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。
内蒙古大学、上海财经大学与CMU团队提出ReSFlow，将类别概率经平方根映射到球面，在球面上重新配对并整流生成轨迹，使离散数据可一次模型调用完成生成，该工作已被NeurIPS 2026接收。
推荐理由：论文把离散类别概率映射到球面做整流，使一步采样接近多步ODE质量，为离散序列生成提供可迁移思路。
Brian Hie 团队报告 Evo 2 在少量同功能序列提示下可生成功能相似的新序列，作者称这是一种生成式上下文学习（ICL），且为训练时未预料到的涌现现象。
推荐理由：作者报告 Evo 2 在少量同功能序列提示下生成相似功能序列，并延伸到调控元件与蛋白设计任务。
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。
侯廷军团队推出可控生成框架PartiDesign，将结构与序列或化学身份在同一次Flow Matching生成中协同，覆盖蛋白、DNA、RNA和小分子。在ProtDBench普通MPNN单序列协议下，其估算合格候选产出约为RFD3的4.9倍，加入α螺旋引导后约7.6倍；AME原子级催化基序骨架搭建中常规与α引导配置分别约为RFD3的8.6倍和12倍。
推荐理由：介绍统一生成框架在蛋白与环肽设计上的产出效率，并给出与RFD3、BoltzGen的基准对比及计算筛选边界。
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。
香港中文大学团队提出RNA联合生成模型DuetRNA，为每个核苷酸建立碱基与核糖两个耦合局部坐标系，在同一流匹配过程中同时输出序列与三维重原子坐标，相关预印本与代码已公开。
推荐理由：该预印本用碱基与核糖双坐标系做RNA序列与结构联合生成，并给出与RNA-FrameFlow同协议的计算对比。
Valence Labs 提出 trajectory replay，一种面向 flow matching 和扩散模型等连续时间生成模型的持续学习技术，通过用前一模型生成路径的速度场重训模型来提醒其已学内容，全程不生成完整样本。
推荐理由：该方法用前一模型生成路径的速度场重训，避免生成完整样本，为连续时间生成模型的持续学习提供更省成本的替代方案。
arXiv 预印本提出 Langevin Flow Maps（LFM），通过学习朗之万随机动力学在有限时间区间内的状态映射，实现无需显式轨迹监督的大步长分子模拟。
推荐理由：该预印本把学习目标从瞬时受力扩展到有限时间朗之万演化，并给出大步长加速与平衡分布偏差的对照证据。
礼来与剂泰科技围绕新型脂质纳米颗粒（LNP）递送解决方案达成战略合作，剂泰科技将收取逾千万美元首付款，并有资格获得总额最高可达11亿美元的开发、监管及商业里程碑付款，另按合作产品年度净销售额获个位数百分比分级特许权使用费。
推荐理由：以礼来与剂泰的LNP合作切入，梳理礼来AI版图各环节的获取方式差异，并讨论AI递送平台的价值边界。
10月19日，剂泰科技（7666.HK）宣布与礼来达成战略合作，聚焦新型脂质纳米颗粒（LNP）递送方案的研究与发现，合作涉及最高约11亿美元里程碑付款。剂泰科技将收取逾千万美元首付款，并有资格获得里程碑款及按合作产品年度净销售额计算的个位数百分比分级特许权使用费，款项兑现取决于后续开发、监管及商业进展。
推荐理由：拆解剂泰科技与礼来LNP递送合作的付款结构，并说明AI脂质设计与实验筛选在其中的分工。
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。
默沙东与Texas Tech研究者在npj Drug Discovery发表PepOpt，用PepSeA对齐、位置特异分子指纹、线性模型与动态规划，在约4000种单体、14肽规模达10⁵⁰的组合空间中筛选候选。
推荐理由：论文把可解释的线性预测与动态规划搜索结合，为超大非天然氨基酸多肽空间提供了一条可复用的筛选思路。
研究提出 LLM-to-Flow Distillation（LFD）方法，从“设计具有抗癌活性的肽”或“设计结合 D2 多巴胺受体的小分子”等自然语言目标出发，通过迭代 DPO 将 LLM 生成子目标的知识蒸馏进科学生成器。
推荐理由：该方法把自然语言目标蒸馏进肽与小分子流模型，并在留出计算评测中与奖励引导方法比较。
丹麦药企 Zealand Pharma 与 AI 生物科技公司 Generate Biomedicines 宣布合作，共同开发治疗肥胖症及其他代谢疾病的蛋白质疗法，潜在交易总额达 12 亿美元。
推荐理由：交易结构把首付款、临床前里程碑与潜在总额分开，可看清传统药企引入生成式蛋白设计时的风险分担方式。
约翰内斯·开普勒大学等机构在 ICLR 2026 发表基准 MolecularIQ，用 RDKit 符号程序核验 38 个开源大模型对分子结构的计数、原子索引定位和约束生成能力，最高总体准确率为 GPT-OSS 120B（High）的 47.5%。
推荐理由：该基准用 RDKit 符号核验拆解分子结构推理，并揭示 SMILES 写法变化带来的性能落差。
Generate:Biomedicines 宣布与 Zealand Pharma 达成合作及许可协议，针对肥胖及其他代谢疾病设计多特异性候选药物，初始启动两个项目并保留第三个项目的选择权。公司称将先从患者所需的药物作用特征出发，再结合 Zealand Pharma 数十年数据与自身生成模型及高通量实验测量，设计具备目标生物学功能的多特异性候选药物。
推荐理由：该合作披露了双方在代谢疾病多特异性候选药物上的分工与初始项目数量，可了解生成式模型如何介入早期设计。
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。
英矽智能提名靶向GIPR的全新小分子临床前候选化合物ISM1354，用于肥胖、2型糖尿病及相关代谢疾病。
推荐理由：英矽智能用Chemistry42提名新一代GIPR拮抗剂，并给出与临床阶段同靶点分子的安全性对比数据。