亚利桑那州立大学曹志超团队提出SweepANN，五亿分子对两万余口袋检索降至61秒
亚利桑那州立大学曹志超团队提出向量检索系统SweepANN，在四张RTX PRO 6000 Blackwell GPU上为两万六千余个蛋白口袋从约五亿个分子中检索前50万候选，GPU驻留检索耗时约61.04秒，平均召回率99.63%。
推荐理由：该预印本把DrugCLIP的向量检索环节从小时级压到分钟级，并给出召回率与显存占用的具体取舍。
#分子对接
DeepTech深科技精选AI 评分6868
药化猩球精选AI 评分5858 融合 Boltz-2、OpenDDE 与 Schrödinger 的 GPCR 设计管线及 GPR84 实战
作者以 GPR84 为例，介绍一套融合 OpenDDE 生成、Boltz-2 共折叠与亲和力快筛、Schrödinger 2026-4 膜显式 MD 与 FEP+ 的 GPCR 计算设计管线。
推荐理由：以 GPR84 为例拆解 AI 生成、共折叠快筛与物理终审的分级管线，并给出激动剂与抑制剂形态差异的实操约束。
予路乾行精选AI 评分5858 予路乾行参与的抗血栓药物发现研究发表：从2.2万化合物筛出2个先导分子
上海交通大学朱芳芳团队与华南理工大学张译月团队等合作在《Journal of Advanced Research》发表研究，围绕P2Y12受体结合配体基与受体基双重虚拟筛选、分子对接、分子动力学模拟和MM/GBSA，从2.2万余个化合物中优选42个候选，并验证VS-5584和GNE-493的抗血小板与抗血栓活性。
推荐理由：该研究展示从2.2万化合物经双重虚拟筛选收敛到42个候选、再经血小板与斑马鱼实验验证的完整路径。
Molence精选AI 评分6565 Molence 的 Mol-1 在 MGBench 分子胶预测中报告低同源条件 28.6% 联合成功率
Molence 的 Mol-1 在 MGBench 分子胶预测基准上报告联合成功率：已见条件 92.2%、高同源 74.6%、低同源 28.6%，最强评测基线在低同源条件为 19.1%。联合成功需同时满足配体 RMSD < 2 Å、lDDT-PLI > 0.8 和蛋白界面 DockQ > 0.23。作者同时引用的另一条内容称，在 Runs N' Poses 的 0–20 最低相似度区间，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%，通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Mol-1 在 MGBench 上同时考核配体位姿与蛋白界面，低同源条件下与最强基线的差距提供了具体参照。
DrugAI精选AI 评分7373 MetaPLI：结合三维结构与少量实验数据预测分子活性
北京大学来鲁华、裴剑锋课题组在 Digital Discovery 发表 MetaPLI，一种基于蛋白质—配体三维结构、以同靶标少量已测分子为参考的少样本绝对结合亲和力预测方法。
推荐理由：论文给出少样本活性预测在跨靶标测试与逐轮筛选模拟中的误差和排序表现，可对照FEP类方法看适用边界。
AI药物设计实验室精选AI 评分7070 俄亥俄州立大学MADDIE多智能体药物发现系统：50个靶点各交付100个候选分子
俄亥俄州立大学Xia Ning团队提出MADDIE多智能体药物发现系统，由中央Orchestrator调度HitIdentifier、LeadOptimizer、Evaluator和Synthesizer四个专职智能体，在50个蛋白靶点上均交付100个满足对接评分、类药性、合成难度、毒性预测等计算阈值的候选分子。
推荐理由：论文用50个靶点的对照与消融，说明中央调度主要减少达到同一计算目标所需的搜索量。
智药邦精选AI 评分8080 Nature Biotechnology｜AdaptiveFlow实现数百亿分子库的自适应虚拟筛选
意大利帕维亚大学、Dana-Farber癌症研究院等团队在《Nature Biotechnology》发表开源平台AdaptiveFlow，将Enamine REAL Space约315亿原始分子预处理为约690亿可直接对接条目，通过18维分子性质分区与自适应靶标引导虚拟筛选（ATG-VS）降低超大规模对接开销。
推荐理由：研究用分子性质分区与靶标引导抽样压缩数百亿级对接空间，并在两个靶点获得实验验证的抑制剂。
奶牛猫的CADD实验室精选AI 评分7171 GluePlex 提出无三元结构下的分子胶计算优化路线
发表在 Nature Communications 的 GluePlex 研究针对 VAV1 分子胶，在缺少三元复合物实验结构时用 PeSTo 预测接触区域、HADDOCK 对接生成 6 个构象簇模板，再由 Boltz-2 共折叠生成 120 个候选三元结构并按 chainpair_ipTM 筛选。
推荐理由：该研究把蛋白对接、共折叠与自由能计算串成分子胶优化流程，为缺少三元结构的项目提供可迁移做法。
DrugAI精选AI 评分7474 SynCraft：用LLM编辑分子改善可合成性，成果发表于Nature Machine Intelligence
北京大学来鲁华课题组在 Nature Machine Intelligence 发表 SynCraft，让大语言模型提出原子和化学键级编辑指令，由 RDKit 执行、SimpRetro 搜索逆合成路线，以改善生成分子的可合成性。
推荐理由：研究提出让大模型输出原子级编辑指令、由化学软件执行并检验逆合成的分子可合成性优化方法，为生成分子的后续改造提供可复用流程。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 回顾药物发现中结合亲和力预测的历史
Valence Labs 的 Daniel Ramirez 撰文梳理靶向药物发现中结合亲和力预测的两条路线：基于物理的对接与分子动力学方法可泛化到新靶点和新化学型，但速度慢且需要起始结构；Boltz-2、Nesso-1 等共折叠模型速度快、无需起始结构，却会在训练数据之外无预警失效。
推荐理由：梳理结合亲和力预测从物理模拟到共折叠模型的两条路线，并说明两者互补的融合方向。
DrugIntel精选AI 评分6262 Rowan 测试不同 Pose Ranking 方法对 RBFE 计算的影响
Rowan Scientific 在 JACS RBFE benchmark 的 8 个蛋白靶点、约 190 个配体类似物上比较多种 pose ranking 方法，发现 Vinardo/Vina 在默认 analogue docking 输出中约 62% 的配体能把最低 RMSD pose 排第一，更复杂的方法未明显改善。
推荐理由：Rowan 在 JACS RBFE 基准上比较多种 pose ranking 方法，显示简单 Vina 排序已接近复杂打分，为自动化 FEP 工作流提供参照。
DrugIntel精选AI 评分7070 Nature研究构建随机背景基线，量化配体优化中的效力与PK权衡
《Nature》2026年发表的这项研究针对6个靶点的18个先导化合物系统合成257个单原子水平类似物，发现11.3%的类似物效力提升至少10倍（95%置信区间7.5%–15.2%），但41.4%的类似物在肝微粒体稳定性、血浆游离分数或膜通透性中至少一项恶化超过3倍。
推荐理由：研究用257个单原子类似物建立配体优化的随机背景，量化效力提升与PK恶化的权衡。
HouMed精选AI 评分6363 侯廷军团队在Nature Protocols发布AI虚拟筛选平台CVSP-AIE
侯廷军、康玉团队联合澳门理工大学刘焕香团队在Nature Protocols发布AI驱动的虚拟筛选平台CVSP-AIE，整合KarmaDock、CarsiDock与RTMScore重打分模型，通过分层调用平衡筛选速度与精度。
推荐理由：该平台把三种自研对接与打分模型整合为分层筛选流程，并给出在线与本地两种使用方式，便于比较速度与精度的取舍。
HouMed精选AI 评分7474 浙大团队在Nature Communications发表机器学习增强采样工作流，解析AR-NTD配体识别并发现新型拮抗剂K53
浙江大学李丹、侯廷军团队在Nature Communications发表机器学习增强采样工作流，用于解析本征无序蛋白AR-NTD的构象景观与配体识别机制，并发现新型AR-NTD拮抗剂K53。
推荐理由：该工作把增强采样、机器学习集合变量与虚拟筛选串成流程，用于本征无序蛋白的构象与配体识别研究。
Punit Kumar Jha精选AI 评分6969 SandboxAQ研究用合成数据改进蛋白-配体结合亲和力预测
SandboxAQ在预印本中分析合成结构数据如何增强深度学习蛋白-配体结合亲和力预测，生成约8万次绝对自由能扰动（AFEP）计算并构建SAIR-FEP与SAIR-OOD两个数据集。研究发现基于结构的模型对输入结构质量高度敏感，从Boltz-1x筛选高置信度共折叠复合物可带来可预测的性能提升，而盲目加入低质量结构会使指标饱和。合成与实验数据联合训练在CASF 2016上使RMSE最多降低8%、相关性指标提升9-11%，且仅在使用高质量合成结构时重现神经缩放规律。
推荐理由：研究用约8万次AFEP计算构建合成数据集，比较合成与实验数据联合训练对亲和力预测的影响。
Yang Zhang Lab精选AI 评分7474 Ouroboros分子基础模型：将构象空间与药效团相似性纳入表示学习
【全文节选总结】Yang Zhang Lab 提出分子基础模型 Ouroboros，采用表示、重建与性质预测三个正交模块，表示模块以构象空间药效团相似性（CSPS）和分子指纹相似性预训练，在 126248 个分子上构建约 47 亿条相似性标签。
推荐理由：该工作把构象空间与药效团相似性纳入分子基础模型预训练，并在虚拟筛选与多靶点抑制剂发现中给出湿实验证据。
已经到底了