亚利桑那州立大学曹志超团队提出SweepANN，五亿分子对两万余口袋检索降至61秒
亚利桑那州立大学曹志超团队提出向量检索系统SweepANN，在四张RTX PRO 6000 Blackwell GPU上为两万六千余个蛋白口袋从约五亿个分子中检索前50万候选，GPU驻留检索耗时约61.04秒，平均召回率99.63%。
推荐理由：该预印本把DrugCLIP的向量检索环节从小时级压到分钟级，并给出召回率与显存占用的具体取舍。
#数据/基准
DeepTech深科技精选AI 评分6868
下一分子AI 评分7474 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。
Sam Rodriques同新闻AI 评分6060 Sam Rodriques 发布 ChefNMR2：从 NMR 谱图推断分子结构
Sam Rodriques 发布 ChefNMR2，这是一个与普林斯顿 Ellen Zhong 合作训练的模型，可从 NMR 谱图推断分子结构，现已上线 Kosmos。在 2,031 个分子上，该模型 top-1 准确率为 82%，而单独使用 Claude Opus 5 为 52%。作者称这让天然产物结构推断更容易，从而减少药物发现中的一个瓶颈。
MolenceAI 评分5858 Molence 发布 Mol-1：在陌生结合环境中配体预测优于 AlphaFold 3
Molence 发布配体预测模型 Mol-1，在 Runs N' Poses 基准的全部八个相似度分箱中领先所评估的基线。在相似度最低的 0–20 分箱中，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，该分箱成功率提升至 63.9%。
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。
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。
BioArt精选AI 评分7373 清华大学团队在Nature Communications发表可解释AI引导的可降解脂质肝脏mRNA递送研究
清华大学深圳国际研究生院颜昊、康飞宇团队在Nature Communications发表研究，建立模块化合成、高通量筛选、可解释机器学习与动物验证的两阶段框架，从520种实验脂质扩展到10,920种虚拟候选，筛出可降解可电离脂质PA97MD101。
推荐理由：研究把可解释机器学习用于可降解脂质筛选，并用独立动物实验检验体外预测的边界。
iNature同新闻AI 评分6262 香港大学贾伟团队开发MetLLM，从化学空间发现新型胆汁酸
香港大学贾伟团队在Cell Metabolism发表研究，提出基于Transformer的语言模型MetLLM，学习胆汁酸修饰模式以优先筛选候选胆汁酸类似物，并构建含3900个优先候选物的计算机模拟胆汁酸化学景观MetSpace。
DrugAI精选AI 评分7373 MetaPLI：结合三维结构与少量实验数据预测分子活性
北京大学来鲁华、裴剑锋课题组在 Digital Discovery 发表 MetaPLI，一种基于蛋白质—配体三维结构、以同靶标少量已测分子为参考的少样本绝对结合亲和力预测方法。
推荐理由：论文给出少样本活性预测在跨靶标测试与逐轮筛选模拟中的误差和排序表现，可对照FEP类方法看适用边界。
智药邦AI 评分7676 苏黎世联邦理工与罗氏在Nature Computational Science发表主动学习与几何深度学习协同的反应预测研究
瑞士苏黎世联邦理工学院Gisbert Schneider团队与罗氏合作，在《Nature Computational Science》发表研究，将主动学习、高通量实验与几何图神经网络整合为闭环，用于数据稀缺条件下的C–H硼化反应成败与区域选择性预测。
AI药物设计实验室精选AI 评分7070 俄亥俄州立大学MADDIE多智能体药物发现系统：50个靶点各交付100个候选分子
俄亥俄州立大学Xia Ning团队提出MADDIE多智能体药物发现系统，由中央Orchestrator调度HitIdentifier、LeadOptimizer、Evaluator和Synthesizer四个专职智能体，在50个蛋白靶点上均交付100个满足对接评分、类药性、合成难度、毒性预测等计算阈值的候选分子。
推荐理由：论文用50个靶点的对照与消融，说明中央调度主要减少达到同一计算目标所需的搜索量。
DrugAI精选AI 评分7474 微软 Retrochimera 组合 Transformer 与 GNN 提升逆合成分析
微软研究院团队在 Nature 发表 Retrochimera，将逆合成 Transformer R-Smiles 2 与图神经网络 Neuralloc 组合，在约三分之二的化学家盲评比较中其建议优于参考数据集反应。
推荐理由：微软团队把 Transformer 与图神经网络组合成逆合成工具，并用化学家盲评和药企内部数据检验其表现。
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。
Corin Wagen精选AI 评分5858 Anton Ni 与 Joonho Lee 提出基于 UMA 嵌入的隐式溶剂模型
Corin Wagen 推荐 Anton Ni 与 Joonho Lee（哈佛大学化学与化学生物学系）的新工作：作者在 SMD 数据上基于 UMA 嵌入训练了一个兼容神经势（NNP）的隐式溶剂模型，并展示该模型可用于分子动力学、logP 预测、异构体 ΔG 预测和 SNAr 机理研究。推文未披露模型性能数字与对照结果。
推荐理由：该工作把 UMA 嵌入用于训练兼容神经势的隐式溶剂模型，并展示其在多类化学任务上的适用面。
AI药物设计实验室精选AI 评分6969 RouteFlow 在连续合成路径潜在空间中设计可合成分子
RouteFlow 将分子优化转化为连续合成路径潜在空间中的搜索，为解码成功的候选分子同时给出由构建块和反应模板组成的合成路线。研究用 270,423 个 Enamine 构建块、115 个反应模板和最多五步路线训练路线自编码器，并以奖励引导流匹配加循环一致性约束进行优化。
推荐理由：该预印本把合成路线编码为连续潜在空间做分子优化，为兼顾性质与可合成性提供了一种可迁移的搜索思路。
晶泰科技精选AI 评分5858 晶泰科技在《JACS》报道锑基手性催化剂设计，以计算先行实现92% ee
晶泰科技在《JACS》发表研究，针对环氧化物与苯胺的不对称开环反应，设计五价锑催化剂并锁定CAC-10，在5 mol%用量、甲苯室温条件下以99%收率和92% ee得到手性β-氨基醇，底物覆盖33种环氧化物与苯胺组合。
推荐理由：借诺奖手性放大机理切入，介绍晶泰科技用DFT与非线性效应实验设计锑基手性催化剂的工作。
insitro · Publications & Press精选AI 评分7272 insitro 与礼来在 TuneLab 推出体内 PK 预测机器学习模型
insitro 与礼来在 Lilly TuneLab 平台上线体内 PK 预测模型，可跨小鼠、大鼠、狗和猴四种临床前物种预测血浆清除率、稳态分布容积和平均驻留时间。
推荐理由：该模型用礼来历史数据直接预测体内PK，并与体外外推法对比，为小分子成药性评估提供参照。
Valence LabsAI 评分2222 Valence Labs 用 CIP 标签区分分子镜像
正如你的两只手互为镜像，人体内的许多分子也是如此。 但镜像并不相同，它们的差异具有生物学相关性。 这是我们的模型即使带有手性标签也可能悄然未能捕捉到的事实。 于是引入了 CIP 标签。 想了解体内化学物质如何被标记，以便 AI 工具能区分镜像，请看下方 Cristian 的视频。 完整视频：https://youtu.be/0tT-UqhHbpI
Pranam Chatterjee精选AI 评分5858 Chatterjee 实验室 NeurIPS 论文提出 pCoMole，将生物分子缩小同时保留功能
Pranam Chatterjee 团队在已被 NeurIPS 接收的论文中提出 pCoMole，目标是在保留或提升分子功能的前提下缩小生物分子尺寸，以降低合成、制造与递送难度。论文编号为 arXiv:2610.01663，模型已在 Hugging Face 的 ChatterjeeLab/pCoMole 页面公开。推文未披露具体分子模态、评测指标与实验结果。
推荐理由：作者团队提出面向生物分子的缩小化生成方法，为在保持功能前提下压缩分子尺寸提供了可复用的建模思路。
DrugIntel精选AI 评分7070 Nature研究构建随机背景基线，量化配体优化中的效力与PK权衡
《Nature》2026年发表的这项研究针对6个靶点的18个先导化合物系统合成257个单原子水平类似物，发现11.3%的类似物效力提升至少10倍（95%置信区间7.5%–15.2%），但41.4%的类似物在肝微粒体稳定性、血浆游离分数或膜通透性中至少一项恶化超过3倍。
推荐理由：研究用257个单原子类似物建立配体优化的随机背景，量化效力提升与PK恶化的权衡。
Andrés M. Bran精选AI 评分5858 研究者评微软 RetroChimera：单步逆合成模型中的强方法
研究者 Andrés M. Bran 对微软研究院发表于 Nature 的逆合成预测模型 RetroChimera 做了评测，认为它在单步模型类别中是较强的方法。他强调预测必须经过实验室验证，而验证的前提是先把分子合成出来。微软研究院的原帖称该模型用于加速化学合成、帮助研究者探索更广泛的分子。
推荐理由：作者以实测评测视角指出逆合成模型需先合成再验证，并给出单步模型类别中的定位参照。
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。
英灵殿科技Valhalla精选AI 评分7474 英灵殿科技发布ADMET-EvO自演化科学智能体，在22项TDC ADMET任务中综合排名第一
英灵殿科技（Valhalla Technology）联合香港中文大学、浙江大学和斯坦福大学提出ADMET-EvO，一种面向异质任务持续开展自主研究、驱动任务专用算法演化的科学智能体。
推荐理由：该工作把端点理解、假设检验与算法演化串成研究闭环，为药物研发智能体的评测方式提供了可参照的架构。
Oxford Protein Informatics Group · Blog精选AI 评分5858 用机器学习预测ADME性质：两个描述符保留82%性能
OPIG的UNIQ+学生Zarif Shafiei复现Biogen ADME数据集上的模型比较结论，发现仅用RDKit的PEOE_VSA与SlogP_VSA两个向量描述符即可保留48描述符基线82%的预测性能（LightGBM、四端点5折交叉验证，平均R²由0.42降至0.36）。
推荐理由：作者复现Biogen ADME基准并检验其结论，发现两个RDKit描述符可保留82%预测性能，为特征选择提供参照。
Inductive Bio 官网资讯精选AI 评分5858 Inductive Bio 分享 OpenADMET PXR 盲测夺冠方法
Inductive Bio 在 OpenADMET 2026 年 PXR 激活预测盲测中从 350 多名研究者中排名第一，其负责人 Duncan Muir 在 webinar 中完整讲解建模路径。
推荐理由：Inductive Bio 复盘其在 OpenADMET PXR 盲测中的建模路径，为 ADMET 预测的误差分析与数据融合提供可迁移做法。
Philippe Schwaller精选AI 评分8282 SynthEx：面向复杂天然产物的策略优先合成规划智能体
Schwaller 团队发布预印本 SynthEx，一个以语言模型生成原子级图编辑断键、由多智能体分工提出策略、扩展路线并模拟修复的合成规划器。在 1,098 个无报道全合成的复杂天然产物上，近乎穷举的 AiZynthFinder 解出 13.8%，SynthEx 达到 63.9%，分子越复杂差距越大。
推荐理由：该工作用智能体规划复杂天然产物合成路线，并以专家盲评比较机器与人类步骤，提供了可参照的评测设计。
MIT Jameel Clinic · News精选AI 评分7373 机器学习筛选出抗耐药淋球菌的新型抗生素候选分子
MIT 的 Melis Anahtar 团队用含 38,650 个分子及其抑制淋球菌生长数据训练神经网络，再筛选 610 万分子，找到预测可靶向该菌的候选。实验室测试显示其中一个分子对多重耐药淋球菌有效且对人细胞毒性较低；用另外 152 个分子重训模型后又发现一个候选，该分子在体外杀死多重耐药菌株并在小鼠体内降低药物敏感菌株水平，进一步实验显示其抑制细菌细胞壁合成所需的一种酶。
推荐理由：研究用3.8万分子训练神经网络筛选610万分子，找到对多重耐药淋球菌有效且机制新颖的候选。
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。
HouMed精选AI 评分7474 侯廷军团队在ChemRxiv发布LiTENexus量子化学驱动端到端AI药物发现系统
浙江大学侯廷军团队联合澳门理工大学于2026年5月15日在ChemRxiv发布LiTENexus系统，提出量子化学信息注入（QCII）机制，将势能面、电荷分布、偶极矩等规律编码进神经算子，构建端到端虚拟药物发现平台。
推荐理由：侯廷军团队把量子化学信息注入神经算子，在ADMET与分布外化学空间给出可对照的基准结果。
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。
HouMed精选AI 评分7373 LaMGen：基于大语言模型的多靶点3D分子生成框架发表于Nature Communications
浙江大学康玉、侯廷军团队联合澳门理工大学刘焕香团队在Nature Communications发表LaMGen，一个仅输入靶蛋白氨基酸序列即可生成3D活性分子的多靶点药物设计框架。
推荐理由：研究用LLM从蛋白序列直接生成多靶点3D分子，并在分布外靶点对上与DualDiff比较。
Ignota Labs 官网资讯AI 评分4141 Ignota Labs 入选 AI for Science Datasets RFP 十大获胜者，将构建激酶药物毒性数据集
Ignota Labs 入选 AI for Science Datasets RFP 十大获胜者，其提案是构建数据集以加深对药物毒性根源及缓解方式的理解。该公司与 Arctoris 合作，针对一批存在显著选择性挑战的癌症相关激酶，绘制分子结构微小改动引发行为显著变化、常导致意外副作用的化学边界，并称这是首个此类资源。
1910 Genetics精选AI 评分6363 1910 Genetics在J. Med. Chem.发表PEGASUS：用大规模并行生物实验数据构建AI模型解析细胞穿透环肽极性
1910 Genetics在J. Med. Chem.发表题为PEGASUS的论文，介绍用基于大规模并行生物实验构建的AI模型解析细胞穿透环肽的极性。论文链接为https://pubs.acs.org/doi/10.1021/acs.jmedchem.5c01836，具体模型性能与实验数据未在帖文中披露。
推荐理由：该论文介绍基于大规模并行生物实验数据构建的AI模型，用于理解细胞穿透环肽的极性规律。
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。
Punit Kumar Jha精选AI 评分6969 SandboxAQ研究用合成数据改进蛋白-配体结合亲和力预测
SandboxAQ在预印本中分析合成结构数据如何增强深度学习蛋白-配体结合亲和力预测，生成约8万次绝对自由能扰动（AFEP）计算并构建SAIR-FEP与SAIR-OOD两个数据集。研究发现基于结构的模型对输入结构质量高度敏感，从Boltz-1x筛选高置信度共折叠复合物可带来可预测的性能提升，而盲目加入低质量结构会使指标饱和。合成与实验数据联合训练在CASF 2016上使RMSE最多降低8%、相关性指标提升9-11%，且仅在使用高质量合成结构时重现神经缩放规律。
推荐理由：研究用约8万次AFEP计算构建合成数据集，比较合成与实验数据联合训练对亲和力预测的影响。
David Mobley精选AI 评分6060 OpenFF 发布新力场与更快电荷模型预印本
OpenFF 团队发布新力场和速度更快的电荷模型预印本，论文链接见 chemrxiv。作者未在推文中披露力场版本、电荷模型方法及精度或速度的具体数据。
推荐理由：OpenFF 团队发布新力场与更快电荷模型的预印本，为分子模拟中电荷参数化的效率取舍提供参考。
Marwin Segler精选AI 评分5858 Marwin Segler 报告用于合成步骤生成的推理模型
Marwin Segler 报告团队推出面向合成步骤生成的推理模型，针对该任务采用专门的思维链监督微调（SFT on COT）与可验证奖励强化学习（RLVR）。其表示语言模型在处理结构与丰富自然语言并存的化学任务（如合成）时带来新能力。
推荐理由：作者披露其合成路线生成推理模型采用SFT与RLVR训练，为化学语言模型的能力边界提供一手说明。
Numerion Labs精选AI 评分6868 Numerion Labs 与 NVIDIA 发布 APEX 协议，30 秒内筛选百亿虚拟化合物
Numerion Labs（原 Atomwise）与 NVIDIA 专家合作在 arXiv 发布论文，提出 APEX（近似但穷举搜索）计算协议，可在单块 NVIDIA GPU 上于 30 秒内从 100 亿化合物的组合合成库中检索出评分最高的 100 万个候选分子。
推荐理由：该协议把十亿级组合库的穷举式筛选压缩到秒级，为超大化学空间检索提供了可复用的方法与基准。
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。
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs与Broad Institute发布FDA药物心脏毒性等级首批公开分类器
Ignota Labs与Broad Institute合作，基于美国FDA的DICTrank数据集构建药物诱导心脏毒性（DICT）预测分类器，成果发表于《Journal of Chemical Information and Modelling》。
推荐理由：研究基于FDA的DICTrank数据集构建公开分类器，比较化学与生物特征对药物心脏毒性的预测能力。