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。
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。
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。
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。
Rowan 发布若干更新以提升 FEP 计算精度，并推出新的配体参数化方法 Mango。作者称 Mango 在标准 8 体系 FEP+ 基准集上降低了能量误差，并提高了排序相关性指标。
推荐理由：Rowan 更新 FEP 计算流程并引入 Mango 配体参数化方法，给出其在标准 8 体系基准上的误差与排序相关性变化。
Corin Wagen 表示其团队复现了 SandboxAQ 发布的 taqo 方法，得到与原文非常相似的结果。该方法用神经网络势（NNP）计算单点蛋白-配体焓值，作为同系列化合物内 ∆∆G 的启发式指标。
推荐理由：作者复现了 SandboxAQ 的 taqo 方法，为同系列内用单点焓值近似 ∆∆G 的可行性提供了独立参照。
一篇预印本在 15 个靶点、172 个配体上评估 Martini 3 粗粒化模型的绝对结合自由能计算，发现模型系统性低估结合强度，按口袋带电残基数做线性校正后平均绝对误差从 5.7 降至 1.2 kcal/mol。
推荐理由：解读预印本对Martini 3结合自由能误差的分解，说明整体偏移校正与配体排序能力为何是两件事。
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。
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。
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。
Inductive Bio 在 OpenADMET 2026 年 PXR 激活预测盲测中从 350 多名研究者中排名第一，其负责人 Duncan Muir 在 webinar 中完整讲解建模路径。
推荐理由：Inductive Bio 复盘其在 OpenADMET PXR 盲测中的建模路径，为 ADMET 预测的误差分析与数据融合提供可迁移做法。