把全课变成研发能力，
并看清未来 3–5 年
前五篇你学了生物、AI、数据、5 问核心、验证转化。这一篇做最后一件事：把这些零散知识焊成一条能转起来的发现流水线，用 IP 建一道商业护城河，看清四个前沿方向各自卡在哪，并领走一套分辨真伪的批判工具箱。贯穿全篇的暗线只有一句——数据，才是分子胶 AI 真正的护城河。
每个模块开头有「学习目标」和讲授脉络——先建立骨架，再看细节。
架构图 / 三维白空间 / 未来地图，配 2026 真实案例（带文献编号）。
每模块末尾的自测题先自己答，再点开「参考答案」对照。
读到任何「AI 能做 X」，都回到「能｜不能｜瓶颈」三栏校准一次。
到这里，你已经走完了一条很长的路。第一篇讲了泛素-蛋白酶体系统、E3 连接酶、降解子；第二篇讲了 AI 的表示与模型家族；第三篇讲了数据这条暗线；第四篇是全课心脏——围绕分子胶发现的「5 个核心问题」；第五篇讲了验证与临床转化。
但你可能已经发现一个尴尬的事实：单独一个工具，哪怕再厉害，也救不了一个项目。AlphaFold3 能算结构，可它在分子胶三元界面上的准确率只有约三分之一，而且大部分还是「背答案」（M6.3 会给你确切数字）；一个生成模型能吐出分子，但它给的高分不等于细胞里真能降解。所以真正的问题从来不是「我该用哪个工具」，而是——我怎么把这些工具，串成一条能转起来的流水线。
这条流水线，就是平台（M6.1）。有了平台你能做出好分子，但好分子守不住，于是要谈IP，建一道商业护城河（M6.2）。做完当下，要看未来——四个前沿方向各自卡在哪（M6.3）。最后，全课收口到一套批判工具箱，这是你的「毕业线」（M6.4）。
四个模块讲的东西看似不同——工程、法务、科研、思辨——但它们指向同一个结论：分子胶 AI 的护城河不在任何单点工具，而在专有数据的闭环。这一篇你会反复撞见它。读完若只能记住一句话，就记这句。
本篇地图（四张图串起「能力—商业—未来—批判」）
| 模块 | 核心问题 | 关键图 | 学完你能做 |
|---|---|---|---|
| M6.1 平台 | 怎么把全课技术拼成能转的流水线？ | DMTA 闭环架构图 | 为不同体量的组织设计一条以数据闭环为核心的发现流水线 |
| M6.2 IP | 做出好分子后怎么守住？ | 靶点×E3×骨架 三维白空间 | 用 AI 找 IP 白空间，并把 IP 当作立项约束前置 |
| M6.3 前沿 | 未来 3–5 年往哪走、卡在哪？ | 四方向「未来地图」 | 评估主要前沿方向的成熟度，看穿共同的数据瓶颈 |
| M6.4 批判 | 怎么分辨真本事与水分？ | 失败模式随身卡 + 逐句拆解 | 拿到任何论文/宣传/benchmark，用一套清单分辨含金量 |
- 分析说明 CADD/物理方法 + ML 模型 + 实验自动化 + 蛋白组学如何按 5 问拼成一条 DMTA 闭环流水线，并指出数据在各模块间如何回流。
- 评价对比中小 Biotech 与大药企的三种打法（自建 vs 采购 vs 合作），用「是否专有数据资产」这把尺子做取舍。
- 应用为一家约 30 人的 Biotech 设计一套最小可行平台（MVP），明确哪几块自建、哪几块外采、哪几块合作。
1为什么现在才谈平台
前面我们把所有零件都讲过了。但零件不等于机器。一台离心机、一管试剂、一个模型，单拎出来都没有竞争力——它们是商品，谁都买得到。真正分胜负的，是你能不能把它们组织成一条每跑一轮就变强一点的流水线。这一讲就是教你做这件组织的事。
先记住一个判断标准，它会贯穿整个模块：凡是市面上能买到的，就不是你的护城河。共折叠模型开源、对接软件商用、ADMET 预测有 API——这些谁都能装。你的护城河只能是别人没有的东西，而在分子胶领域，那个东西就是你自己湿实验产出的专有数据，以及让这些数据干净流动、复利回喂的工程能力。
2四大技术，按 5 问串成 DMTA 闭环
这条流水线由四块技术拼成，用贯穿全课的「5 问」来组织，落成 DMTA（Design–Make–Test–Analyze，设计-合成-测试-分析）的循环：
- Design（设计）对应 Q1（靶点 / neo-substrate 挖掘）＋ Q2（三元复合物 / 协同建模）＋ Q3（分子生成与优化）。技术栈：几何深度学习、共折叠模型（AF3 / Boltz / Chai）、生成器与自由能微扰（FEP）。
- Make（合成）把苗头变成一系列类似物。多数中小公司这一段外包给 CRO。
- Test（测试）对应 Q4 的功能与选择性验证。技术栈：细胞降解读出（HiBiT / Western blot）+ 全局蛋白组学（脱靶选择性的「终审裁判」，回扣 M5.1/M5.3）+ 生物物理（SPR / TR-FRET）。
- Analyze（分析）对应 Q5。把实验结果按 M3.3 的「实验 → 标签」映射变成训练信号，喂回 Design 段的模型——闭环就此完成（回扣 M4.5）。
关键不是这四块各自多先进，而是它不是一条直线，是一个带回流的环。Q5 跑出来的实验数据要回喂 Q1–Q4 的模型，转完一圈再来一圈，每一圈都让下一圈更准。这才是 DMTA 的灵魂。
3本讲真重点：护城河在数据闭环，不在工具
这是整个模块要敲黑板的地方。平台 ≠ 买齐工具。你把市面所有工具买回来堆一起，那不叫平台，叫「工具仓库」。真正的真功夫，是研发数据闭环的工程化——让你每一轮湿实验产出的数据干干净净地流动、标准化地回喂、随轮次复利。
这正是 M3.4 讲过的 QuEEN 数据飞轮原理的工程落地：实验 → 数据 → 更好的模型 → 更聪明的下一批实验 → 更好的数据……外人没有你的内部蛋白组数据，就追不上你。所以平台建设的核心工作量，其实在数据治理（策展、本体统一、FAIR 原则、实验元数据捕获），而不在调模型。很多团队把这件事的顺序搞反了——先猛调模型，想着「数据治理以后再说」，结果每一轮湿实验产出的数据都因为没标准、没元数据而白白浪费，飞轮根本转不起来。
「先把模型调好，数据治理以后补」——错。数据治理是飞轮能转的前提，不是装饰。治理欠的债，会让你每一轮花真金白银做出来的实验数据都无法回喂，等于白做。正确顺序：先搭好干净的数据管道（ELN、本体、元数据捕获），再谈模型。
4组织与战略：自建、采购，还是合作
讲完技术，更要紧的是组织选择，因为这才是真正决定一家公司能不能活下来的地方。同一条流水线，大药企和中小 Biotech 的打法完全不同。大药企家底厚，可以全栈自建——数据、模型、湿实验、结构产能全自己养。中小 Biotech 不能这么干，必须算账。
怎么算？用一把尺子分流，这把尺子就是「是否构成专有数据资产或差异化模型」：
自建BUILD
核心专有数据引擎（自家蛋白组降解谱）、差异化模型、数据治理与本体统一——这些是护城河，必须握在手里，绝不外包。
采购BUY
通用计算工具：共折叠模型、对接 / FEP、ADMET 预测、ELN / 数据平台。人人都能装的能力，买现成更划算，不要重复造轮子。
合作PARTNER
重资产、按需用的产能：结构生物学（cryo-EM 解三元）、高通量湿实验、CRO 合成、蛋白组质谱机时。固定成本太高，按需租用。
这家公司专攻某一类组织特异性 E3（比如某个在特定肿瘤里高表达的 DCAF 家族成员）。30 人、资金有限，怎么搭？一句话原则：把全部稀缺资源压在「一个窄赛道的专有数据」上，其余全部租用。
这样一家 30 人的小公司，也能在自己那个窄赛道上跑得比巨头还快——因为巨头摊子大，未必有你这条赛道上的专有数据。
把数据飞轮工程化，让 DMTA 真正转起来、随轮次复利。
靠买齐工具就凭空变出竞争力——工具是商品，谁都买得到。
真正的瓶颈在数据治理与闭环工程，不在单点工具的先进程度。
参考答案
参考答案
参考答案
- 理解说明分子胶专利的两条线——组合物专利（composition-of-matter）保护什么、机制/用途专利保护什么，以及为什么分子胶比传统小分子更依赖后者。
- 应用用 AI 在 靶点 × E3 × 骨架 三维空间做专利地形分析、识别「白空间」，并据此评估 FTO（自由实施）风险。
- 评价在「白空间但 FTO 有风险」的冲突情形下做立项权衡，给出至少两条可行路径。
1分子胶专利的两条线
专利保护的对象不止一种。对分子胶来说，最该理解的是两条线：
- 组合物专利（composition-of-matter）：保护分子本身的化学结构。这是最硬的一类——别人不能造你这个分子。但它也最容易被微调结构绕开：竞品换几个原子、改个骨架，就可能造出一个不落在你权利要求里、却干同样事的分子。
- 机制 / 用途专利：保护「用这一类胶去降这个靶 / 经由这个 E3」这件事。它不限定到某一个精确分子，而是罩住一个机制空间。
为什么分子胶尤其依赖后者？因为分子胶的活性高度依赖「靶 × E3」这一对组合——同一个降解事件，往往可以由结构上不同的分子来实现（回扣 M1.1 招募的机制）。所以一条写得好的用途专利，能罩住一整片「用某类化学去经由某 E3 降某靶」的空间，比单个组合物专利更宽、更耐绕。传统小分子靠占住一个口袋起效，结构与活性绑得更死，组合物专利就够硬；分子胶不一样，机制专利常常才是真正的护城河。
2AI 的新用法：专利地形分析与白空间识别
这是 AI 在 IP 上最有价值的新用法。把已公开的专利与文献，映射到一个三维坐标系：
- X 轴：可成胶靶点（回扣 M4.1 的可成胶靶点空间）
- Y 轴：E3 连接酶（回扣 M1.2 的 E3 版图）
- Z 轴：化学骨架
已被占的「靶 × E3 × 骨架」组合是实心格子，没人占的就是白空间。AI 能加速地把这张三维地图铺出来，让你在立项前就主动往无人区走，而不是等做完科学才发现整条线撞了车。
3白空间 ≠ 自由实施：FTO 风险评估
这是最容易踩的坑。白空间的意思只是「没人占这个精确组合」，但你的分子可能仍落在别人某条宽泛权利要求（claim）的覆盖范围内。比如有人申请了一条不限定骨架的用途专利，写的是「经由某 E3 降解某类靶」——那么哪怕你用了全新骨架（精确组合确实没人占），你依然可能撞进这条 claim。所以——
白空间 ≠ FTO（自由实施）通过。AI 的地形分析只是一个线索生成器，帮你把候选往无人区导；但最终的 FTO 结论必须由专业法务给出。宽泛权利要求恰恰是机器最容易漏的——专利文本到化学结构/机制的映射并不完美，一条用自然语言写得很宽的 claim，很难被三维结构坐标完整捕捉。
AI 发现「靶 A × DCAF-X × 某新骨架」是白空间，看起来无人占。但法务检索发现某竞品有一条不限定骨架的宽泛用途专利，写的是「经由 DCAF-X 降解 A 类靶」。此时白空间是真的（精确组合没人占），FTO 却有风险（落在宽泛 claim 内）。你怎么办？至少有三条可行路径：
结论永远由法务定，AI 只把选项摆出来。这正是「IP 是和分子设计同等重要的立项约束」的含义——它要前置进决策，而不是等科学做完再补。
AI 加速专利地形铺设与白空间识别，把立项往无人区导。
替代专业 FTO 法律判断——地形分析只是线索，不是结论。
专利文本到结构/机制的映射不完美，宽泛权利要求难以被结构坐标完整捕捉。
「先做科学，IP 后补」——错：白空间应在立项前置识别，否则可能整条线撞车。
「AI 地形分析 = FTO 结论」——错：需要法务，宽泛 claim 是机器最易漏的。
「白空间 = 自由实施」——错：是否被宽泛权利要求覆盖，是另一码事。
参考答案
参考答案
参考答案
- 评价评估四个前沿方向各自的价值与瓶颈：拓展 E3 空间、超越降解的胶、共价分子胶、诱导邻近的基础模型与生成式界面设计。
- 评价解释为什么这四个方向尽管路径各异，却大多撞在同一堵墙上——数据。
这一节给你一张未来地图。先说一句最重要的判断，免得读完只记住热闹：这四个方向都还早，而且——无论路径多不同——它们全都撞在同一堵墙上：数据（回扣全课暗线 M3.1）。下面逐个看。
1拓展 E3 空间 · 成熟度：早—中期
当前分子胶高度集中在 CRBN（小脑蛋白，主战场）。但人类基因组编码 600 多个 E3 连接酶，真正被用于靶向蛋白降解的只有寥寥几个——CRBN、VHL、MDM2、DCAF15、DDB1、βTRCP 等。[1] 前沿在于发现两类新 E3：组织/肿瘤特异性 E3（在肿瘤里高表达、正常组织少表达，能拓宽治疗窗口、降低毒性）和可配体化的新 E3。
这件事在 2024–2025 已经有了真实进展，不再只是设想：
研究者用一种「连接酶无关（ligase-agnostic）」的细胞表型筛选思路，对 BRD9 抑制剂的溶剂暴露区做化学修饰，造出一类无需 linker 的单价「靶向胶」，经由 DCAF16（而非主流 CRBN）选择性降解 BRD9，并在体内拿到概念验证。[2] 这正是「把 CRBN 之外的 E3 拉进可用工具箱」的活样本。
另一条线是用动态追踪底物受体丰度来做 E3 特异的降解剂发现：在 1 万个磺胺类化合物里筛出 dRRM-1，一个经由 DCAF15 降解 RBM39/RBM23 的分子胶，并用 TR-FRET 与全局蛋白组学验证了机制。[3]
卡点很清楚：绝大多数 E3 还没找到可成药的口袋，可配体化筛选缺数据。每开拓一个新 E3，几乎都要从零积累它的结构、配体和降解谱。
2超越降解的胶 · 成熟度：早期
「诱导邻近」这个机制，不止能用来降解（回扣 M1.3 的概念边界）。把两个东西拉到一起，可以做的事远不止此：
- 稳定剂（molecular glue stabilizer）：粘住目标、抑制其降解，从而提升某蛋白的水平——和降解正好相反。
- 诱导功能获得：通过拉近改变蛋白的活性或定位。
- 去泛素化酶（DUB）胶：把 DUB 拉到底物旁，主动去掉泛素标签。
- 作用于 RNA 等非蛋白靶标：把诱导邻近的对象从蛋白扩展到核酸。
它的价值，是把「诱导邻近」从一种降解手段，升级成一类通用的「事件诱导」平台。一个有意思的工具样本是 MRT-31619——一个让 CRBN 自身二聚并被降解的分子胶，相当于「化学敲除 CRBN」，几何上很非常规，适合用来理解三元复合物的边界（回扣 M1.3）。
卡点：每一种新机制都几乎从零积累数据——稳定、DUB、RNA 靶，各自的训练样本都极其稀少。
3共价分子胶设计 · 成熟度：早—中期
用共价弹头把胶锁在 E3 或靶上（回扣 M1.2 / M4.6 的共价路线），可以拿下那些浅口袋、难成药的体系。2024–2025 一个代表性进展，是把 DCAF16 的一个半胱氨酸开发成共价化学把手，用于理性设计单价降解剂——这类共价把手已在 RNF114、RNF4、FEM1B、RNF126、DCAF11 等多个 E3 上被陆续发现。[2][4]
共价能拿下浅口袋，但它带来的是新的难题，不是单纯的增强：共价反应性与选择性很难预测，脱靶共价是实打实的安全性隐患（一个乱反应的弹头可能把不该碰的蛋白也共价标记了）。所以共价是「换了一组权衡」，不是「免费的力量」。
4诱导邻近的基础模型与生成式界面设计 · 成熟度：最早期
这是最激动人心、也最早期的方向。终极愿景是：不再分步去做 5 个问题，而是同时设计蛋白与胶、端到端造出一个自然界不存在的 neo-PPI 界面（回扣 M0.2 的核心命题）——把整条流水线压缩成一个生成动作。
2025–2026 的进展是真实的，但要看清它在哪一层：原子级蛋白 binder 生成、全原子分子生成、部分隐空间流匹配（partially latent flow matching）等方法在蛋白-蛋白和蛋白-小分子界面设计上都在快速推进。[5] 针对分子胶三元结构，已经出现专门的深度学习方法 DeepTernary，它在自建的 TernaryDB 上学习、可快速预测 PROTAC 与分子胶诱导的三元复合物结构。[6] 生成式分子胶设计也有了realistic 的尝试，比如用「连接酶条件化」的生成模型（LC-JT-VAE）针对不同 E3 生成可合成的候选分子。[7]
不要指望「foundation model 一来就解决一切」。新 E3、新机制、共价体系、端到端生成——每一个都缺训练它所需的标注数据，而端到端生成恰恰是其中最缺数据的那个。所以 foundation model 同样受数据限制。这也正是为什么第三篇的数据飞轮才是真正的护城河：在数据稀缺的领域，谁有专有数据，谁就有未来。
拓展 E3 空间
早—中期组织/肿瘤特异性 E3、可配体化新 E3 → 拓宽治疗窗口。墙：多数 E3 无可成药口袋、可配体化数据稀缺。活样本：DCAF16 降 BRD9[2]、dRRM-1 经 DCAF15[3]
超越降解的胶
早期稳定剂 / 功能获得 / DUB 胶 / RNA 等非蛋白靶。墙：每种新机制几乎从零积累数据。工具样本：MRT-31619（化学敲除 CRBN）
共价分子胶设计
早—中期共价弹头拿下浅口袋、难成药体系（DCAF16/11 路线）。墙：反应性/选择性难预测，脱靶共价存安全隐患。进展：DCAF16 半胱氨酸共价把手[4]
诱导邻近基础模型 / 生成式界面设计
最早期同时设计蛋白与胶、端到端造 neo-PPI（回扣 M0.2）。墙：最缺数据，受 M3.1 瓶颈最重。进展：DeepTernary[6]、生成式 LC-JT-VAE[7]
5顺便看一眼临床：这门生意是真的
前沿之外，也别忘了分子胶当下已是有硬终点的临床现实，而不只是机制故事。这能帮你校准「值不值得投入」的判断：
下一代 CELMoD 已从「在研」走向「读出」：mezigdomide 的 III 期 SUCCESSOR 系列、iberdomide、golcadomide（BMS）持续推进，mezigdomide 的首个获批预计在 2026–2027。[8]
新一代分子胶公司也在拿数据：Monte Rosa（Nasdaq: GLUE）的 NEK7 导向分子胶 MRT-8102 在 1 期里让高 CVD 风险人群的 hsCRP 大幅下降（约八成），并显示约 80–90% 的 NEK7 降解；其 VAV1 导向的 MRT-6160 已与 Novartis 合作推进 2 期；GSPT1 导向的 MRT-2359 在前列腺癌（mCRPC）联合用药中显示活性。[9] AbbVie × Neomorph、Lilly × Magnet、Monte Rosa × Roche 等大额合作也接连落地。[8][10]
对学员的意义：当你评估一个前沿方向「值不值得做」时，记住分子胶已经有 III 期阳性与多笔重磅合作背书——它不再是 PPT 上的概念，而是一条有真实临床读出与资本投入的赛道。但也正因为热，M6.4 的批判工具箱才更重要。
识别四个方向各自的价值与成熟度，判断哪些已有真实概念验证。
指望任何一个方向短期内解决「数据稀缺 + 向新型体系泛化」的根本问题。
共同瓶颈仍是数据与向新型体系的泛化（回扣 M0.4/M3.1）——这正是为什么数据飞轮才是真护城河。
「foundation model 快来了就解决一切」——错：它同样受数据限制，而且是四个方向里最缺数据的那个。
「共价就是更强的胶」——错：共价带来的是选择性与安全性的新难题，不是单纯增强。
参考答案
参考答案
参考答案（示范，非唯一）
- 评价用一份「失败模式清单」批判性地读论文 / 宣传 / benchmark，认出每个声明背后的常见陷阱。
- 评价逐句拆解一段「AI 设计的药物」营销话术，区分真本事与水分。
我们到了最后一节，也是这门课的毕业线。把它叫做整门课的「免疫系统」——前面学了那么多 AI 的本事，这一节给你打一针疫苗：让你在面对任何一篇论文、任何一段宣传、任何一个 benchmark 时，不会被轻易骗到。它把 M0.4 的立场和 M2.5 的方法论，收成一套可以随身携带的工具箱。
1先看一个把全课立场钉死的数字
为什么我们整门课都在说「诚实优先于炒作、数据才是护城河」？因为有冷冰冰的 benchmark 数据撑着。MGBench（分子胶三元结构预测基准）是最该记住的一个：
研究者整理了 221 个非共价分子胶三元复合物（MG-PDB），并用时间切分（time-split）挑出 88 个训练截止之后才发布的结构作为干净测试集（MGBench），系统评测了 AF3、Boltz-1、Chai-1、Protenix、RoseTTAFold-All-Atom 五个共折叠模型。[11]
表现最好的 AlphaFold3：蛋白-蛋白界面预测成功率约 50.6%，分子胶-蛋白相互作用恢复率约 32.9%。听起来还行？关键在后半句——同源性分析表明，它大部分的「成功」其实来自记忆（memorization），而不是真正的泛化。模型对大界面、domain–domain 复合物、降解剂复合物尤其吃力，遇到新型 E3 体系基本失灵。[11]
这就是为什么本课反复说：「33% 已经不高，而这 33% 还掺了背答案的水分。」非共价分子胶三元结构整个 PDB 里也只有约两百个量级——没有数据，再漂亮的 foundation model 也学不会泛化。
2失败模式随身卡
下面这张卡，把全课讲过的失败模式列成一张随身清单，每条都钉回它的来源模块。读任何一篇「AI 设计分子胶」的论文或新闻，先把这八条在心里过一遍。
3实战：逐句拆解一段宣传
光有清单不够，来做一次实战。下面是一段典型风格的「AI 设计分子胶」宣传稿，逐句标注——哪句是真本事（有据可验）、哪句是半真（有水分但不全假）、哪句是话术（偷换口径/夸大/无实证）。读的时候先盖住右边自己判断。
4收口：既不轻信，也不轻蔑
最后，把整门课收口到一句价值观，请你记一辈子。对 AI，我们既不轻信，也不轻蔑。轻信，是它说什么你信什么，被话术牵着走；轻蔑，是觉得 AI 都是泡沫、一概看不起，那你会错过它真正能做的事。正确的姿态是校准——既看见它真能做什么，也诚实承认它不能做什么。然后永远记得那条暗线：
数据，才是护城河。
拿到任何论文 / 宣传 / benchmark，能用一套清单分辨含金量与水分——这就是你的毕业线。
「批判 = 否定 AI」——错。批判是校准，不是轻蔑——既要看见它真能做的，也要诚实承认它不能做的。本模块不增加新技术，它把全课的判断力收成一套可复用的清单。
参考答案
参考答案
参考答案（评分锚点）
这一篇结束，整门课也接近尾声。把第六篇的能力串起来，正好是一个完整的毕业项目：用一条真实靶点，走一遍从「能不能做」到「该不该做」的判断。
Capstone：分子胶立项判断报告
选一个你感兴趣的真实靶点，把四个云端实验串起来跑一遍，最终产出一份《分子胶立项判断报告》：
- 第一步 · 可成胶性打分（接 M4.1）：这个靶点值不值得做分子胶？打分高不代表能降，记得标注不确定性。
- 第二步 · 三元结构置信度解读（接 M4.2 / M6.3 的 MGBench）：用共折叠模型算三元结构，但用 MGBench 的眼光读它——这是泛化还是记忆？置信度能信吗？
- 第三步 · 全蛋白组脱靶选择性分析（接 M5.1 / M5.3）：选择性的终审在蛋白组，不在预测。
- 第四步 · 生成苗头与可合成性 + IP 白空间（接 M4.3 / M6.2）：生成候选并讨论可合成性，同时用三维白空间看 IP，把 FTO 风险作为立项约束写进报告。
一份好的立项判断报告，不是「AI 说能做所以做」，而是逐点区分了 AI 能做什么、不能做什么、瓶颈在哪，并把数据资产、IP 约束、安全性风险都摆上了桌面。能写出这样一份报告，你就真正跨过了这门课的毕业线——既不轻信，也不轻蔑，并且永远记得：数据才是护城河。
- Molecular Glues: The Adhesive Connecting Targeted Protein Degradation to the Clinic. Biochemistry. 人类基因组编码 600+ E3 连接酶，仅少数（CRBN、VHL、MDM2、DDB1、DCAF15、βTRCP 等）被用于 TPD。
- Mode of action of a DCAF16-recruiting targeted glue that can selectively degrade BRD9. Nature Communications 2025. 连接酶无关筛选 + DCAF16 招募，体内概念验证。
- E3-Specific Degrader Discovery by Dynamic Tracing of Substrate Receptor Abundance. J. Am. Chem. Soc. 经 DCAF15 降解 RBM39/RBM23 的分子胶 dRRM-1，TR-FRET 与全局蛋白组学验证。
- DCAF16-Based Covalent Handle for the Rational Design of Monovalent Degraders. bioRxiv. 共价化学把手用于理性设计单价降解剂（另见 RNF114/RNF4/FEM1B/RNF126 等）。
- Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute. arXiv 2026；及 Protein design, generative AI and biological security, Front. Microbiol. 2026. 全原子 binder 生成与生成式蛋白设计进展。
- SE(3)-equivariant ternary complex prediction towards target protein degradation (DeepTernary). Nature Communications 2025. 基于 TernaryDB 的 PROTAC/分子胶三元复合物深度学习预测。
- Conditioned Generative Modeling of Molecular Glues (LC-JT-VAE). Biomolecules / arXiv 2025–2026. 连接酶条件化的可合成分子胶生成模型。
- Molecular Glue Degraders Redefining Targeted Therapies. MedComm – Oncology 2026；及 Molecular Glues Market（DelveInsight）. CELMoD 临床进展（mezigdomide/iberdomide/golcadomide）、AbbVie×Neomorph、Lilly×Magnet 等合作。
- Monte Rosa Therapeutics（Nasdaq: GLUE）公开披露文件. SEC 8-K / 10-Q 2026. MRT-8102（NEK7）1 期 hsCRP 数据、MRT-6160（VAV1，Novartis 合作）、MRT-2359（GSPT1，mCRPC）。
- Monte Rosa × Roche 合作协议. SEC 10-Q 2026. 肿瘤与神经疾病靶点的分子胶降解剂合作。
- Benchmarking Cofolding Methods for Molecular Glue Ternary Structure Prediction (MG-PDB & MGBench). J. Chem. Inf. Model. / bioRxiv 2025–2026. 221 个 MG 三元复合物、88 个 time-split 测试结构；AF3 PPI 界面 50.6%、MG-蛋白恢复 32.9%，多数成功源于记忆。
说明：以上为本篇正文事实的来源依据，便于学员延伸阅读与核查。具体卷期与 DOI 以各期刊/数据库正式发表版本为准；领域更新很快，建议结合最新文献阅读。