己的记录,不并为家族)
机构 NVIDIA (GenAIR)
机构类型 / 国家 大厂实验室 / 美国
模型类别 设计(全原子 binder 生成 + 测试时优化)
领域 蛋白(次领域:分子生成、小分子)
首次发布 (依据:开发机构研究页公布(会议 Oral 论文)) 最早可证公开证据;方法论文 arXiv v1 为 2026-03-30
其他里程碑 最早公开证据 (研究页公布);预印本 v1 (方法论文 arXiv v1);代码发布 †(未核实)(GitHub 1.0.0 提交);权重发布 †(未核实)(模型目录上线检查点(binder / 配体 / 酶 motif 三套));官方公告 (研究页)
最近更新 ,论文修订:湿实验战役的预印本上线;此前为方法论文 v1(2026-03-30)、代码与检查点(2026-03-16)、研究页(2026-01-26)。之后到 2026-11-11 的提交为安装与环境改动(原记为代码发布,kind 改为预印本上线)。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(Apache-2.0 announced on the code page; repository README points to LICENSE only);权重:仅研究用途(NVIDIA Open Model License (model-catalogue page also carries a proprietary header; wording inconsistent))†(未核实);训练代码与配置开放,检查点经公司模型目录下载;许可证表述在两处不一致,合成数据集只放二聚体 ID 列表
状态 活跃:12 个月内有预印本与代码活动
报过的 benchmark 1 项计入(改协议 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

把生成建模与幻觉式序列优化统一,直接生成 binder 的序列与结构,不需单独逆折叠步骤,并在推理时投入更多算力提高命中率;分阶段训练(单体、合成二聚体、PDB 多聚体、蛋白-配体对),另扩展到小分子靶点与酶 motif 设计。与 BoltzGen 同为开源生成式 binder 设计,与 RFdiffusion2/3 相比更强调测试时算力与合成数据规模。

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(改协议 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 开发方自报,协议有改动 是 — 自报 项目页写明参赛并链到组织方页面,但组织方页面未检出模型名,按口径归为组织方未确认的自报参赛 出处

提及但不构成配对:MotifBench、PLINDER / PINDER / Runs N' Poses。

其他评测(不在 44 项内)

  • 酶 motif 设计任务集(41 项)(站外公开 benchmark,自报):论文报告原子级 motif 酶设计 41 项任务,与前代设计模型对比;该任务集不在 44 项内
  • 自建全对全湿实验面板(湿实验验证,自报):127 靶点面板为开发方自建读出,不是公开 benchmark
  • 合作战役(项目级 133 靶点口径)(案例研究,自报):项目页称超百万候选覆盖 133 个靶点,127 靶面板是其子集
  • 算力匹配的计算成功率对比(仅与基线对比,自报):摘要称在同等算力下计算成功率高于既有生成与幻觉方法

开发方称:合成二聚体数据预训练加测试时算力,使计算成功率高于既有方法,并在 127 靶点合并筛选中 91% 的靶点拿到在靶命中。

独立证据:未检出独立证据(湿实验由合作实验室执行、结果由开发方汇总;未检出独立评测)

训练数据

类别 值 说明 出处
a 公开库 是 前作的 4,600 万结构-序列对、PDB 多聚体、PLINDER 蛋白-配体对,另加合成二聚体数据集 出处
b 私有 / 授权 未披露 — —
c 自产 wet lab 训练数据 否 未见把湿实验结果回灌训练的说法 出处
d 仅用于验证的 wet lab 是 大规模合作湿实验仅用于验证 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
全对全多重噬菌体展示筛选 127 1015870 115 在靶 115/127(91%);靶点特异 92/127(72%);多特异 78/127(61%) | on-target 115/127 (91%); target-specific 92/127 (72%); poly-specific 78/127 (61%) — 1,015,870 条设计序列在一次多重战役中对 127 个靶点读出 wet-lab preprint (posted 2026-09-18), not the method paper 自报 已核实 合作实验室执行,不是独立复现 特异与多特异两集不互斥;133 是包含该 127 靶面板的项目级总数,严禁相加 出处
算力匹配对照(计算与实验混合) 83 32469 702 1.87% — 83 个靶点、32,469 条共设计序列;702 个在靶命中,其中 607 个特异 method paper 自报 已核实 开发方自报 同表中的对照数字出自开发方自己的运行,不是独立重跑 出处

背景

  • 机构:开发方是一家上市 GPU 与 AI 平台公司(总部在加州 Santa Clara)的生成式 AI 研究组,生命科学模型线挂在其开放数字生物学平台下,资金来自公司研发预算,无独立融资。外部合著机构包括英国与加拿大的两所研究机构及一所韩国国立大学。
  • 融资:未披露
  • 产品与合作:湿实验合作方包括一家蛋白多重测量公司、一家 CRO、一家大型制药公司与四所大学实验室,多为验证合作,未披露金额;下游有与一所学术研究所合作的酶设计模型,在本模型基础上加显式骨架坐标并把采样步数从约 400 降到 60。
  • 相关模型:La-Proteina、RFdiffusion2/3、BoltzGen

怎么看

  1. 127 与 133 是两件事:127 是全对全面板,133 是项目级总靶点数且包含前者,引用命中率要写 115/127。
  2. 湿实验数字必须引湿实验预印本,不是方法论文;两者是不同事件。
  3. 命中定义是「该靶点至少一条设计结合」,不是逐设计命中率;且依赖测试时算力,与单次生成的模型不可直接比。
  4. Adaptyv 的参赛为自报、组织方未确认;MotifBench 论文未提及,PLINDER 只作训练数据。

局限与注意

  1. 唯一站内配对为组织方未确认的自报参赛。
  2. 大规模湿实验是验证而非训练,不构成数据飞轮。
  3. 许可证表述在代码页与模型目录页不一致。
  4. 合成数据路线的收益基本由开发方自报支持。

来源

  1. 方法论文 arXiv 2603.27950(预印本)
  2. 项目页(含湿实验预印本)(官方网站)
  3. 研究发表页(官方网站)
  4. 代码仓库(仓库)
  5. 模型目录检查点页(官方网站)

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 92 个靶点特异(无分母)、漏记多特异 115/127、92/127、78/127,并引湿实验预印本 — 依据 2026-11-16
latest_update 2026-03-30,代码发布 2026-09-18,湿实验预印本上线 — 依据 2026-11-16
benchmarks_reported 零配对 Adaptyv 改协议自报,模型离开零配对名单 — 依据 2026-11-16
benchmarks_reported 候选配对 MotifBench、PLINDER 均非配对:前者论文未提及,后者仅作训练数据 — 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。