尚无药物进入临床的 Isomorphic Labs 洽谈约 50 亿美元新融资，估值或达 500 亿美元
据彭博社 11 月 8 日报道，Alphabet 旗下 Isomorphic Labs 正洽谈约 50 亿美元新融资，估值可能达到 500 亿美元，而公司目前尚无任何药物进入人体临床试验。
推荐理由：在尚无药物进入临床的阶段，这笔洽谈中的融资与估值给出了资本对 AI 制药平台定价的一个参照。
#结合亲和力
DeepTech深科技精选AI 评分5656
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。
LeapFun精选AI 评分5858 阿斯利康同日两篇研究：抗体亲和力优化中被低估的突变位点
阿斯利康团队分析同一克隆家族的211个抗ST2抗体，按实测亲和力分组后找出高亲和力抗体中更常见的突变，将M33I与L100I引入亲本ST2_146后KD由10.5 nM降至3.17 nM，再加K37R降至1.03 nM。
推荐理由：两篇抗体亲和力优化研究分别从克隆家族统计与结构能量筛选入手，并给出各自失效边界。
澪乃ゆい精选AI 评分7676 Pallatom2 全原子生成模型发布：同时生成序列与主侧链原子并指定靶点结合界面
Pallatom2 是一个全原子生成模型，可同时生成氨基酸序列、主链与侧链的原子构型，并能指定与靶点的结合界面。据该帖介绍，实验在210个候选中确认112个具有结合活性，10个靶点均获得结合剂，其中6个靶点经 BLI 测定报告了 pM 量级的结合亲和力（KD）。
推荐理由：介绍全原子生成模型同时生成序列与侧链并指定结合界面，附10个靶点的实验结合数据。
药化猩球精选AI 评分6060 预印本：AlphaFold 3 的 ipTM 用于全蛋白质组老药重定向仅与 BANDOCK+ 持平
一项预印本研究将 AlphaFold 3 的界面拓扑评分 ipTM 直接作为全蛋白质组药物重定向的亲和力指标，在 1,103 个双方均成功建模的蛋白上取得 nAIA 10.13、NDCG 0.056，十年前基于同源模板的 BANDOCK+ 为 nAIA 9.93、NDCG 0.054，两者总体近乎重合。
推荐理由：该预印本把 AlphaFold 3 的 ipTM 用于全蛋白质组药物重定向，并与十年前的经验算法对比，提供了打分机制层面的参照。
Google DeepMind / Isomorphic精选AI 评分6363 Google DeepMind 为 Antigravity 推出化学信息学技能，智能体一小时完成大环设计与合成路线
Google DeepMind 为 Google Antigravity 发布 Cheminformatics Skills，基于 RDKit 并接入 ChEMBL 与 PubChem，让语言模型负责流程编排、确定性化学工具执行分子计算。
推荐理由：官方演示了智能体在真实肺癌药物数据上完成检索、配对分析与大环设计，可观察化学工作流的自动化边界。
下一分子精选AI 评分6363 Dunbrack团队将ipSAE扩展至小分子与核酸复合物置信度评估
Fox Chase Cancer Center的Roland Dunbrack在bioRxiv发表预印本，将原本用于蛋白—蛋白相互作用的ipSAE评分扩展到蛋白—小分子、蛋白—核酸体系，以蛋白为对齐参照评估整个配体位置并调整归一化方式。
推荐理由：预印本把界面置信度评分扩展到蛋白—小分子与核酸体系，并给出留出集上的分类表现与失效案例。
DrugAI精选AI 评分7474 Science Advances：基于AlphaFold 3从序列通用预测T细胞受体抗原特异性
研究人员提出AF3-PTI-PAE方法，用AlphaFold 3预测MHC–抗原肽–TCR三元复合物结构，并以TCR–抗原肽界面预测排列误差判别抗原特异性，无需针对特定抗原训练。
推荐理由：研究用AF3预测三元复合物界面置信度推断TCR抗原特异性，并给出独立验证与敏感性限制。
Gabriele Corso精选AI 评分7373 Ebolathon 团队用 Boltz API 设计分子，140 个中筛出 11 个埃博拉假病毒选择性命中
Gabriele Corso 表示，Ebolathon 黑客松团队使用 Boltz API 设计新分子，共测试 140 个分子，在埃博拉假病毒实验中筛出 11 个选择性命中。他称这体现了黑客松想法转化为实验结果，并附 muni.bio 的研究链接。
推荐理由：记录一场黑客松用 Boltz API 设计分子并在埃博拉假病毒实验中筛出选择性命中，呈现从计算到湿实验的转化路径。
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7373 Molence 计算设计的 VHH 可拮抗 GPCR CXCR6 信号
Molence 报告其计算设计的 VHH 以 VHH-Fc 融合形式结合表达 CXCR6 的细胞，EC50 为 39 nM。在 cAMP 实验中，30 nM CXCL16 使响应降至仅含 forskolin 对照的 70.6%，加入 167 nM 该 VHH 后恢复至 92.6%，作者据此认为该结合剂拮抗 CXCL16 诱导的 CXCR6 信号。
推荐理由：该设计通过细胞结合与 cAMP 回复实验，给出计算设计 VHH 拮抗 CXCR6 信号的具体证据。
Molence精选AI 评分6060 Molence 称 Mol-1 在 Runs N' Poses 八个相似度分箱均领先基线
Molence 称其 Mol-1 在 Runs N' Poses 配体预测评测中于全部八个相似度分箱领先所评估基线，成功标准为配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。在相似度最低的 0–20 分箱，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：Molence 公布 Mol-1 在 Runs N' Poses 各相似度分箱的配体预测结果，可与 AlphaFold 3 直接对照。
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。
Molence精选AI 评分5858 Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果
Molence 公布 Mol-1 在 MolBench-Peptide-26 蛋白-肽复合物预测基准上的成绩：DockQ > 0.23 为 88.8%，DockQ > 0.49 为 77.3%，DockQ > 0.80 为 54.1%。加入结合位点信息后，Mol-1-constraint 在相同阈值下分别提升至 92.2%、85.0% 和 60.2%。作者称生物位点信息在每个评测精度阈值上都改善了肽复合物预测。
推荐理由：Mol-1 在肽复合物预测上按 DockQ 阈值分层报告成绩，并对比加入结合位点约束后的变化。
Molence精选AI 评分7676 Molence 报告从头设计 BCMA 结合剂：SPR 亲和力达 43 pM
Molence 报告其从头设计的 BCMA 结合剂在零样本条件下取得 43 pM 的 SPR 亲和力。30 个设计中 12 个为结合命中，两个候选以 VHH-Fc 融合形式测得 SPR KD 分别为 43 pM 和 1.1 nM。两者结合细胞表面 BCMA 的 EC50 为 0.19 和 0.16 nM，同一实验体系中 belantamab 为 4.1 nM。
推荐理由：材料给出从头设计的 BCMA 结合剂从 SPR 亲和力到细胞表面结合的实测数据，并设了 belantamab 对照。
药化猩球精选AI 评分7878 Nat. Comput. Sci.发布TCR–pHLA结合预测标准化数据集Hi-TPH与机器学习基准
研究人员在Nature Computational Science发表Hi-TPH层次化TCR–pHLA数据集，最高层级含26,704组结合样本，较STAPLER完整双链数据扩大5.99倍。
推荐理由：该研究构建分层TCR–pHLA数据集并系统评测蛋白质语言模型，为抗原识别预测提供了可比较的数据与基准参照。
王初课题组精选AI 评分5858 Nat. Chem. Biol. | Tryptoline立体探针结构拓展发现GRPEL1–HSPA9复合物抑制剂
Scripps研究所的Bruno Melillo与Benjamin F. Cravatt团队在Nat. Chem. Biol.发表研究，通过改造Tryptoline丙烯酰胺探针的C6/C7远端结构，在Ramos细胞中定量超过24,000个半胱氨酸位点，筛出95个可被立体选择性标记的位点。
推荐理由：研究用立体探针扩展半胱氨酸配体图谱，并借GRPEL1案例展示结构预测在非正构位点的识别局限。
Genesis Therapeutics 官网资讯精选AI 评分7474 Genesis 与 Caltech 提出离散扩散在线适应框架，分子优化用 86 次评估追平 Beam Search 约 5000 次评估表现
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。
Corin Wagen精选AI 评分5858 Corin Wagen 评 Rowan 自动生成合成中间体对 FEP 的改进
Corin Wagen 表示，自动生成合成中间体是 Rowan 已加入的体验改进之一，与自动扭转角重拟合、收敛检测等功能并列。他引用的 @manntis4 内容称，在测试小分子辅因子支持 FEP 时发现，把合成中间体配体加入 RBFE 图可改善与实验结合亲和力的相关性，示例为 KRAS-G12D。Wagen 认为稳健的智能体驱动 FEP 还需要更多此类能力。
推荐理由：Rowan 团队以 KRAS-G12D 为例说明合成中间体配体如何改善 RBFE 与实验亲和力的相关性，并列出自动化改进方向。
木可AI探索笔记精选AI 评分5858 17亿次实测 vs 一次造出10¹⁶个抗体：Terray与Jura Bio两种自产数据路线对比
文章对比Terray与Jura Bio两条自产数据路线：Terray用自研高通量硬件累计超过4200亿次测量、折算逾170亿个靶标-分子互作数据点，Jura Bio则用变分合成一次造出10¹⁶个抗体序列。作者认为两者分别拆解干湿循环的合成端与筛选端，Terray已签吉利德、BMS、Odyssey合作并预计2026年有内部药物进入临床试验，但数据规模本身不等于成药。
推荐理由：文章把Terray与Jura Bio两种自产数据路线放在干湿循环两端对照，便于理解数据瓶颈的不同解法。