Edison Scientific与普林斯顿发布ChefNMR2：从一维NMR与分子式生成候选结构
Edison Scientific与普林斯顿大学合作发布ChefNMR2，输入分子式和一维NMR峰表，由原子级流匹配模型生成候选平面结构，再由智能体核对谱图与文献。
#开源/工具
下一分子AI 评分7474
药化猩球精选AI 评分7878 Syndirella：以合成导向的片段延伸把单个母核扩展出5085个候选分子
牛津大学 OPIG、Diamond Light Source 与 IBM Research 在 Chemical Science 发表 Syndirella，以合成导向的片段延伸（Synthesis Directed Elaborations）把可采购反应物按 SMIRKS 反应规则组合成候选分子。
推荐理由：文章拆解了以可采购反应物为导向的片段延伸流程，并给出合成成功率与姿态偏差的具体数据。
智药邦精选AI 评分8080 Nature Biotechnology｜AdaptiveFlow实现数百亿分子库的自适应虚拟筛选
意大利帕维亚大学、Dana-Farber癌症研究院等团队在《Nature Biotechnology》发表开源平台AdaptiveFlow，将Enamine REAL Space约315亿原始分子预处理为约690亿可直接对接条目，通过18维分子性质分区与自适应靶标引导虚拟筛选（ATG-VS）降低超大规模对接开销。
推荐理由：研究用分子性质分区与靶标引导抽样压缩数百亿级对接空间，并在两个靶点获得实验验证的抑制剂。
HouMed精选AI 评分6363 侯廷军团队在Nature Protocols发布AI虚拟筛选平台CVSP-AIE
侯廷军、康玉团队联合澳门理工大学刘焕香团队在Nature Protocols发布AI驱动的虚拟筛选平台CVSP-AIE，整合KarmaDock、CarsiDock与RTMScore重打分模型，通过分层调用平衡筛选速度与精度。
推荐理由：该平台把三种自研对接与打分模型整合为分层筛选流程，并给出在线与本地两种使用方式，便于比较速度与精度的取舍。
Oxford Protein Informatics Group · BlogAI 评分4343 用果蝇连接组做分子对接：MaleCNS 驱动刚性对接模拟
作者把雄性果蝇中枢神经系统连接组 MaleCNS（38,128 个神经元、300 万个突触）接入一个刚性对接模拟器，让果蝇“操控”星形孢菌素进入 CDK2（PDB 1AQ1）的结合口袋。仅训练边缘两层、约十万次强化学习后，果蝇从包括 9 Å 外且倒置的各个起始位置把分子对接到晶体构象 2 Å 以内。作者明确表示这并未解决药物发现，且模拟物理为自制、连接组本身未经训练。
Mol.AIAI 评分3838 基于 Uni-Mol 重现血脑屏障渗透性预测并上线在线工具
基于 ICLR 2023 的 Uni-Mol 框架微调血脑屏障渗透性分类模型，在留出测试集上取得 ROC-AUC 0.9199、PRC-AUC 0.9686。训练使用约 2000 多个 BBBP 分子，经 RDKit 规范化后剔除 11 个非法分子，微调 10 个 Epoch。
Mol.AIAI 评分4747 硬核重现！从100万晶体结构到毒性预测，这个化学"基础模型"有多强？
基于剑桥大学Emma King-Smith用约100万个CCDC有机晶体结构预训练的MPNN化学基础模型，本次重现将其迁移至TDC急性毒性数据集，在1,477个测试分子上取得MAE 0.5277，与论文参考值0.52几乎一致。模型已部署为在线应用，输入SMILES即可预测log LD50，但训练数据仅含口服LD50，未涵盖代谢活化、物种差异与慢性毒性，分布外分子可靠性下降。
Mol.AIAI 评分4040 实测ETH开源算法BIMODAL：91.7%命中率，109次尝试即得100个全新化合物
对ETH Zurich Schneider团队开源框架BIMODAL的实测显示，109次生成尝试得到100个兼具有效性、新颖性与唯一性的分子，成功率91.7%。所用BIMODAL_random_512_aug_5模型经5倍数据增强，基于ChEMBL22中271,914个高活性生物分子训练，采样温度设为0.7。该结果来自生成环节的合规性与去重统计，部分分子仍需进一步确认。
Mol.AIAI 评分3838 药物研发效率工具：一键预测分子 AlogP，独立测试集 R² 达 0.7615
基于Mordred提取的1800余个分子描述符经筛选保留604个关键特征，超参数调优后的XGBoost模型在独立测试集上预测AlogP的R²达0.7615。特征重要性分析显示支链化程度（NsssCH）、电荷分布特性（AATSC0c）与3D饱和度（HybRatio）是影响AlogP的核心因素。
Ignota Labs 官网资讯精选AI 评分6060 Ignota Labs与Broad Institute合作发表DILIPredictor，提升药物性肝损伤预测
Ignota Labs与Broad Institute合作在《Journal of Chemical Information and Modelling》发表研究，提出先预测九项代理DILI标签、再与化学结构特征结合预测药物性肝损伤的DILIPredictor模型。
推荐理由：该研究把体外与体内代理指标并入特征，比较其对DILI预测的提升，并给出可复用的公开模型。