AI制药日报｜大分子/小分子/虚拟细胞多项研究进展
研究团队用肽条形码、尺寸排阻色谱与质谱结合的混合方法，在大肠杆菌统一生产条件下量化了超过39000个天然蛋白结构域变体、从头设计蛋白和纳米抗体的单体产量。AtomLM-9b以全原子结构分词器将生物分子几何压缩为离散结构token，在CASP14和CASP15上全原子lDDT分别为0.832和0.835。单细胞基础模型基准评测显示，五种模型在跨物种注释与扰动预测上优于简单基线，但同物种内优势有限。
#Recursion
下一分子AI 评分3232
下一分子AI 评分3636 Recursion三季报：临床新数据与现金跑道
Recursion在2026年第三季度业绩更新中披露，REC-4881治疗FAP的TUPELO试验可评价15人中13人总息肉负荷下降、中位降幅47%，REC-1245在较高剂量组12人中11人达到疾病控制并含2例确认部分缓解。
下一分子AI 评分3030 AI制药日报｜谷歌化学智能体、虚拟细胞与药企进展
本期日报收录谷歌DeepMind的Antigravity化学信息学技能演示，智能体可整理文献与分子数据、调用化学工具分析并协助提出待验证设计方案，官方称部分原需多天的工作可在约一小时内完成，但设计结果仍须实验验证。
Recursion精选AI 评分5858 Recursion 发布 Q3 更新：REC-4881 新数据、赛诺菲与基因泰克合作里程碑及现金跑道延至 2029 年
Recursion 在 Q3 更新中报告，REC-4881 在 FAP 的 TUPELO 二期数据显示，治疗 12 周后 87% 患者总息肉负荷下降，85% 可评估患者在停药 12 周后仍低于基线，两名患者较大息肉数量从 90 个以上降至 1 个。
推荐理由：Recursion 季度更新同时披露 REC-4881 的 FAP 二期数据、赛诺菲与基因泰克合作里程碑及现金跑道，可对照其平台兑现节奏。
RecursionAI 评分2222 Recursion 2026年第三季度财报电话会
Recursion 2026年第三季度财报电话会 + FAP 网络研讨会 https://x.com/i/broadcasts/2BlMKndVoQyoqk
Valence Labs精选AI 评分5858 Valence Labs 提出 trajectory replay 持续学习技术，用于 flow matching 与扩散模型
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。
RecursionAI 评分3838 Recursion详解自动化DMTL化学平台
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。
RecursionAI 评分4343 Recursion公布两款首创候选临床数据并完成2亿美元增发
Recursion公布REC-4881在FAP扩展成人人群中12周后87%患者息肉负荷下降（中位47%），停药12周后85%仍低于基线；REC-1245在≥45 mg剂量下获3例部分缓解、疾病控制率91.7%（11/12）。
RecursionAI 评分3838 Recursion 详解其 AI 药物设计平台流程
Recursion 的药物设计高级副总裁 Donovan Chin 介绍，其 AI 原生引擎可在约一天内跑完一轮计算设计循环，将数百万分子快速筛选为可合成的高质量候选短名单。流程先用 Nesso-1 等 3D 结构模型评估结合亲和力，再整合 ADME、效力、模拟与 AI 逆合成等数百个模型，使化学家能探索全新化学空间并预测合成路线。公司称这些分子不仅在计算上有前景，而且在送实验室前即可实际合成。
RecursionAI 评分3636 Recursion入选State of AI报告
感谢@nathanbenaich和@airstreet发布年度《State of AI Report》。我们很高兴因REC-4881相关工作被收录，这是一种MEK1/2抑制剂，目前处于针对FAP的2期临床试验。同样被收录的还有Nesso-1：一个开源模型，可在数秒内预测结合亲和力，助力更快的早期药物发现。
RecursionAI 评分4040 Recursion：合成约300个化合物推进候选分子
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。
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。
RecursionAI 评分2525 Recursion如何用实验验证AI预测靶点
Recursion在平台系列第四部分中说明，其基础模型提出潜在靶点后，会进入逐步加严、针对具体疾病的验证级联，在实验台上对计算发现进行降风险。公司称最终可证明模型预测的生物学与实验室观察到的物理现实一致，并以全球药企合作伙伴内部项目的高标准测试这些靶点。
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
RecursionAI 评分2222 Recursion用BioHive-2训练基础模型绘制生物学图谱
Recursion利用全球最快超级计算机之一BioHive-2训练基础模型，为每个已完成的细胞扰动生成独特嵌入指纹，并汇总为一张覆盖高维数据的综合生物学图谱。通过将已知疾病指纹与该图谱比对，可找出产生相似效应的其他基因操作，从而识别驱动或挽救疾病状态的靶点、生成新假设。该流程被其CTO称为“lab-in-the-loop”，即数据训练模型、模型指向靶点。
RecursionAI 评分4242 Recursion详解端到端平台：基因组规模扰动与数据工厂
Recursion神经科学副总裁Chris Winrow在平台系列第二部分介绍，公司用声学液体处理器将2.5纳升CRISPR-Cas9试剂移入1,536孔板、每周最多200万次，并刻意随机化实验，使机器学习模型学到真实生物学而非实验假象。通过对同一批细胞成像和测序，单次实验可获数千项测量，形成可反复挖掘、供AI基础模型学习的可复用数据集。
Recursion精选AI 评分5858 Recursion 称已培养超 1 万亿神经元构建全基因组图谱，Genentech 选择首个神经科学靶点
Recursion CEO Najat Khan 介绍，公司自 2021 年起规模化培养人神经元，累计培养超过 1 万亿个神经元，约相当于 12 个人脑，并执行系统性全基因组扰动与高维成像。这些 iPSC 来源神经元采用与 Roche 和 Genentech 合作开发的自有方案维持存活、一致性与生物学代表性。Genentech 已将合作中的首个神经科学靶点选择进入联合早期发现项目。
推荐理由：Recursion 披露其工业规模神经元培养与全基因组扰动平台，并说明 Genentech 已选择首个神经科学靶点进入联合早期发现。
Valence LabsAI 评分4242 Valence Labs 用 PRDC 评估生成模型
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
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。
Valence LabsAI 评分2020 Valence Labs谈扰动预测数据规模挑战
要解码生物学，我们希望理解干预（遗传或分子层面）如何改变细胞状态。 挑战在于规模：约有10⁶⁰种类药分子，我们希望理解它们在许多不同细胞背景下的效应。 即便在最先进的实验室中，覆盖如此大的搜索空间也是不可行的。 但充分的数据多样性对于训练能够泛化的扰动预测模型至关重要。 那么，我们该怎么做？
Valence LabsAI 评分4040 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。
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
Valence Labs 官网资讯精选AI 评分6262 Valence Labs 作者运行 Boltz-2 一亿次，检验共折叠能否模拟细胞生物学
Valence Labs 的 Dominique Beaini 用可抢占 GPU 对 9,000 个靶点与 50 万配体运行 AlphaFold-Multimer 和 Boltz-2 共折叠及亲和力预测，累计 1 亿次，构建名为 affinity-prints 的数据集，并借助 Recursion 的表型组学图谱检验预测相互作用与细胞实验数据的对应关系。
推荐理由：作者用上亿次共折叠预测搭建亲和力指纹，并检验其与细胞表型数据的对应关系，为共折叠与虚拟细胞的衔接提供了一套可迁移的评测思路。
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 LabsAI 评分3030 Valence Labs 推出可合成化合物生成模型 Synflownet
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。
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。
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。
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 提出 f-Trajectory Balance 损失族，用于分子生成与 LLM 的探索调优
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。
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。