Inductive 在 OpenADMET CYP 抑制盲测中夺冠，连续第四次登顶 AI 药物发现基准
Inductive 在 OpenADMET CYP Direct Inhibition 盲测中排名第一，领先来自生物制药、学术与 AI 机构的 270 余名参赛者，NVIDIA 与 Recursion 分列第三、第四。
推荐理由：Inductive 在 OpenADMET CYP 抑制盲测中领先 270 余支队伍，可对照其连续四次登顶的 ADMET 建模路线。
#小分子生成
Inductive Bio 官网资讯精选AI 评分6363
BioTender精选AI 评分7878 MolRSI：自进化分子发现智能体以跨任务经验优化工作流，抗菌筛选命中率15.9%
东北大学、Broad研究所等机构在arXiv预印本中提出自进化分子发现智能体MolRSI，把模型选择与组件组合等工作流作为优化对象，并用跨任务记忆积累可复用经验。
推荐理由：研究把分子发现工作流本身作为优化对象，并用抗菌筛选与pMHC结合蛋白两条湿实验路线检验其产出。
智药邦精选AI 评分5858 npj Drug Discovery综述提出TechBio 3.0：AI制药如何把预测、设计与实验连成闭环
牛津大学Krish Ramadurai与Abhirup Banerjee在《npj Drug Discovery》发表综述，用TechBio 3.0概括将多模态AI、生成式化学与自动化实验接入同一反馈体系的研发方式，并区分1.0性质预测、2.0靶点发现与分子生成、3.0实验反馈持续更新模型与设计。
推荐理由：文章以综述框架梳理多模态AI、生成式设计与自动化实验的闭环，并借两个企业案例说明证据边界。
Oxford Protein Informatics Group · Blog精选AI 评分5858 别再用胜率：跨基准任务比较模型排名的统计方法
牛津蛋白信息学组博客指出，化学信息学论文常用胜率（模型在任务中排名第一的比例）评估基准表现，但该指标会掩盖微小差距、缺乏统计检验，并隐藏模型在部分任务上的严重失败。
推荐理由：文章用模拟数据演示胜率指标如何掩盖模型弱点，并给出任务内与跨任务的统计比较替代流程。
奶牛猫的CADD实验室精选AI 评分6363 arXiv 预印本：GEOM-DRUGS 参考集遗漏低能构象，影响构象生成模型评分
一篇 arXiv 预印本系统检验 GEOM-DRUGS 参考构象集的完整性，发现五种生成模型（GeoMol、GeoDiff、Torsional Diffusion 等）在 384 个分子上生成的构象中，有 2.3%–7.0% 经 GFN2-xTB 优化与合理性检查后属合理低能构象却未被参考集覆盖。
推荐理由：研究指出构象基准参考集本身可能遗漏低能构象，为生成模型的评测方式提供了具体参照。
智药邦精选AI 评分7878 上海药物所郑明月等发布MolGenBench：系统评测17种AI药物生成模型
同济大学、中国科学院上海药物研究所、上海科技大学与临港实验室团队在《Nature Communications》发表论文，构建结构基础药物发现评测基准MolGenBench，在120个蛋白质靶点和600个化合物系列上系统评估17种分子生成方法，覆盖从头设计与苗头到先导优化两个阶段。
推荐理由：该研究用120个靶点和600个化合物系列横向比较17种分子生成方法，为判断生成模型能否产出真实活性分子提供参照。
BioTender精选AI 评分6060 AISI与SecureBio用编程智能体复现ProteinMPNN、RFdiffusion3与CMD
英国AI安全研究所AISI与SecureBio合作的ReproBAIT预印本让Claude Opus 5、GPT-5.6 Sol、Kimi K3和Qwen3.8-2.4T四个编程智能体在提供训练数据与A10G GPU的条件下限时复现三个生物AI工具。
推荐理由：研究用编程智能体限时复现三个生物AI工具，给出闭源与开源工具可迁移性的具体边界。
BioTender精选AI 评分7373 多伦多大学等提出SELECTBENCH，评测九种生成模型难区分目标与脱靶蛋白
多伦多大学、Mila 等机构提出 SELECTBENCH，将目标与脱靶蛋白同时纳入评价，评测九种结构驱动小分子生成模型的选择性。
推荐理由：该基准把目标与脱靶口袋同时纳入评测，揭示生成模型在相近蛋白上的选择性短板与阈值取舍。
智药邦精选AI 评分6262 Nature Reviews Drug Discovery对话OpenBind：以开放蛋白质-小分子数据填补AI药物发现缺口
《Nature Reviews Drug Discovery》发表科学记者Asher Mullard对牛津大学教授、OpenBind项目联合负责人Charlotte Deane的访谈，讨论AI为何尚未在小分子药物发现中复制AlphaFold的成功，核心判断是瓶颈已从模型转向数量充足、分布合理且同时包含结构与结合强度的数据。
推荐理由：借OpenBind项目说明结构型AI药物发现受制于数据而非模型，并给出稠密实验数据的建设路径。
BioTender精选AI 评分7272 Leash Biosciences 发布 Minos 工作稿：用真实湿实验构建分子搜索环境评测 AI
Leash Biosciences 的 Minos 工作稿把预先完成的 DNA 编码化合物库实测结果封装成可反复查询的分子搜索环境，模型每局最多测试 100 个分子、每批最多 5 个。
推荐理由：工作稿把已完成的湿实验封装成可反复查询的分子搜索环境，并给出结构打乱与靶标遮蔽对照，便于理解评测边界。
Pranam Chatterjee精选AI 评分6767 LFD 框架用 LLM 自适应课程微调肽和小分子流模型
研究提出 LLM-to-Flow Distillation（LFD）方法，从“设计具有抗癌活性的肽”或“设计结合 D2 多巴胺受体的小分子”等自然语言目标出发，通过迭代 DPO 将 LLM 生成子目标的知识蒸馏进科学生成器。
推荐理由：该方法把自然语言目标蒸馏进肽与小分子流模型，并在留出计算评测中与奖励引导方法比较。
AI药物设计实验室精选AI 评分7272 ICLR 2026 论文 MolecularIQ 评测 38 个大模型化学结构推理，最高准确率 47.5%
约翰内斯·开普勒大学等机构在 ICLR 2026 发表基准 MolecularIQ，用 RDKit 符号程序核验 38 个开源大模型对分子结构的计数、原子索引定位和约束生成能力，最高总体准确率为 GPT-OSS 120B（High）的 47.5%。
推荐理由：该基准用 RDKit 符号核验拆解分子结构推理，并揭示 SMILES 写法变化带来的性能落差。
DrugAI精选AI 评分7878 Nat. Comput. Sci.：主动学习与几何深度学习提升数据稀缺药物发现中的化学反应预测
研究人员提出主动学习、高通量实验与几何图神经网络组成的闭环流程，用于数据稀缺条件下的C–H硼化反应预测。经3轮主动学习新增50种底物、4,821次高通量实验，最终数据集含6,865条反应记录和568种底物，独特Bemis–Murcko骨架由105个增至147个。
推荐理由：研究把主动学习选样与几何图神经网络结合，在C–H硼化上展示数据稀缺条件下的实验闭环路径。
AI药物设计实验室精选AI 评分7474 同济大学等团队在 Nature Communications 发布 MolGenBench，评估17种结构基础分子生成方法
同济大学、上海药物研究所等团队在 Nature Communications 发表 MolGenBench，用活性找回、筛选效率、靶点感知和三维构象等指标评估17种结构基础药物设计方法，其中10种从头生成、7种先导优化。
推荐理由：该基准把分子生成评估从合规性推进到活性空间找回，并揭示先导优化与从头设计的差距。
Inductive Bio 官网资讯精选AI 评分6060 Inductive Bio 在 OpenADMET PXR 盲测挑战中夺冠，为连续第三次获第一
Inductive Bio 在 OpenADMET 的 PXR Blind Challenge 中排名第一，击败来自大型药企、生物技术公司、学术机构和 AI 组织的 350 多名研究者。
推荐理由：Inductive Bio 在 PXR 盲测挑战中夺冠，可与该公司连续三次盲测成绩及 ADMET 建模的真实条件评测对照阅读。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 提出 f-Trajectory Balance 损失族，用于分子生成与 LLM 的探索调优
Valence Labs 的 Jason Hartford 介绍其 ICML 论文 f-Trajectory Balance，提出一族损失函数用于微调 GFlowNets、生成模型和 LLM，并支持离策略与在策略数据。
推荐理由：作者从损失函数角度解释生成模型探索与利用的权衡，为分子生成和 LLM 微调提供可迁移的方法视角。
已经到底了