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。
#ADMET
BioArt精选AI 评分7373
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。
Insilico Medicine 英矽智能AI 评分4242 英矽智能推出MMAI KINOME激酶预测模型
67 种激酶。你的分子还可能命中什么？🎯 认识 MMAI KINOME，英矽智能专用于预测激酶活性、探索选择性的 AI 模型。 带上你的分子。探索预测结果。免费试用。 👉 https://playground.insilico.com
Insilico Medicine 英矽智能AI 评分4040 英矽智能免费开放MMAI ADMET模型
1个模型。28项关于你分子的预测。🧪 它会被人体吸收吗？可能有毒性吗？作为潜在药物它会有怎样的表现？ 认识MMAI ADMET，我们用于药物发现的SOTA模型家族的一员。🧪 🚀 现已免费开放试用！ 👉 https://playground.insilico.com
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。
insitro · Publications & Press精选AI 评分6565 insitro 与礼来共建的小分子体内 PK 预测模型上线 Lilly TuneLab
insitro 与礼来合作构建的小分子体外及体内性质预测机器学习模型，现已向部分生物技术公司开放于 Lilly TuneLab。模型基于礼来数十年研究产生的多物种临床前数据训练，覆盖数十万个独特分子，并会随数据集扩展而更新；insitro 称其可作为当前从体外实验外推的行业标准方法的替代方案。
推荐理由：礼来与 insitro 用数十年多物种临床前数据训练的小分子体内 PK 预测模型进入 TuneLab，为早期筛选提供参照。
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。
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。
Inductive Bio 官网资讯精选AI 评分7272 Inductive Bio 发布 Beacon-2，可由化学结构预测小分子人体有效剂量
Inductive Bio 于 9 月 17 日发布 Beacon-2，该系统可直接从小分子化学结构预测人体有效剂量，先预测吸收、分布、代谢、排泄与毒性等决定剂量的性质并估算效力，再通过药代动力学机制模型整合。
推荐理由：Beacon-2 把人体有效剂量作为可从结构计算的指标，并给出在真实药物项目与公开化合物上的验证范围。
Inductive Bio 官网资讯精选AI 评分7373 Inductive Bio 发布 Beacon-2 模型，从化学结构直接预测人体有效剂量
Inductive Bio 发布 Beacon-2，这是对 Beacon 系列模型的重大更新，可在 ADMET 之外直接从化学结构预测分子的有效人体剂量，由 ADMET-PK、效力与 PK/PD 三个可配置模块组成。
推荐理由：Beacon-2 把人体有效剂量作为可计算目标，并用 Indy 智能体的对照实验展示只优化效力会出现的偏差。
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。
Valence LabsAI 评分2222 Valence Labs 谈生成式AI置信度预测
Valence Labs 介绍其置信度预测新工作，用于判断药物分子预测结果中哪些可信、哪些需回实验室补数据。推文指出生成式AI模型很少按已有证据校准置信度，在药物发现中这种虚假自信会浪费时间和资金。视频由 Tristan 讲解。
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。
Ginkgo Datapoints · UpdatesAI 评分5858 Ginkgo Datapoints、Tangible Scientific 与 Inductive Bio 联合推出 ADME-One
Ginkgo Datapoints、Tangible Scientific 与 Inductive Bio 联合推出 ADME-One，将完整的高通量 Tier 1 ADME 实验面板与 AI 驱动的人体 PK 预测及整合式化合物管理结合。三家机构称，该组合让团队可在命中化合物识别阶段就做出达到先导优化质量的决策。
HouMedAI 评分1818 浙江大学LynxMind项目获浙江省第十五届“挑战杯”大学生创业计划竞赛金奖
浙江大学课题组本科生沈欣领衔的“LynxMind——中枢神经药物设计领航者”项目在浙江省第十五届“挑战杯”大学生创业计划竞赛中获本科生组生物医药与健康科技赛道金奖。该项目为面向中枢神经系统疾病的新一代药物发现一体化平台，构建专属数据库并整合血脑屏障穿透性预测、分子生成与优化、可解释性分析等功能。
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。
Lantern PharmaAI 评分4040 Lantern将predictBBB升级为LQM
$LTRN 将 http://predictBBB.ai 升级为大型定量模型（LQM） ✓ 仅凭单个SMILES即可进行360°分子分析 ✓ 数秒内获得99+项特征 ✓ 网页原生、实时分子智能 ✓ 已集成至 @withzeta.ai 阅读更多：https://bit.ly/4tGcVc7
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。
Inductive Bio 官网资讯精选AI 评分6262 Inductive Bio：概率化人体剂量预测如何改变候选化合物优先级
Inductive Bio 提出一套将临床前数据转化为人体剂量分布并显式传播实验与模型外推不确定性的框架，在与 Aleksia Therapeutics 的合作中用于三个后期先导化合物的排序。
推荐理由：以三个候选化合物的剂量分布对比说明概率化人体剂量预测如何改变优先级判断，并指出体外重复实验最能降低不确定性。
药渡CyberAI 评分3636 药渡Cyber解析口服选择性PLK4抑制剂RP-1664的发现
Repare Therapeutics研究团队通过基于结构的药物设计优化，从Centrinone B出发获得口服选择性PLK4抑制剂RP-1664，在临床前展现优异效力、激酶组选择性及药代动力学特征。
Ignota Labs 官网资讯AI 评分4242 Ignota Labs 文章登上 Digital Discovery：预测毒理学如何克服障碍并塑造未来
Ignota Labs 称其文章获 Digital Discovery 刊载，Masarone、Beckwith、Lane、Hosseini-Gerami 等人综述了药物发现中的毒理学预测，涵盖多种建模技术与器官芯片等新型数据源。
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。