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…

tFold:Tencent AI for Life Sciences Lab

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

抗体结构与设计系统:免 MSA 的结构预测加表位特异的从头设计。

抗体 · 大厂实验室 · 中国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 tFold;别名:tFold-Ab、tFold-Ag
家族 否(单一模型条目,非家族)
机构 Tencent AI for Life Sciences Lab
机构类型 / 国家 大厂实验室 / 中国
模型类别 抗体结构与设计系统
领域 抗体
首次发布 (依据:bioRxiv v1 预印本(仓库创建日不作首发))
其他里程碑 预印本 v1 (bioRxiv v1);期刊上线 (期刊在线发表(设计流程));代码发布 (GitHub v1.0 打包发布)
最近更新 ,期刊发表:设计流程论文正式发表;GitHub 最后一次推送为 2025-03-14 的打包发布。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:部分开放;权重:按申请提供;GitHub 声明提供源码与权重,但未声明标准开源许可
状态 活跃:12 个月内有期刊发表
报过的 benchmark 0 项计入
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

抗体结构与设计系统:免 MSA 预测抗体结构,预测抗体-抗原复合物,再结合虚拟筛选与表位特异的从头设计;线上服务挂在公司的药物研发平台上。

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)

  • 抗体结构时间划分测试(自建任务集,自报):169 个时间划分抗体结构,与多个通用折叠与抗体专用模型比较
  • 抗体-抗原对接测试(自建任务集,自报):99 个复合物的对接成功率;单独使用时低于通用共折叠模型,加集成或表位输入后更高
  • 虚拟筛选(自建任务集,自报):对两个候选池排序,开发方报告富集指标

开发方称:开发方称免 MSA 的抗体结构预测在抗体区域优于通用折叠模型,且设计流程在四个靶点上得到 SPR 确认的从头结合体

独立证据:未检出独立证据(未检出独立评测)

训练数据

类别 值 说明 出处
a 公开库 是 公开抗体结构库(按 2022-07 时间划分)与公开序列用于语言模型 —
b 私有 / 授权 否 — —
c 自产 wet lab 训练数据 未披露 自产训练用湿实验数据未披露 —
d 仅用于验证的 wet lab 是 噬菌体展示与 SPR 在四个靶点上验证 —

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
四靶点从头设计 4 10 — approximate success rate 1.5-4.4% (no per-target breakdown) 最佳 PD-L1 KD 45 pM;最佳 PD-1 KD 81.6 nM / best PD-L1 KD 45 pM; best PD-1 KD 81.6 nM 每个靶点合成 10,000 对 Fab,最终以 SPR 测定 10 个 Fc 融合抗体;成功率约 1.5%–4.4%,无逐靶点拆分 Nature Communications paper 自报 — 已核实 — 已在期刊正文核实,原未核实标记解除;站上旧写法"约 82 nM"应为 81.6 nM。此前被当作 tFold 来源的预印本其实属 IgGM,其数字不得归给本模型 出处

背景

  • 机构:腾讯在深圳的自有实验室,由公司资助,无独立融资
  • 融资:未披露或不适用
  • 产品与合作:线上服务挂在公司的药物研发平台;姊妹系统 IgGM 共享作者
  • 相关模型:IgGM / IgGM-FM、RFantibody、AlphaFold 3

怎么看

  1. 站上曾把 IgGM 的预印本列为本模型来源,数字必须分开
  2. 成功率只有 1.5%–4.4% 的总体区间,无逐靶点数字
  3. 未在 44 项 benchmark 上报告结果

局限与注意

  1. 未声明标准开源许可,权重使用条件不明
  2. 结构与对接评测均为自建时间划分集

来源

  1. PubMed/PMC 全文(期刊)
  2. bioRxiv 预印本(预印本)
  3. Crossref 记录 10.1038/s41467-025-67361-9(期刊)
  4. GitHub 仓库 TencentAI4S/tfold(仓库)
  5. 期刊论文 DOI 10.1038/s41467-025-67361-9(期刊)

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
sources 列出 IgGM 预印本作为 tFold 来源 改为本模型的期刊论文;IgGM 的数字不得归给本模型 — 依据 2026-11-16
wetlab_validation 最佳 PD-1 KD 约 82 nM 81.6 nM(期刊正文) — 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。