Genesis Molecular AI 在 NeurIPS 2026 论文中报告，其方法在分子优化任务上达到与最强推理时搜索相同的性能，同时 oracle 调用次数减少 58 倍。该推文指出，预训练分子生成器掌握化学规律但不了解具体靶点，论文聚焦离散扩散设计选择对反馈效率的影响。
推荐理由：该论文比较离散扩散分子生成中不同设计选择对反馈效率的影响，为优化时的 oracle 调用预算提供参照。
Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文研究离散扩散分子生成模型在测试时如何分配算力，其在线适应框架仅用 86 次 oracle 评估即追平最强推理期搜索基线 Beam Search 约 5000 次评估的表现。
推荐理由：研究系统拆解在线适应式分子优化的四个设计选择，并给出何时值得用在线适应而非推理期搜索的判据。
Valence Labs 提出 trajectory replay，一种面向 flow matching 和扩散模型等连续时间生成模型的持续学习技术，通过用前一模型生成路径的速度场重训模型来提醒其已学内容，全程不生成完整样本。
推荐理由：该方法用前一模型生成路径的速度场重训，避免生成完整样本，为连续时间生成模型的持续学习提供更省成本的替代方案。
Recursion在平台系列第7篇中介绍其自动化化学平台：候选分子在计算机设计后直接进入自动化DMTL实验室，可规模化执行多步药物化学合成，并自动完成后处理、纯化与数字化样品追踪。其自研AI智能体还协助科学家规划高效合成路线；公司称因设计、合成、测试在同一集成系统内完成，消除了团队间数据交接的摩擦与时间损耗。
🧪 #Chemistry42 全新 #FeatureFriday：类型化排除体积 排除体积并不新鲜，但类型化的排除体积是新的。现在你不仅能封锁某片空间区域，还能精确指定那里不允许出现什么：不许有芳香环、不许有氢键供体、不许有带正电的基团，随药物化学需求而定。 在这段短片中，我们用一个真实的 B-RAF 生长向量示例进行演示。 #PharmaAI #GenerativeChemistry
Generate:Biomedicines 宣布与 Zealand Pharma 达成合作及许可协议，针对肥胖及其他代谢疾病设计多特异性候选药物，初始启动两个项目并保留第三个项目的选择权。公司称将先从患者所需的药物作用特征出发，再结合 Zealand Pharma 数十年数据与自身生成模型及高通量实验测量，设计具备目标生物学功能的多特异性候选药物。
推荐理由：该合作披露了双方在代谢疾病多特异性候选药物上的分工与初始项目数量，可了解生成式模型如何介入早期设计。
英矽智能提名口服、外周限制性VAV1分子胶降解剂ISM9546为临床前候选化合物，拟用于炎症性肠病和类风湿性关节炎等自身免疫性疾病。该分子由生成式化学平台Chemistry42经多轮设计-合成-测试-分析迭代优化得到，在多种细胞实验中显示亚纳摩尔级VAV1降解活性。
利太智药完成近5000万元种子轮融资，由讯飞创投、L2F光源创业者基金及知名产业方联合投资，光源资本担任独家财务顾问。资金将用于核心管线研发、算力投入、专利布局、人才招募及日常运营。该公司以生成式AI设计多肽新药，搭建“数据—模型—分子”三层技术体系及72小时多肽“生成—合成”闭环平台，覆盖线性肽和环肽的AI设计、化学合成、生物测试与结构解析全流程。
Recursion称其各项目在仅合成约300个化合物后即推进了高质量新候选分子，比行业平均少约90%。其AI原生引擎已产出逾10个开发候选分子，设计依托整合数百个机器学习与物理模型的Centaur平台，从靶点性质出发做生成式从头设计，并通过计算与实验的持续反馈循环迭代更新模型。
此前，85%与人类疾病相关的蛋白质被认为难以成药——它们的形状和功能使其不太适合实验室中的传统化学筛选。从实验筛选转向计算机上的AI生成设计，我们看到这些靶点大幅打开了以原子精度设计分子的潜力，从根本上扩展了我们能够治疗的疾病数量。
Isomorphic Labs 的药物设计引擎 IsoDDE 可智能搜索庞大化学空间，设计面向真实世界的功能性分子，将过去数月的实验室工作缩短为计算数天完成。其药物设计智能体从生物靶点和目标分子性质等严格设计规范出发，在 2-4 天内自主迭代生成新分子设计，公司称带来真实世界功能性进展。
英矽智能提名靶向GIPR的全新小分子临床前候选化合物ISM1354，用于肥胖、2型糖尿病及相关代谢疾病。
推荐理由：英矽智能用Chemistry42提名新一代GIPR拮抗剂，并给出与临床阶段同靶点分子的安全性对比数据。
一个生成模型表面上看起来在正常工作，却仍可能无法输出你最关心的疾病相关细胞群或小分子。 幸运的是，我们有技术手段来诊断并纠正这些失败。 在最新一期 Valence at the Whiteboard 中，Liam 讲解了如何使用精确率、召回率、密度和覆盖率（PRDC）来评估生成模型，以发现细微的失败模式并了解如何应对。 完整视频：https://youtu.be/teIoP92Aeow
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。
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。
Inceptive 用自建 CAR-T 数据微调序列设计模型，生成编码同一抗 CD19 CAR 蛋白的 mRNA 设计，并将 5 条序列推进 NSG-PBMC 人源化小鼠，与 Capstan 的抗 CD19 序列在同一 CD8 靶向 LNP（Amplitude Therapeutics 提供）下以 0.1 mg/kg 给药、24 小时终点比较。
推荐理由：Inceptive 用自建 CAR-T 数据微调序列设计模型，并在人源化小鼠中与 Capstan 基准序列做头对头比较，展示了模型排序到体内功能读数的转化路径。
Valence Labs 构建了 Synflownet，用于生成最可能具有所需活性的可合成化合物，以提升活性分子搜索效率。该模型针对可购买分子数量达数十亿、无法逐一评估的问题，定位为“锁匠”式生成工具，而非逐个匹配的评估模型。
Genesis Molecular AI 首次披露其智能体药物设计系统 Sapphire，该系统构建于其分子基础模型之上，可全天候自主迭代候选药物，对2D化学结构与3D分子构象进行推理并形成、检验假设。
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。
Terray Therapeutics分享了其生成式合成规划器TerraSynth的工作，针对小分子药物发现中的合成瓶颈。该工具将合成规划纳入设计循环，而非事后处理，以减少生成模型提出难合成分子对DMTA循环的拖慢。TerraSynth已整合进其EMMI平台，帮助聚焦值得合成的分子以推进项目。
NVIDIA 发布 BioNeMo Agent Toolkit，这是一个开放的、面向智能体的工具包，为任意 AI 智能体提供蛋白质结构预测、分子对接、生成式化学和基因组分析等可调用工具。Medra 转发该消息并表示正与 NVIDIA 合作构建由智能体决定下一步运行什么、再由物理 AI 实验室执行的闭环，称期待将其投入使用。
NVIDIA 发布 BioNeMo Agent Toolkit，将十余年积累的生命科学库、工具与开放模型封装为智能体可调用的技能，覆盖蛋白结构预测、分子对接、生成式化学、基因组分析、蛋白设计与生物标志物发现。
推荐理由：英伟达把十余年生命科学库与模型封装成智能体可调用工具，并列出多家药企与平台的接入情况。
Valence Labs 的 Jason Hartford 介绍其 ICML 论文 f-Trajectory Balance，提出一族损失函数用于微调 GFlowNets、生成模型和 LLM，并支持离策略与在策略数据。
推荐理由：作者从损失函数角度解释生成模型探索与利用的权衡，为分子生成和 LLM 微调提供可迁移的方法视角。
Genesis Molecular AI 因药企合作扩大、基础模型规模提升而扩充团队，正招聘 ML 与分子模拟科学家及基础模型 ML 研究科学家等岗位。前者将用 3D 扩散模型、物理启发神经网络和大规模分子模拟推进其 GEMS 药物发现平台，后者聚焦深度学习、物理与计算化学交叉的生成式 AI 模型研究。公司同时在 ML 研究、应用 ML 科学、产品与软件工程等方向开放职位。
Genesis Molecular AI 发布 DeCAF-Pearl，称其为首个用于全原子共折叠的流图模型，相比其 Pearl 模型推理提速 5 倍且质量几乎无损。
推荐理由：DeCAF-Pearl 以更少计算步数在 Runs N' Poses 基准上超过多个全原子共折叠模型，为高通量筛选场景提供了速度参照。
今天我们宣布，与@nvidia和@nebiusai（领先的AI云服务提供商，用于训练和推理）合作部署NVIDIA Blackwell B300 GPU的成果：我们用于药物发现的生成模型实现了超过4倍的训练加速和超过60%的推理提速。
Vilya 发布全原子基础模型 Vilya-1，专门建模含非天然氨基酸等多样化学的大环结构。公司称在公开与内部大环晶体结构合并基准上，Vilya-1 恢复晶体构象的表现超过次优方法一倍以上，物理与规则方法恢复的构象不到其一半，深度学习方法更落后。Vilya-1 还可微调用于富集可渗透化合物，并生成构象集合以评估能量景观、筛选结合剂；公司表示已在多个内部项目中应用该模型。
推荐理由：Vilya-1 以全原子模型覆盖非天然化学的大环结构预测，并给出与物理规则及深度学习方法的具体对比。
DeepLife 带来激动人心的消息！🚀 我们开启了 CENTURI Hackathon 2024！ 我们的 CTO Jean-Baptiste Morlot 展示了我们用于重建细胞数字孪生的突破性生成式 AI。衷心感谢我们团队和合作伙伴的支持！🙌 #Innovation #AI #BioTech #Deeplife