实验室批次效应与AI模型学习
在湿实验室数据上训练的模型，可能学到的不是底层生物学，而是某个研究实验室的怪癖。 “批次效应”指的是生物样本所反映的更多是关于谁做了实验、何时做的、在哪个仪器上做的，而非所关注的生物学本身。 观看 Zeinab 解释实验室如何应对批次效应，以确保 AI 模型学到的是底层生物学，而非噪声。
#深度观点
Valence LabsAI 评分4040
MIT Jameel Clinic · NewsAI 评分1818 MIT Jameel Clinic 研究附属成员 Gabriele Corso 入选 MIT Technology Review 2026 年 35 岁以下创新者榜单
MIT Jameel Clinic 研究附属成员、Boltz 联合创始人兼 CEO Gabriele Corso 入选 MIT Technology Review 2026 年“35 岁以下创新者”榜单生物技术类别。
Valence LabsAI 评分1212 Valence 谈细胞响应预测与多模态数据整合
衡量细胞内部发生的变化有很多种方法。 单独来看，每种测量都是不完整的。综合起来，我们才能开始预测细胞响应、了解机制，并将这些发现跨细胞类型泛化。 遗憾的是，整合不同数据模态并不像听起来那么简单。 想了解更多，请看 Ali Denton 的 Valence at the Whiteboard。 🎥 完整视频链接见下方
Genesis Molecular AIAI 评分1818 Genesis CTO谈分子基础模型与AI制药
我们的CTO @edunov 做客 @AI_in_the_AM，与 @labenz 和 @8teAPi 一起讨论了分子基础模型、基于物理的模拟、湿实验数据、智能体工作流以及制药合作，以及它们如何共同服务于AI药物发现这一复杂任务。 他们还谈到了Anthropic的蛋白质结合剂设计报告、为什么亚埃级精度很重要，以及为什么生物学是AI研究中最令人兴奋的前沿领域。 观看链接：https://www.youtube.com/watch?v=JHglTBoaGTk
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。
Valence LabsAI 评分3636 Valence Labs 谈虚拟细胞在药物发现中的定位
Valence Labs 发文讨论虚拟细胞在药物发现流程中何处最能发挥作用。其研究员 Ihab Bendidi 在博客中指出，虚拟细胞虽能模拟人体生物学，但技术本身必要却不充分，革命性突破取决于把技术指向正确方向。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 谈虚拟细胞在药物研发管线中最该发力之处
Valence Labs 发文认为，虚拟细胞最有价值的定位不是加速临床前流程，而是提升进入临床的候选质量，即做转化靶点验证。文章提出三个问题：靶点扰动是否在人类疾病生物学中产生预期效应、效应能否在患者生物变异中保持稳健、以及能否对疾病情境形成足够选择性；并建议在现有分子测量基准之外增加决策层评估，例如回溯识别后来因人类生物学不符预期而失败的假设。
推荐理由：Valence Labs 提出虚拟细胞应聚焦转化靶点验证，而非仅加速临床前流程，并给出可操作的评估维度。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 回顾表型组学演进：从监督迁移学习到生成式基础模型
Valence Labs 的 Inside Valence 文章梳理细胞表型组学从监督迁移学习走向自监督与生成式基础模型的路径，起点是 2019 年 Recursion 的 RxRx1 Kaggle 竞赛，该任务覆盖约 1,100 个 siRNA 条件、125,510 张图像，并在 50 多个实验批次中重复筛选。
推荐理由：梳理细胞表型组学从监督迁移学习到生成式基础模型的演进，并说明RxRx3数据集在虚拟细胞研究中的支撑作用。
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。
LabGenius Therapeutics · NewsAI 评分4242 LabGenius：超越结合剂设计，AI 的下一个前沿是多特异性抗体设计
LabGenius Therapeutics 计算科学与工程副总裁 Winston Haynes 指出，多特异性抗体优化因缺乏公开功能数据，仍主要依赖人工直觉，而连接子结构等组装方式的小改动即可显著改变效力与选择性。其提出将多特异性抗体构建与高通量自动化实验耦合，用智能体主动学习让 AI 模型与自动化实验室形成闭环，从每次实验数据中持续优化设计。
BioSymetricsAI 评分1818 BioSymetrics首席科学官谈疾病异质性
BIO 2026 提出了关于研发未来的问题。BioSymetrics 首席科学官 Gabe Musso 反思了疾病异质性与平台能力的价值。#BIO2026 #Neurodegeneration #Biotechnology
ProfluentAI 评分4242 Profluent AI设计碱基编辑器平台
一套AI设计的碱基编辑器，全部源自同一骨架。每位患者唯一不同的部分只是向导RNA。 这就是AI带来的转变：罕见病从"一次一个药物"走向平台化，旨在降低成本、惠及更多患者。 下方是我们与GEMMABio合作、现获@ARPA_H的THRIVE项目支持的更多内容。
ProfluentAI 评分4848 Profluent 以 AI 设计模块化基因编辑器
罕见病的瓶颈在于设计：突变太多，一次只能编辑一个。AI 能解锁这一点。 很自豪能与他们一起在 @ARPA_H 的 THRIVE 项目下构建 GemmaBio 的平台。我们正将前沿 AI 模型和碱基编辑器投入这项工作，设计可跨多种突变扩展的模块化基因编辑器。
Biohub · NewsAI 评分4848 Biohub 年度回顾：蛋白质世界模型、激光相位板与患者驱动科研
Biohub 发布基于下一代 ESM 的蛋白质生物学世界模型，可预测蛋白质折叠、相互作用与功能并设计新蛋白，科学家已用其设计抗体候选物，在针对癌症和免疫相关靶点的早期实验室测试中显示积极结果。该机构还与 UC Berkeley 团队合作推出全球首个电子显微镜激光相位板，并联合多家研究机构发起 Virtual Biology Initiative，以构建人类细胞的预测性虚拟模型。
ProfluentAI 评分2222 Profluent称AI生物处GPT-1.5时代
我们仍处在AI×生物学的GPT 1.5时代 早期模型已经奏效（信号：我们与礼来22.5亿美元的合作），但我们离天花板还很远 我们正尽可能快地奔向GPT 5 @thisismadani 与 @nathanbenaich @airstreet
ProfluentAI 评分2020 Profluent谈生物学AI机遇
生物学的复杂度不亚于文本，而且（在我们有偏见的看法中）影响力要大得多。然而，世界上只有一小部分AI人才和算力投向这一领域。 这个领域远远未被充分开发。 观看 @thisismadani 与 @nathanbenaich @airstreetcapital 的对谈，聊聊这一机遇。
Ignota Labs 官网资讯AI 评分3838 Ignota Labs 联合创始人 Layla Hosseini-Gerami：如何用 AI 将失败药物转化为新药
Ignota Labs 联合创始人 Layla Hosseini-Gerami 在 Nature 访谈中介绍其 AI 驱动平台：先从数千个失败药物中筛出因意外安全性问题（如肝毒性）而搁置、但患者潜力大的候选，再用深度学习结合生物信息学、化学信息学和多模态数据定位安全性问题根因并制定缓解策略。核心目标是以最小化学改动让这些药物尽快重回临床。
NewLimit · Progress BlogAI 评分4242 NewLimit 2026 进展更新：AI 系统将发现速度提升至 2 倍
NewLimit 在 2026 进展更新中称，其 AI 系统将发现速度提升至 2 倍，治疗项目从 2 个增至 3 个，并有 1 个候选药物走向临床试验。此次更新还涵盖公司创始假设与历史、酒精相关恢复研究、临床开发计划及现场问答。
Verge Genomics (Verge Labs)精选AI 评分6060 Verge Labs 与 Tenacia 达成 CNS 管线平台合作，用人类组织数据表征靶点
Verge Labs 与 Tenacia Biotechnology 宣布战略平台合作，Verge 将用其 AI 平台和专有多模态人体组织数据，为 Tenacia 部分 CNS 项目优先排序并表征靶点。
推荐理由：Verge Labs 首个平台优先模式合作，展示多模态人脑组织数据如何用于 CNS 靶点优先级与表征。
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。
Biohub · News精选AI 评分5858 Biohub 资助 15 个团队构建免疫细胞重编程工具包
Biohub 宣布支持 15 个研究项目，与合成生物学专家共同搭建免疫细胞工程的基础工具包，包括逻辑电路、合成受体、结合剂文库和传感平台。获资助团队包括 David Baker 团队设计可读取多种生物信号并作出响应的蛋白电路、James Collins 团队构建 RNA 分子电路、Wendell Lim 团队汇编传感器与逻辑电路模块目录。
推荐理由：Biohub 公布 15 个免疫细胞重编程资助项目，展示合成生物学工具包的模块化分工与团队布局。
PrecisionLife 官网资讯精选AI 评分5858 PrecisionLife 与 Ovation 达成合作，2026 年推出 GLP-1 分层 LDT 与消费者 DNA 检测
PrecisionLife 与 Ovation.io 达成协议，将 PrecisionLife 对 Ovation 的 GLP-1 受体激动剂数据集的分析结果商业化，计划在 2026 年推出 GLP-1 分层实验室开发检测（LDT）和面向消费者的 GLP-1 DNA 检测。
推荐理由：两家公司基于真实世界 GLP-1 数据达成商业化合作，并披露减重与血糖控制标志物不同的初步结果。
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。
insitro · Publications & Press精选AI 评分6868 insitro与百时美施贵宝扩大ALS合作，新增两个由Virtual Human平台发现的靶点
insitro宣布与百时美施贵宝扩大针对肌萎缩侧索硬化（ALS）的战略合作，BMS新提名ALS-2和ALS-3两个靶点，二者均由insitro的Virtual Human平台发现，与2024年12月提名的ALS-1并列。
推荐理由：合作扩展新增两个ALS靶点并触发里程碑付款，同时披露靶点在iPSC运动神经元中的验证结果。
Cradle Bio BlogAI 评分4242 Cradle Bio 用桑基图可视化多属性蛋白质优化中的权衡
Cradle Bio 将桑基图用作多属性蛋白质生成项目的核心可视化，展示序列在活性、表达、稳定性、安全性和可开发性等约束下的通过或失败流向，以定位设计瓶颈。这些结果均为预测，序列尚未合成或经湿实验验证。两个虚构示例中，将次要安全性约束放宽约10%后序列流量打开；在抗体案例中放宽次要疏水性约束后，主要活性从起始模板的1.5倍提升至2.7倍。
LabGenius Therapeutics · NewsAI 评分3838 《In Vivo》两篇系列报道：谁在构建自主实验室及其对药物发现的影响
《In Vivo》以两篇系列报道梳理自主实验室的建设者、架构与商业模式选择，及其对药物发现组织、外部研发合作和操作人员的影响。报道认为自主实验室并非现有自动化的渐进升级，而是对仍发生在手工实验台上的99%药物发现研发支出的结构性挑战。
Ignota Labs 官网资讯AI 评分2020 Ignota Labs 入选 Labiotech.eu 2026 年值得关注的 18 家英国生物科技初创企业
Ignota Labs 入选 Labiotech.eu 的“2026 年值得关注的 18 家英国生物科技初创企业”名单。该公司用结合先进机器学习模型与多模态数据的 AI 平台解析毒性机制，为失败药物提供解决毒性成因、优化给药方案和临床重定位的可执行洞察，推动其尽快重返临床。
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。
Nimbus TherapeuticsAI 评分2828 Nimbus Therapeutics将在第21届ECCO大会上公布新型SIK2抑制剂临床前与转化数据
Nimbus Therapeutics将于2月18-21日在斯德哥尔摩第21届ECCO大会上以两张海报公布其新型SIK2抑制剂的临床前与转化数据。该公司称，基于结构的药物设计使其高选择性SIK2抑制剂对SIK1和SIK3的选择性超过300倍，在临床前模型和人源离体模型中显示抑制炎症与促进黏膜愈合的双重机制。该SIK2项目正推进至炎症与自身免疫疾病的首次人体研究。
Ignota Labs 官网资讯AI 评分2222 长寿医学面临的最大挑战：长期安全性
Ignota Labs 指出，长寿疗法的核心瓶颈不是找到可调控通路，而是确认其能否长期安全使用。此类疗法靶向核心细胞过程、面向慢性或终身使用且可能用于无症状人群，标准安全上限不足，累积毒性和情境依赖性风险需在发现早期就纳入评估。该公司正构建毒理学模型，将毒理学与计算建模结合以支持更安全药物的开发。
Biohub · NewsAI 评分3838 Andrea Califano：用 AI 重编程免疫系统的 6 项策略
Biohub 的 AI 研究者、免疫学家与生物工程师提出 6 项策略，用 AI 结合单细胞生物学和 iPSC 技术重编程免疫细胞，使其检测疾病、报告物理变化并递送治疗。
Biohub · NewsAI 评分3838 Shana Kelley：测量炎症的5种新方法
Biohub正以工程化思路开发5种测量炎症的新方法，目标是在人体组织中实时观察免疫细胞活动。具体包括基于质谱的活组织蛋白质组与代谢组非侵入检测、可对免疫细胞基因做CRISPR扰动并读出影响的功基因组平台，以及用高通量T细胞/抗原筛选结合AI解码细胞识别、预测免疫细胞决策的Decoder工具。
Nabla Bio精选AI 评分5858 Nabla Bio 称其为武田设计的分子获武田总裁在 JPM 公开评价
Nabla Bio 表示，其为武田设计的一个原本面临终止、无推进路径的项目交付了多个候选分子并奏效，武田总裁 Andy Plump 在 JPM 上以“浴火凤凰”形容该分子。Plump 称传统方法无法自行得到这一分子，但双方未披露适应证、分子数量细节与实验数据。Nabla Bio 还称其 JAM-2 平台与整合湿实验室已在业界数十个项目中运行，武田正将 AI 整合进其发现流程。
推荐理由：Nabla Bio 披露其为武田设计的分子被武田高管在 JPM 上公开评价，可作为 AI 设计分子进入大药企管线的合作案例参照。
Latent LabsAI 评分2020 Latent Labs 谈药物发现分子难题
“药物发现之所以困难，是因为当我们进入临床阶段时，我们仍然没有合适的分子。在 Latent，我们正致力于改变这一点。” AI 可以设计出能结合的分子。但是否具备成药性？这一直是悬而未决的问题。
Nabla BioAI 评分2626 STAT News审视AI设计抗体进展，Nabla Bio CEO谈压缩发现周期
STAT News对AI设计抗体的现状做了平衡报道，既呈现实际进展也保留质疑。Nabla Bio CEO Surge Biswas表示，公司开发AI以压缩药物发现周期，针对难成药靶点、新功能和更优药物特性设计更好的药物，并与领先药企团队紧密合作。
Ignota Labs 官网资讯AI 评分2222 老药新用：AI 助力挽救失败药物
Jordan Lane 与 Layla Hosseini-Gerami 在 ELRIG Drug Discovery 2025 上介绍用 AI 揭示药物毒性隐藏机制、挽救已显示潜力却在临床试验中因脱靶效应失败的分子。他们称这与业内多数用 AI 往研发管线里塞入更多药物的做法不同，重点是在药物掉出管线时将其救回，以期缩短开发周期、降低临床风险并减少碳排放。
Ignota Labs 官网资讯AI 评分2525 Ignota Labs 谈药物开发中失败知识的流失与 SAFEPATH 平台
Ignota Labs 提出以药物“扭转”模式回收失败项目中的知识，其 SAFEPATH 平台通过映射脱靶结合、梳理生物通路并在受控系统中重现问题来解析药物行为机制。公司称约 10% 至 20% 的失败药物属机制可解决类别，且多数项目在被放弃前已完成 80% 至 90%。文中援引 56% 的药物因安全性问题失败，并认为新化学实体、新盐型、新晶型等可形成新知识产权。
Ignota Labs 官网资讯AI 评分2020 Ignota Labs CEO Sam Windsor 谈生物科技投资回报与 SAFEPATH 平台
Ignota Labs CEO Sam Windsor 在 Real Deals 的报道中表示，生物科技投资回报特征与传统私募股权差异明显：后者可能五笔投资中一笔赚 2 倍即算成功，而生物科技成功意味着 100 倍回报、失败则归零。报道同时关注药物失败的高成本与提升转化率的重要性，Ignota 则利用 AI 平台 SAFEPATH 理解临床试验失败药物的安全性问题，以挽救这些药物。
Ignota Labs 官网资讯AI 评分3333 Ignota Labs：被放弃的药物还能救命吗？
Ignota Labs在ELRIG 2025上介绍其药物“扭转”流程：用AI解析药物失败背后的机制通路，据此确定分子需要改动之处，再通过收购或合作获得药物权益并开发新临床候选物，尽快推回临床。公司称该路径可缩短开发周期、改善安全性，并较传统药物发现减少最高80%的碳排放。其策略聚焦他人放弃的已有苗头候选物，而非从零创造新药。
Ignota Labs 官网资讯AI 评分2828 Ignota Labs 在 ELRIG Drug Discovery 2025 谈用 SAFEPATH 复活废弃候选药物
Ignota Labs 首席科学官 Jordan Lane 在 ELRIG Drug Discovery 2025 介绍其 AI 驱动的 SAFEPATH 平台，通过识别毒性机制并指导理性重设计来复活已放弃的候选药物。