Drug Discov Today｜赛诺菲等综述：通路分析如何提升药物靶点优先级排序效率
赛诺菲、Open Targets与EMBL-EBI等团队在《Drug Discovery Today》发表综述，系统梳理通路分析在药物靶点优先级排序中的应用。文章比较Reactome、KEGG、WikiPathways、GO等通路资源及ORA、GSEA和拓扑感知方法，并列举GWAS、转录组、蛋白质组与CRISPR筛选中的靶点发现案例。
#深度观点
智药邦AI 评分4141
智药邦精选AI 评分5858 npj Drug Discov｜TechBio 3.0：AI制药如何把预测、设计与实验连成闭环
牛津大学Krish Ramadurai与Abhirup Banerjee在《npj Drug Discovery》发表综述，用TechBio 3.0概括将多模态AI、生成式化学与自动化实验接入同一反馈体系的研发方式，并区分1.0性质预测、2.0靶点发现与分子生成、3.0实验反馈持续更新模型与设计。
推荐理由：文章以综述框架梳理多模态AI、生成式设计与自动化实验的闭环，并借两个企业案例说明证据边界。
Oxford Protein Informatics Group · Blog精选AI 评分5858 别再用胜率：跨基准任务比较模型排名的统计方法
牛津蛋白信息学组博客指出，化学信息学论文常用胜率（模型在任务中排名第一的比例）评估基准表现，但该指标会掩盖微小差距、缺乏统计检验，并隐藏模型在部分任务上的严重失败。
推荐理由：文章用模拟数据演示胜率指标如何掩盖模型弱点，并给出任务内与跨任务的统计比较替代流程。
Insilico Medicine 英矽智能AI 评分2222 英矽智能谈O3DC开放基准指数
英矽智能提出，AI药物发现领域过度关注模型性能，却很少追问支撑这些数字的基准是否合适。其参与发起的O3DC联盟推出Benchmark Index，作为社区资源用于查找、比较和讨论药物发现领域的开放基准。推文同时征集各领域值得关注的基准。
Alex ZhavoronkovAI 评分3838 智能体AI与自驱动实验室药物发现综述
新药研发研究综述：智能体AI + 自驱动实验室用于药物发现。 包含我们的“提示词到药物”/制药超级智能框架，并对验证与监管给出了恰当的注意事项。 祝贺 Bhagyashri Rathod、Manish Baviskar、Sachin Puri。 https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/ddr.70400
BioTender精选AI 评分7272 刚刚！Anthropic 公布首批 AI 药物研发成果！
Anthropic 于 2026 年 10 月 27 日集中公布六家机构使用 Claude 推进药物研发的早期案例，并宣布收购罕见病公司 Mithril Medicine。
推荐理由：梳理六家机构用 Claude 做药物研发的早期案例，逐项标出体外数据、对照缺失与验证边界。
BioAIDesign精选AI 评分7474 Anthropic 亲自下场 AI 制药：Claude 参与 7 个药物项目，还买下一家单人药企
Anthropic 公布 Claude 参与的六个药物研发合作与一个自有项目，并宣布收购由一人运营的 Mithril Medicine。
推荐理由：按证据强度分层梳理 Anthropic 七项药物研发动作，并指出分子设计项目缺少对照基线这一关键缺口。
智药邦精选AI 评分5858 浙大侯廷军等在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。作者从科学决策、系统自主性和人工参与程度三个维度划分能力，将能提出原创假设并组织端到端探索的L5“虚拟科学家”定位为长期愿景。
推荐理由：文章梳理智能体在药物发现中的能力分层，并给出区分工具调用与研究闭环的评估尺度。
Oxford Protein Informatics Group · Blog精选AI 评分5858 解读预印本：从分子结构识别1,815位药物化学家并警示活性预测混淆
牛津蛋白信息学小组博客解读Leash Bio两位联合创始人的预印本，作者用Bemis-Murcko骨架划分训练模型，仅凭分子结构识别1,815位药物化学家中的作者，top 5准确率60%、top 1准确率27%。
推荐理由：文章解读一项预印本发现，化学家风格信号可能混淆公开基准上的活性预测，并指出作者预测任务的评估局限。
木可AI探索笔记精选AI 评分6060 Radical Numerics 技术报告解读：Tessera 按行为指纹分组数据混合，DNA 语料宏基因组占比从 14% 降至 4%
Radical Numerics 发布技术报告，介绍 Tessera 数据混合方法：先为采样文档各训一个不到 1 亿参数的微型代理模型测出行为指纹，再降维成行为轴并用回归器外推到全语料，最后在行为空间聚类成派生源、用 MixMin 配权重。
推荐理由：梳理 Tessera 按文档行为指纹分组配比训练数据的方法，及其在 DNA 语料上的分组结果与规模限制。
木可AI探索笔记精选AI 评分5858 Evo团队新公司Radical Numerics获5000万美元种子轮，预览基因组模型Omnii
由Evo和Evo 2原班人马创立的Radical Numerics于2026年6月15日公开亮相，并宣布5000万美元种子轮，由Emergence Capital领投，Obvious Ventures、Triatomic Capital、Factory、First Spark Ventures跟投。
推荐理由：梳理Evo团队新公司押注基因组基础模型的路线差异，并指出Omnii尚未开源、数字待独立复现的边界。
智药邦精选AI 评分6363 Nature Reviews Drug Discovery 访谈 OpenBind 负责人 Charlotte Deane：AI 药物发现的数据鸿沟如何填补
牛津大学 Charlotte Deane 在 Nature Reviews Drug Discovery 访谈中介绍其联合领导的 OpenBind 计划，目标是建成全球最大的开放获取药物-蛋白质相互作用数据集，以改进蛋白-小分子结合结构与亲和力预测。
推荐理由：OpenBind负责人谈蛋白-小分子结合数据缺口，并给出首组数据集与盲测挑战的具体规模。
Labiotech.euAI 评分3030 Preclinical Pulse：2026年10月值得关注的早期研究
Labiotech 的 Preclinical Pulse 月度专栏选出2026年10月六项基于实验数据的早期疗法与技术，覆盖AI药物设计、小分子和基因治疗递送方式。入选项目之一是 AstronauTx 获迈克尔·J·福克斯帕金森研究基金会资助，用其新化合物探索增强恢复性睡眠机制能否减少帕金森病相关病理蛋白积累。
Marinka ZitnikAI 评分3838 AI衰老研究机遇与开放基准
很高兴与@Nature讨论在衰老研究中使用和评估AI的机遇，并重点介绍@biogerontology在@CellCellPress上发表的最新论文，该论文为衰老生物学中的AI引入了开放基准和语言模型 https://www.nature.com/articles/d41586-026-02913-7
EMBL-EBI News精选AI 评分5858 EMBL-EBI 视角：基准评测如何支撑生物医学 AI 的可靠性
EMBL-EBI 研究负责人 Julio Saez-Rodriguez 等人在一篇 Perspective 文章中讨论生物医学基础模型的基准评测，提出数据质量、模型仓库与评测框架三个相互关联的支柱，并主张将性能评估与方法开发隔离、由独立方在未见数据上评测。
推荐理由：EMBL-EBI 研究负责人系统梳理生物医学基础模型基准评测的三角框架与独立评测原则，为理解模型评测争议提供参照。
Hannes StärkAI 评分2626 JKO方案与Energy Matching论文讲解
周一 Starkly Speaking：我们有一场与 @X_MichalB 的会议，讲解基于“Energy Matching”论文的 Jordan–Kinderlehrer–Otto（JKO）方案 https://arxiv.org/abs/2504.10612 Zoom 时间：美东中午12点 / 中欧夏令时下午6点：http://hannes-stark.com/starkly-speaking
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。
David MobleyAI 评分4343 OMSF与开源软件在计算化学中的作用
我们关于OMSF以及开源软件在计算化学中日益增长的作用的Perspective文章已在JCIM发表！https://dx.doi.org/10.1021/acs.jcim.5c03137 （讽刺的是，由于ACS的政策，这篇文章并非开放获取，但你可以在chemRxiv上免费阅读完整版本。https://chemrxiv.org/doi/full/10.26434/chemrxiv-2026-6n5lz/v2 ）
Ignota Labs 官网资讯精选AI 评分6060 Chemical Research in Toxicology 发表基于化学结构的机器学习毒性预测框架
Chemical Research in Toxicology 于5月2日发表《Machine Learning for Toxicity Prediction Using Chemical Structures。
推荐理由：33位产学研作者联合提出毒性预测框架，并给出与FDA人相关药物开发目标衔接的落地路径。