BindCraft

原理

BindCraft 通过对 AlphaFold2 做幻觉式反向传播生成 binder 骨架，再用 ProteinMPNN 重设计序列并以 AF2 复折叠过滤，无需对每个靶点重新训练模型。由 EPFL 团队开发，论文发表于 Nature 2025 [1]。

命中率证据

站内"目标到 binder"一文汇总：RFdiffusion 约 19%、AlphaProteo 9–88%、BindCraft 平均约 46%、Chai-2 单设计 16% RFdiffusion / RFdiffusion2 AlphaProteo Chai-2。需注意这些是论文口径，且靶点选择有偏。Adaptyv EGFR 竞赛中，BindCraft 最佳 de novo 设计约 82–92 nM，冠军由 Cradle 的 1.21 nM 取得 [2]。Proteinbase 公开快照中 BindCraft 为 600 条设计、177 条命中（官网口径）。

局限与争议

• 生产环境未过滤输出的命中率远低于论文，论文数字多为经内部过滤后的结果。
• 依赖 AF2 置信度打分，共折叠分数对亲和力预测弱，难以预警失败靶点。
• 属于仿真侧筛选，终须湿实验验证，见 Adaptyv 蛋白设计竞赛 与 Anthropic 蛋白 binder 实验。

来源

1. Pacesa et al., BindCraft, Nature 2025（站内 target-to-binder-sim2real 页引用）
2. bioRxiv 10.1101/2025.04.17.648362v2 BenchBB (2026-10-15)