Genesis Molecular AI 在 NeurIPS 2026 论文中报告，其方法在分子优化任务上达到与最强推理时搜索相同的性能，同时 oracle 调用次数减少 58 倍。该推文指出，预训练分子生成器掌握化学规律但不了解具体靶点，论文聚焦离散扩散设计选择对反馈效率的影响。
推荐理由：该论文比较离散扩散分子生成中不同设计选择对反馈效率的影响，为优化时的 oracle 调用预算提供参照。
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。
Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文研究离散扩散分子生成模型在测试时如何分配算力，其在线适应框架仅用 86 次 oracle 评估即追平最强推理期搜索基线 Beam Search 约 5000 次评估的表现。
推荐理由：研究系统拆解在线适应式分子优化的四个设计选择，并给出何时值得用在线适应而非推理期搜索的判据。
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。
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。
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。
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。
Inductive Bio 于 9 月 17 日发布 Beacon-2，该系统可直接从小分子化学结构预测人体有效剂量，先预测吸收、分布、代谢、排泄与毒性等决定剂量的性质并估算效力，再通过药代动力学机制模型整合。
推荐理由：Beacon-2 把人体有效剂量作为可从结构计算的指标，并给出在真实药物项目与公开化合物上的验证范围。
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。
Schwaller 团队发布预印本 SynthEx，一个以语言模型生成原子级图编辑断键、由多智能体分工提出策略、扩展路线并模拟修复的合成规划器。在 1,098 个无报道全合成的复杂天然产物上，近乎穷举的 AiZynthFinder 解出 13.8%，SynthEx 达到 63.9%，分子越复杂差距越大。
推荐理由：该工作用智能体规划复杂天然产物合成路线，并以专家盲评比较机器与人类步骤，提供了可参照的评测设计。
Marwin Segler 报告团队推出面向合成步骤生成的推理模型，针对该任务采用专门的思维链监督微调（SFT on COT）与可验证奖励强化学习（RLVR）。其表示语言模型在处理结构与丰富自然语言并存的化学任务（如合成）时带来新能力。
推荐理由：作者披露其合成路线生成推理模型采用SFT与RLVR训练，为化学语言模型的能力边界提供一手说明。