丙氨酸扫描（Alanine Scanning）是一种常用的蛋白质功能位点分析方法。将蛋白质中的某个残基逐一突变为丙氨酸（Ala, A），观察突变前后蛋白稳定性、结合能力或功能活性的变化，从而判断该残基对目标功能的重要性。丙氨酸常被用作扫描氨基酸，主要原因是：Ala 侧链只有一个甲基，能够去除原残基的大部分侧链相互作用；Ala 通常不会像 Gly 一样显著增加主链柔性；Ala 对蛋白主链构象扰动相对

Agent之所以重要，不是因为它比普通模型更会聊天，而是因为它开始能够使用外部能力完成任务。Tool Calling让Agent可以调用外部工具；Function Calling让调用过程结构化；Tool Schema定义工具参数和输出格式；Tool Descriptor帮助模型理解工具边界；Tool Registry管理可用工具；Tool Router负责选择合适工具；Tool Retrieva

Agent之所以重要，不是因为它比普通模型更会聊天，而是因为它开始能够使用外部能力完成任务。Tool Calling让Agent可以调用外部工具；Function Calling让调用过程结构化；Tool Schema定义工具参数和输出格式；Tool Descriptor帮助模型理解工具边界；Tool Registry管理可用工具；Tool Router负责选择合适工具；Tool Retrieva

AI Agent不是简单的聊天机器人。Agentic System也不是把几个模型堆在一起。真正的智能体系统，关键在于把目标、任务、动作、观察、规划、执行和反馈组织成一个可运行、可控制、可追踪的过程。AI Agent让模型开始围绕目标行动；Agentic System让多个智能体和工具形成协作体系；Autonomous Agent强调更强的自主推进能力；Copilot强调人在主导、AI在辅助；Ag

AI Agent不是简单的聊天机器人。Agentic System也不是把几个模型堆在一起。真正的智能体系统，关键在于把目标、任务、动作、观察、规划、执行和反馈组织成一个可运行、可控制、可追踪的过程。AI Agent让模型开始围绕目标行动；Agentic System让多个智能体和工具形成协作体系；Autonomous Agent强调更强的自主推进能力；Copilot强调人在主导、AI在辅助；Ag

如果有自己的模型服务，也可以配置自定义模型接口。# 使用自定义模型服务这对企业内部场景尤其重要。因为在真实药企或科研机构中，很多数据不能直接发送到外部模型服务。内部大模型内部数据库内部结构预测平台内部文献知识库内部权限和审计系统Biomni 的架构思路可以为这种企业内部 Agent 建设提供参考。Biomni 的真正意义，不在于它已经能够替代科学家，而在于它展示了一种新的科研系统形态。模型能不能预

AlphaFold3 源代码改用 Apache 2.0，表面上是一次许可证调整，实际上是结构预测生态变化后的战略再定位。它说明 DeepMind 已经意识到，继续限制代码并不能阻止开源生态追赶。与其让 AlphaFold3 在社区中变成一个被围观但难以复用的封闭参考，不如放开代码，重新进入开源开发者的工作流。但它也说明，DeepMind 并没有真正放开 AlphaFold3 的核心能力。权重、输出

抗体结构预测已经从模板建模时代，走向语言模型、等变网络和多分子复合物预测时代。IgFold、ImmuneBuilder、ABodyBuilder3 等模型让抗体单体结构预测更加快速和规模化。AlphaFold-Multimer、AlphaFold3、Boltz、Chai 等模型拓展了抗体-抗原复合物建模的可能性。HERN、tFold、AntiFold 等方法则开始把结构预测、docking 和抗体

AlphaFold1 证明了深度学习可以突破传统结构预测瓶颈。AlphaFold2 让单链蛋白结构预测接近实验精度，极大改变了结构生物学的工作方式。AlphaFold-Multimer 把结构预测推进到蛋白复合物层面。AlphaFold3 则进一步把问题从“蛋白如何折叠”推进到“生命分子如何相互作用”。从结构约束，到蛋白结构；从单体蛋白，到蛋白复合物；从蛋白折叠，到生命分子相互作用。但 Alpha

ESMFold 很重要，但它只是 ESM 系列价值的一部分。如果只把 ESMFold 看成一个“快速版 AlphaFold”，就低估了 ESM 的意义。它把蛋白质序列从字符串变成了可计算、可表示、可推理的生命语言。当模型能够从海量序列中学习结构、功能和进化约束时，蛋白质研究就不再只是一个个实验对象的积累，而开始成为可以系统建模的语言空间。ESMFold 告诉我们，单条蛋白序列中已经隐藏着大量结构信