让科学智能真正走进消费品研发现场：联合利华与深势科技的AI4S实践
深势科技与联合利华在联合利华中国研发中心成立30周年之际集中展示两项合作研究成果：从8000多种原料中借助AI模型与实验验证筛出3个具良好抗菌活性的候选分子，MIC处于0.01%—0.075%区间，低于同测试中苯氧乙醇的0.36%—0.64%，相关成分将用于联合利华规模达1.7亿欧元的全球创新项目。
推荐理由：两家公司披露抗菌活性物筛选与衣物护理配方模拟两项合作成果，展示了计算筛选进入实际产品研发的路径。
#分子动力学
深势科技 DP Technology精选AI 评分5858
Valence LabsAI 评分3838 预测结合亲和力：物理还是AI？
要预测结合亲和力，你会选择借鉴物理学的经验还是AI的经验？ 无论你选哪个选项，你都不太可能到达你想去的地方。 来看看Daniel Ramirez的评论文章，他在文中提出了第三种选项，这一选项有潜力比任何单一领域走得更远。 评论文章链接：https://valencelabs.substack.com/p/chasing-the-grail-a-history-of-binding?r=1ttm57&utm_campaign=post&utm_medium=web
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 回顾药物发现中结合亲和力预测的历史
Valence Labs 的 Daniel Ramirez 撰文梳理靶向药物发现中结合亲和力预测的两条路线：基于物理的对接与分子动力学方法可泛化到新靶点和新化学型，但速度慢且需要起始结构；Boltz-2、Nesso-1 等共折叠模型速度快、无需起始结构，却会在训练数据之外无预警失效。
推荐理由：梳理结合亲和力预测从物理模拟到共折叠模型的两条路线，并说明两者互补的融合方向。
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。
Valence LabsAI 评分3838 物理模拟大规模生成数据需警惕失效模式
Valence Labs 发文指出，DFT、FEP 等物理模拟工具正被转用于数据集开发，已能在缺乏人工密切监督下产出数千万条合成数据。但研究显示，某些计算数据集中多达 58% 的 DFT 生成数据在物理上不可能。作者 Ihor 在评论文章中介绍了若干低成本且有效的方法，用于规避物理模拟中的隐蔽失效模式，提醒在大规模使用这类方法时保持谨慎。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 谈模拟时代如何守住数据可靠性：DFT 与 FEP 的静默失效与自动检查
Valence Labs 的 Ihor Neporozhnii 撰文指出，DFT 与 FEP 等物理模拟输出正被当作训练与验证的基准真值，但这些工具原本面向专家逐条人工检查，规模化后会出现静默失效。
推荐理由：文章梳理 DFT 与 FEP 在规模化自动流程中的静默失效模式，并给出可内置管线的物理不变量与收敛检查。
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 Labs 官网资讯精选AI 评分7272 Valence Labs 发布全原子显式溶剂玻尔兹曼采样模型 AquaGen
Valence Labs 发布 AquaGen，称其为首个全原子、显式溶剂、考虑周期性边界条件的生成模型，可从玻尔兹曼分布生成分子构型。该模型用 3D 图神经网络将噪声转为药物分子与水的全原子三维排布，再以力场评估能量、以灰盒方式计算绝对水合自由能，约需数百个样本即可获得相对 MD 参考约 1 kcal/mol 误差的结果，速度约为 MD 的 10 倍。
推荐理由：介绍首个全原子显式溶剂玻尔兹曼采样模型，说明其相对分子动力学的速度与误差权衡。
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。