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。
#数据/基准
DeepTech深科技精选AI 评分6868
Edison Scientific精选AI 评分5858 Edison Scientific 与普林斯顿合作发布 ChefNMR2，可从一维 NMR 谱自动解析小分子结构
Edison Scientific 与普林斯顿的 ZhongingAlong 合作推出 AI 系统 ChefNMR2，可从简单一维 NMR 谱自动完成小分子全新结构解析。
推荐理由：该模型用一维核磁谱自动解析小分子结构，并在五个基准上与通用大模型对比，可供关注谱图解析自动化的人参考。
Sam Rodriques精选AI 评分6060 Sam Rodriques 发布 ChefNMR2：从 NMR 谱图推断分子结构
Sam Rodriques 发布 ChefNMR2，这是一个与普林斯顿 Ellen Zhong 合作训练的模型，可从 NMR 谱图推断分子结构，现已上线 Kosmos。在 2,031 个分子上，该模型 top-1 准确率为 82%，而单独使用 Claude Opus 5 为 52%。作者称这让天然产物结构推断更容易，从而减少药物发现中的一个瓶颈。
推荐理由：该模型把 NMR 谱图直接映射到分子结构，并在 2,031 个分子上与通用大模型对比，为天然产物解析提供了可参照的评测。
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。
药化猩球精选AI 评分7878 Syndirella：以合成导向的片段延伸把单个母核扩展出5085个候选分子
牛津大学 OPIG、Diamond Light Source 与 IBM Research 在 Chemical Science 发表 Syndirella，以合成导向的片段延伸（Synthesis Directed Elaborations）把可采购反应物按 SMIRKS 反应规则组合成候选分子。
推荐理由：文章拆解了以可采购反应物为导向的片段延伸流程，并给出合成成功率与姿态偏差的具体数据。
BioArt精选AI 评分7373 清华大学团队在Nature Communications发表可解释AI引导的可降解脂质肝脏mRNA递送研究
清华大学深圳国际研究生院颜昊、康飞宇团队在Nature Communications发表研究，建立模块化合成、高通量筛选、可解释机器学习与动物验证的两阶段框架，从520种实验脂质扩展到10,920种虚拟候选，筛出可降解可电离脂质PA97MD101。
推荐理由：研究把可解释机器学习用于可降解脂质筛选，并用独立动物实验检验体外预测的边界。
iNature精选AI 评分6262 香港大学贾伟团队开发MetLLM，从化学空间发现新型胆汁酸
香港大学贾伟团队在Cell Metabolism发表研究，提出基于Transformer的语言模型MetLLM，学习胆汁酸修饰模式以优先筛选候选胆汁酸类似物，并构建含3900个优先候选物的计算机模拟胆汁酸化学景观MetSpace。
推荐理由：该研究用语言模型学习胆汁酸修饰模式并优先筛选候选物，再以质谱与细胞实验验证，为代谢物发现提供可迁移框架。
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。
DrugAI精选AI 评分7474 微软 Retrochimera 组合 Transformer 与 GNN 提升逆合成分析
微软研究院团队在 Nature 发表 Retrochimera，将逆合成 Transformer R-Smiles 2 与图神经网络 Neuralloc 组合，在约三分之二的化学家盲评比较中其建议优于参考数据集反应。
推荐理由：微软团队把 Transformer 与图神经网络组合成逆合成工具，并用化学家盲评和药企内部数据检验其表现。
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。
Corin Wagen精选AI 评分5858 Anton Ni 与 Joonho Lee 提出基于 UMA 嵌入的隐式溶剂模型
Corin Wagen 推荐 Anton Ni 与 Joonho Lee（哈佛大学化学与化学生物学系）的新工作：作者在 SMD 数据上基于 UMA 嵌入训练了一个兼容神经势（NNP）的隐式溶剂模型，并展示该模型可用于分子动力学、logP 预测、异构体 ΔG 预测和 SNAr 机理研究。推文未披露模型性能数字与对照结果。
推荐理由：该工作把 UMA 嵌入用于训练兼容神经势的隐式溶剂模型，并展示其在多类化学任务上的适用面。
AI药物设计实验室精选AI 评分6969 RouteFlow 在连续合成路径潜在空间中设计可合成分子
RouteFlow 将分子优化转化为连续合成路径潜在空间中的搜索，为解码成功的候选分子同时给出由构建块和反应模板组成的合成路线。研究用 270,423 个 Enamine 构建块、115 个反应模板和最多五步路线训练路线自编码器，并以奖励引导流匹配加循环一致性约束进行优化。
推荐理由：该预印本把合成路线编码为连续潜在空间做分子优化，为兼顾性质与可合成性提供了一种可迁移的搜索思路。
晶泰科技精选AI 评分5858 晶泰科技在《JACS》报道锑基手性催化剂设计，以计算先行实现92% ee
晶泰科技在《JACS》发表研究，针对环氧化物与苯胺的不对称开环反应，设计五价锑催化剂并锁定CAC-10，在5 mol%用量、甲苯室温条件下以99%收率和92% ee得到手性β-氨基醇，底物覆盖33种环氧化物与苯胺组合。
推荐理由：借诺奖手性放大机理切入，介绍晶泰科技用DFT与非线性效应实验设计锑基手性催化剂的工作。
insitro · Publications & Press精选AI 评分7272 insitro 与礼来在 TuneLab 推出体内 PK 预测机器学习模型
insitro 与礼来在 Lilly TuneLab 平台上线体内 PK 预测模型，可跨小鼠、大鼠、狗和猴四种临床前物种预测血浆清除率、稳态分布容积和平均驻留时间。
推荐理由：该模型用礼来历史数据直接预测体内PK，并与体外外推法对比，为小分子成药性评估提供参照。
Pranam Chatterjee精选AI 评分5858 Chatterjee 实验室 NeurIPS 论文提出 pCoMole，将生物分子缩小同时保留功能
Pranam Chatterjee 团队在已被 NeurIPS 接收的论文中提出 pCoMole，目标是在保留或提升分子功能的前提下缩小生物分子尺寸，以降低合成、制造与递送难度。论文编号为 arXiv:2610.01663，模型已在 Hugging Face 的 ChatterjeeLab/pCoMole 页面公开。推文未披露具体分子模态、评测指标与实验结果。
推荐理由：作者团队提出面向生物分子的缩小化生成方法，为在保持功能前提下压缩分子尺寸提供了可复用的建模思路。
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。
Andrés M. Bran精选AI 评分5858 研究者评微软 RetroChimera：单步逆合成模型中的强方法
研究者 Andrés M. Bran 对微软研究院发表于 Nature 的逆合成预测模型 RetroChimera 做了评测，认为它在单步模型类别中是较强的方法。他强调预测必须经过实验室验证，而验证的前提是先把分子合成出来。微软研究院的原帖称该模型用于加速化学合成、帮助研究者探索更广泛的分子。
推荐理由：作者以实测评测视角指出逆合成模型需先合成再验证，并给出单步模型类别中的定位参照。
英灵殿科技Valhalla精选AI 评分7474 英灵殿科技发布ADMET-EvO自演化科学智能体，在22项TDC ADMET任务中综合排名第一
英灵殿科技（Valhalla Technology）联合香港中文大学、浙江大学和斯坦福大学提出ADMET-EvO，一种面向异质任务持续开展自主研究、驱动任务专用算法演化的科学智能体。
推荐理由：该工作把端点理解、假设检验与算法演化串成研究闭环，为药物研发智能体的评测方式提供了可参照的架构。
Oxford Protein Informatics Group · Blog精选AI 评分5858 用机器学习预测ADME性质：两个描述符保留82%性能
OPIG的UNIQ+学生Zarif Shafiei复现Biogen ADME数据集上的模型比较结论，发现仅用RDKit的PEOE_VSA与SlogP_VSA两个向量描述符即可保留48描述符基线82%的预测性能（LightGBM、四端点5折交叉验证，平均R²由0.42降至0.36）。
推荐理由：作者复现Biogen ADME基准并检验其结论，发现两个RDKit描述符可保留82%预测性能，为特征选择提供参照。