对话科理新序张载熙：在最冷门时入局AI4S，他想构建科学原生基座模型
科理新序创始人张载熙正训练一个多模态科学基座模型，用自定义scientific token统一蛋白质结构、组学矩阵、基因序列与分子动力学等模态，使模型直接在科学空间推理。
#数据/基准
DeepTech深科技AI 评分4343
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：把AI制药"数据荒"卷成护城河的两种活法
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。
BioTenderAI 评分3838 人类理解生命的方式，可能正在限制 AI
Morgan Levine 在《Biology Beyond Human Intuition》中提出，细胞类型标签、实验条件和论文叙述构成的选择性观测，会成为语言模型学习生命的边界。
木可AI探索笔记AI 评分3838 不是通用大模型吃掉蛋白模型，是蛋白基础模型吃掉蛋白任务模型
蛋白领域真正在发生的是蛋白基础模型吸收单任务模型，而非通用大模型吞并蛋白模型。Anthropic将Basecamp Research的280亿参数EDEN接入Claude Science，Xaira的X-Scientist以通用大模型作调度、X-Cell与X-Design等蛋白模型作执行引擎。
动脉网AI 评分4343 对话科理新序02后联创：AI4S的价值密度和Scaling Law
科理新序提出以Science Token、科学Token链和ScienceRSI递归自我改进循环重构AI4S，并发布Chain of Structures（COS）酶设计技术报告。COS在酶设计基准六项指标中五项第一，EC3达57.0%，高于CodeFP的55.3%，去掉推理链后EC3降至53.4%。这些设计尚未经湿实验验证，仅为计算评测结果。
BioTenderAI 评分4848 AI 生物学，进入巨头割据时代
OpenAI、Anthropic、NVIDIA 与 Google、微软近期密集发布动作，争夺科学家科研工作流的发起入口。OpenAI 披露数千个 GPT-Rosalind 代理用 32 分钟分析数百万鼠脑细胞既有数据，Google 的 VERID 经三轮适配体设计反馈将命中率从首轮 10.2% 提升至第三轮 33.5%。
DrugAIAI 评分5858 浙大侯廷军团队在npj Drug Discovery提出智能体六级自主性框架
浙江大学药学院侯廷军等在npj Drug Discovery发表观点文章，梳理智能体在药物发现中的应用并提出L0至L5六级自主性框架。L0为单项计算工具，L1在固定流程中加入大模型，L2具备任务调度能力，L3形成围绕研究目标的反馈闭环，L4强调跨项目积累经验，L5“虚拟科学家”指向提出原创假设并组织端到端探索，作者将其定位为长期愿景。
BioTenderAI 评分3838 AI 将让人类从零开始设计生命
Biohub 公布总口径达 18 亿美元的生物学协作计划，为预测细胞反应的 AI 模型铺设数据地基，但该金额包含资金、计算与既有数据资源，并非已到账现金。Evo 2 可一次处理约 100 万个碱基，其生成的基因组级序列在多项计算指标上更接近天然序列，但团队承认仍可能缺少必需基因，计算评估不能保证功能与复制能力。
DrugIntelAI 评分6060 OpenBind 联合负责人 Charlotte Deane：AI 药物发现缺的是数据而非模型
牛津大学结构生物信息学家、OpenBind 联合负责人 Charlotte Deane 在 Nature Reviews Drug Discovery 专访中表示，AI 药物发现的瓶颈在于数据而非模型，应重点收集能提升模型性能的数据。
智药邦AI 评分3838 AI公司加码生物数据建设，究竟在布局什么
AI公司正通过自建实验室、云实验室合作与资助虚拟生物学计划等方式参与生物数据生产。Anthropic组建基础生物学研究团队和实验室，用实验检验Claude模型的生物学设想；Biohub扩大虚拟生物学计划，Google DeepMind、Isomorphic Labs和Meta合计承诺投入3亿美元，整项计划总投入约18亿美元。
望石智慧AI 评分3838 望石智慧周杰龙提出“微观世界模型”：AlphaFold救不了AI制药
望石智慧创始人兼CEO周杰龙提出“微观世界模型”，主张把建模单元从原子下推到电子尺度，以量子力学和统计力学规则模拟分子相互作用，并称望石智慧正在打造首个“全电子”微观分子世界模型。
Valence LabsAI 评分3838 物理模拟大规模生成数据需警惕失效模式
Valence Labs 发文指出，DFT、FEP 等物理模拟工具正被转用于数据集开发，已能在缺乏人工密切监督下产出数千万条合成数据。但研究显示，某些计算数据集中多达 58% 的 DFT 生成数据在物理上不可能。作者 Ihor 在评论文章中介绍了若干低成本且有效的方法，用于规避物理模拟中的隐蔽失效模式，提醒在大规模使用这类方法时保持谨慎。
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。
BioMap 百图生科AI 评分3333 从生命科学基础模型走向世界模型的2123天探索
BioMap百图生科在BIOHK2026论坛上总结其2123天进展：已构建数十万亿tokens的AI-ready数据、模型参数达数千亿，使前沿AI建模平均数据消耗降低90%。公司称已赋能数十个first-in-class项目，并计划在北京、上海建设高通量实验室，终极目标是建立覆盖分子到人体尺度的“生命科学世界模型”以部分替代临床试验。
创腾科技AI 评分3838 不是所有工业AI都需要大模型：小模型如何进入研发闭环
创腾科技在「AI 进入研发现场」系列第三篇中提出，工业研发更需要面向具体任务的性能预测、实验代理优化与现场判别三类专用小模型，而非通用大模型。文章引用电解液配方优化、电池快充协议和液相色谱方法开发三个公开案例，说明代理模型与贝叶斯优化可在闭环中减少实验次数。
Mohammed AlQuraishiAI 评分1515 OpenFold 团队招募 ML 与生物信息人才
OpenFold 团队在构建下一代生物分子模型之际，面向科学和工程方向扩招，并公开其开源承诺与招聘理念。团队称受资助条款约束，将开源全部训练代码基础设施与训练数据，发布结果可完全复现，且不会转型为初创公司或 API 模式。招聘重点为大规模训练模型的机器学习科学家/工程师，以及能整合复杂异构数据、搭建高效数据管线的生物信息学与计算生物学人才，薪资与算力对标工业界。
Valence Labs 官网资讯AI 评分3636 Valence Labs 回顾 ICML 2026：AI4Bio 论文占比 2.5%，聚焦模型效率与扰动预测
Valence Labs 回顾 ICML 2026，AI for biology 与健康方向论文占全部接收论文的 2.5%，在主题领域排名第 5。会议聚焦模型效率与转录组扰动预测，PerturbDiff、scBIG 等采用流匹配报告了当前最优性能，PerturbODE 则借助神经常微分方程推断基因调控网络。
Daphne KollerAI 评分3838 insitro推出Deep Phenotype专栏谈AI制药
insitro创始人Daphne Koller发文指出，仅约四分之一人类疾病有获批疗法，超90%进入临床试验的药物失败且多数因靶点机制选错，AI无法靠推理绕过对生物学的实测。
Amy X. LuAI 评分1515 生物数据"苦涩教训"的苦涩教训
生物数据"苦涩教训"的苦涩教训（仅限个人亲身经历）在于，天真的"苦涩教训"式做法永远是苦涩的😔 （但是！我仍然是"苦涩教训"的粉丝，只是它从来不是第一次尝试时预期的那种苦味，总还撒着别的香料） （这种总体感受和粉丝情怀也延伸到帖子里关于虚拟细胞的讨论）
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs 谈 AI 毒理模型验证：好指标救不了命
Ignota Labs 发文指出，AI 毒理预测模型的高 AUC、F1 等指标多来自小而窄的化学空间数据集，难以支撑化合物推进与患者安全决策。文章以 DUD-E 虚拟筛选基准的类似物偏倚为例，说明模型学到的是数据集特征而非药物-蛋白结合机制，并批评二元毒性标签忽略剂量、药代与遗传差异，hERG 抑制预测也不等于预测患者尖端扭转型室速。
推荐理由：Ignota Labs 结合 DUD-E 类似物偏倚等案例，说明毒理预测指标为何难对应真实安全性决策，并提出外部验证思路。
Ignota Labs 官网资讯AI 评分2222 用计算机毒理学筛选革新药物发现
AI驱动的计算机毒理学筛选以分子化学结构为输入，预测小分子在遗传毒性、肝毒性、肾毒性和心脏毒性等终点的潜在毒性，从而在药物发现早期识别安全风险。其关键环节包括高质量毒理数据集、分子指纹等特征表示、支持向量机与图卷积网络等AI算法，以及外部数据集验证和软件平台集成。该方法有望帮助优先选择更安全的候选药物并减少体外和体内测试需求。