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。
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。
Anthropic 于 2026 年 10 月 27 日集中公布六家机构使用 Claude 推进药物研发的早期案例，并宣布收购罕见病公司 Mithril Medicine。
推荐理由：梳理六家机构用 Claude 做药物研发的早期案例，逐项标出体外数据、对照缺失与验证边界。
Anthropic 公布 Claude 参与的六个药物研发合作与一个自有项目，并宣布收购由一人运营的 Mithril Medicine。
推荐理由：按证据强度分层梳理 Anthropic 七项药物研发动作，并指出分子设计项目缺少对照基线这一关键缺口。
浙江大学药学院侯廷军等在npj Drug Discovery发表观点文章，梳理智能体在药物发现中的应用并提出L0至L5六级自主性框架。作者从科学决策、系统自主性和人工参与程度三个维度划分能力，将能提出原创假设并组织端到端探索的L5“虚拟科学家”定位为长期愿景。
推荐理由：文章梳理智能体在药物发现中的能力分层，并给出区分工具调用与研究闭环的评估尺度。
牛津蛋白信息学小组博客解读Leash Bio两位联合创始人的预印本，作者用Bemis-Murcko骨架划分训练模型，仅凭分子结构识别1,815位药物化学家中的作者，top 5准确率60%、top 1准确率27%。
推荐理由：文章解读一项预印本发现，化学家风格信号可能混淆公开基准上的活性预测，并指出作者预测任务的评估局限。
Radical Numerics 发布技术报告，介绍 Tessera 数据混合方法：先为采样文档各训一个不到 1 亿参数的微型代理模型测出行为指纹，再降维成行为轴并用回归器外推到全语料，最后在行为空间聚类成派生源、用 MixMin 配权重。
推荐理由：梳理 Tessera 按文档行为指纹分组配比训练数据的方法，及其在 DNA 语料上的分组结果与规模限制。
由Evo和Evo 2原班人马创立的Radical Numerics于2026年6月15日公开亮相，并宣布5000万美元种子轮，由Emergence Capital领投，Obvious Ventures、Triatomic Capital、Factory、First Spark Ventures跟投。
推荐理由：梳理Evo团队新公司押注基因组基础模型的路线差异，并指出Omnii尚未开源、数字待独立复现的边界。
牛津大学 Charlotte Deane 在 Nature Reviews Drug Discovery 访谈中介绍其联合领导的 OpenBind 计划，目标是建成全球最大的开放获取药物-蛋白质相互作用数据集，以改进蛋白-小分子结合结构与亲和力预测。
推荐理由：OpenBind负责人谈蛋白-小分子结合数据缺口，并给出首组数据集与盲测挑战的具体规模。
EMBL-EBI 研究负责人 Julio Saez-Rodriguez 等人在一篇 Perspective 文章中讨论生物医学基础模型的基准评测，提出数据质量、模型仓库与评测框架三个相互关联的支柱，并主张将性能评估与方法开发隔离、由独立方在未见数据上评测。
推荐理由：EMBL-EBI 研究负责人系统梳理生物医学基础模型基准评测的三角框架与独立评测原则，为理解模型评测争议提供参照。
Valence Labs @ Recursion 的 Ihab 在文章中讨论显微图像深度学习模型究竟学到了什么，指出在部分细胞培养显微任务中，多个已训练模型的表现与未训练网络和像素统计等简单基线相近，说明基准分数中有一部分信号并不需要高层生物学表征。
推荐理由：作者结合自身基准测试经验，讨论显微图像模型何时学到真实生物学信号、何时依赖技术捷径，并提出可解释基线的设计思路。
Chemical Research in Toxicology 于5月2日发表《Machine Learning for Toxicity Prediction Using Chemical Structures。
推荐理由：33位产学研作者联合提出毒性预测框架，并给出与FDA人相关药物开发目标衔接的落地路径。