收录解读
AI for drug discovery 已经有大量生成模型和结构模型，但真正拖慢速度的往往是跨 literature review、target analysis、epitope selection、candidate design、validation 到 lab-ready selection 的整条研究工作流。多数系统只覆盖其中一段，而不是完整 campaign。
Latent-Y 的核心价值在于把这条端到端流程交给 autonomous agent 执行，并让它在与人类专家相同的工具、数据库和文献环境中工作。它不仅调用专门的 antibody design model 生成候选，还负责组织后续的计算验证与筛选。更关键的是，论文给出了 wet-lab validation：在 9 个 target 上得到对 6 个 target 有效的 lab-confirmed nanobody binders，并通过 user study 报告专家协作效率的大幅压缩。
它值得正式收录，因为它代表了一类更可信的 AI-for-science workflow paper：不是仅做 in-silico 打分，而是把 autonomous discovery、真实研究工具链和实验验证连成闭环。即便具体平台和模型栈带有公司色彩，这种‘autonomous campaign with lab validation’ 的工作流本身具有长期参考价值。
它没有升到更高一级，是因为当前体系仍明显绑定 Latent Labs 平台与 Latent-X2 模型，外部复现性、开放性和跨模态/跨任务可迁移性仍有限。现阶段更像一条非常强的 AI scientist workflow 样板，而不是已经被社区普遍复用的公共基础设施。