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。
#Recursion
药化猩球精选AI 评分5858
Recursion精选AI 评分5858 Recursion 发布 Q3 更新：REC-4881 新数据、赛诺菲与基因泰克合作里程碑及现金跑道延至 2029 年
Recursion 在 Q3 更新中报告，REC-4881 在 FAP 的 TUPELO 二期数据显示，治疗 12 周后 87% 患者总息肉负荷下降，85% 可评估患者在停药 12 周后仍低于基线，两名患者较大息肉数量从 90 个以上降至 1 个。
推荐理由：Recursion 季度更新同时披露 REC-4881 的 FAP 二期数据、赛诺菲与基因泰克合作里程碑及现金跑道，可对照其平台兑现节奏。
智药邦精选AI 评分6868 Recursion与赛诺菲合作首个候选药物被赛诺菲纳入开发管线
Recursion宣布，其与赛诺菲多项目合作中的首个开发候选药物已被赛诺菲行使选择权纳入开发管线，该潜在first-in-class双靶点口服小分子计划于2027年启动1期临床试验。
推荐理由：赛诺菲行使选择权纳入首个双靶点候选药物，呈现AI平台合作从设计到里程碑付款的转化路径。
Valence Labs精选AI 评分5858 Valence Labs 提出 trajectory replay 持续学习技术，用于 flow matching 与扩散模型
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。
智药邦精选AI 评分5858 罗氏提出“AI自主”：药企内部需要保留哪些研发能力
罗氏在2026年9月28日制药业务日上提出“AI自主”，主张药企用实验检验模型判断，再据实验结果改进模型与实验方法。文章以Genentech与Recursion的神经科学靶点发现合作为例，说明AI可缩小靶点与候选分子范围，而疾病认识转化为筛选标准、理解实验条件、依据验证结果决定下一步仍需药企内部人员掌握。
推荐理由：借罗氏提出的AI自主概念与Genentech同Recursion的合作，梳理药企在靶点验证和分子筛选上需自留的判断能力。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 回顾药物发现中结合亲和力预测的历史
Valence Labs 的 Daniel Ramirez 撰文梳理靶向药物发现中结合亲和力预测的两条路线：基于物理的对接与分子动力学方法可泛化到新靶点和新化学型，但速度慢且需要起始结构；Boltz-2、Nesso-1 等共折叠模型速度快、无需起始结构，却会在训练数据之外无预警失效。
推荐理由：梳理结合亲和力预测从物理模拟到共折叠模型的两条路线，并说明两者互补的融合方向。
Recursion精选AI 评分5858 Recursion 称已培养超 1 万亿神经元构建全基因组图谱，Genentech 选择首个神经科学靶点
Recursion CEO Najat Khan 介绍，公司自 2021 年起规模化培养人神经元，累计培养超过 1 万亿个神经元，约相当于 12 个人脑，并执行系统性全基因组扰动与高维成像。这些 iPSC 来源神经元采用与 Roche 和 Genentech 合作开发的自有方案维持存活、一致性与生物学代表性。Genentech 已将合作中的首个神经科学靶点选择进入联合早期发现项目。
推荐理由：Recursion 披露其工业规模神经元培养与全基因组扰动平台，并说明 Genentech 已选择首个神经科学靶点进入联合早期发现。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 谈模拟时代如何守住数据可靠性：DFT 与 FEP 的静默失效与自动检查
Valence Labs 的 Ihor Neporozhnii 撰文指出，DFT 与 FEP 等物理模拟输出正被当作训练与验证的基准真值，但这些工具原本面向专家逐条人工检查，规模化后会出现静默失效。
推荐理由：文章梳理 DFT 与 FEP 在规模化自动流程中的静默失效模式，并给出可内置管线的物理不变量与收敛检查。
Valence Labs 官网资讯精选AI 评分6262 Valence Labs 作者运行 Boltz-2 一亿次，检验共折叠能否模拟细胞生物学
Valence Labs 的 Dominique Beaini 用可抢占 GPU 对 9,000 个靶点与 50 万配体运行 AlphaFold-Multimer 和 Boltz-2 共折叠及亲和力预测，累计 1 亿次，构建名为 affinity-prints 的数据集，并借助 Recursion 的表型组学图谱检验预测相互作用与细胞实验数据的对应关系。
推荐理由：作者用上亿次共折叠预测搭建亲和力指纹，并检验其与细胞表型数据的对应关系，为共折叠与虚拟细胞的衔接提供了一套可迁移的评测思路。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 谈虚拟细胞在药物研发管线中最该发力之处
Valence Labs 发文认为，虚拟细胞最有价值的定位不是加速临床前流程，而是提升进入临床的候选质量，即做转化靶点验证。文章提出三个问题：靶点扰动是否在人类疾病生物学中产生预期效应、效应能否在患者生物变异中保持稳健、以及能否对疾病情境形成足够选择性；并建议在现有分子测量基准之外增加决策层评估，例如回溯识别后来因人类生物学不符预期而失败的假设。
推荐理由：Valence Labs 提出虚拟细胞应聚焦转化靶点验证，而非仅加速临床前流程，并给出可操作的评估维度。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 回顾表型组学演进：从监督迁移学习到生成式基础模型
Valence Labs 的 Inside Valence 文章梳理细胞表型组学从监督迁移学习走向自监督与生成式基础模型的路径，起点是 2019 年 Recursion 的 RxRx1 Kaggle 竞赛，该任务覆盖约 1,100 个 siRNA 条件、125,510 张图像，并在 50 多个实验批次中重复筛选。
推荐理由：梳理细胞表型组学从监督迁移学习到生成式基础模型的演进，并说明RxRx3数据集在虚拟细胞研究中的支撑作用。
Valence Labs 官网资讯精选AI 评分7272 Valence Labs 发布全原子显式溶剂玻尔兹曼采样模型 AquaGen
Valence Labs 发布 AquaGen，称其为首个全原子、显式溶剂、考虑周期性边界条件的生成模型，可从玻尔兹曼分布生成分子构型。该模型用 3D 图神经网络将噪声转为药物分子与水的全原子三维排布，再以力场评估能量、以灰盒方式计算绝对水合自由能，约需数百个样本即可获得相对 MD 参考约 1 kcal/mol 误差的结果，速度约为 MD 的 10 倍。
推荐理由：介绍首个全原子显式溶剂玻尔兹曼采样模型，说明其相对分子动力学的速度与误差权衡。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 提出 f-Trajectory Balance 损失族，用于分子生成与 LLM 的探索调优
Valence Labs 的 Jason Hartford 介绍其 ICML 论文 f-Trajectory Balance，提出一族损失函数用于微调 GFlowNets、生成模型和 LLM，并支持离策略与在策略数据。
推荐理由：作者从损失函数角度解释生成模型探索与利用的权衡，为分子生成和 LLM 微调提供可迁移的方法视角。
Valence Labs 官网资讯精选AI 评分6060 显微图像深度学习究竟学到了什么：Valence Labs 作者谈基准与可解释性
Valence Labs @ Recursion 的 Ihab 在文章中讨论显微图像深度学习模型究竟学到了什么，指出在部分细胞培养显微任务中，多个已训练模型的表现与未训练网络和像素统计等简单基线相近，说明基准分数中有一部分信号并不需要高层生物学表征。
推荐理由：作者结合自身基准测试经验，讨论显微图像模型何时学到真实生物学信号、何时依赖技术捷径，并提出可解释基线的设计思路。
已经到底了