Ginkgo 于 11 月 18 日宣布发起虚拟细胞药理学计划 VCPI，以社区协作方式构建面向 AI 药物发现的虚拟细胞数据。该计划采用高通量阵列式 DRUG-seq 筛选，依托 10 亿美元自动化设施和标准化细胞系，并将公开 10 万个高质量化合物的 RNA 谱数据，具体化合物由社区投票选择。
推荐理由：Ginkgo 以标准化细胞系和 DRUG-seq 构建虚拟细胞药理学数据，并公开征集化合物，为数据侧建设提供参照。
Cellarity在Nature Communications发表药物性肝损伤（DILI）预测框架ToxPredictor，并开源模型与验证数据。该框架基于原代人肝细胞转录组库DILImap，覆盖300种与DILI相关化合物在多个浓度下的转录特征；盲评中达到88%灵敏度、100%特异性，优于20余个行业标准临床前安全模型，并识别出动物研究未发现的若干3期临床安全性失败。
推荐理由：该框架用原代人肝细胞的转录组数据预测药物性肝损伤，并在盲评中与20余个临床前安全模型比较。
Numerion Labs（原 Atomwise）与 NVIDIA 专家合作在 arXiv 发布论文，提出 APEX（近似但穷举搜索）计算协议，可在单块 NVIDIA GPU 上于 30 秒内从 100 亿化合物的组合合成库中检索出评分最高的 100 万个候选分子。
推荐理由：该协议把十亿级组合库的穷举式筛选压缩到秒级，为超大化学空间检索提供了可复用的方法与基准。
Anthropic 推出首个行业专属产品 Claude for Life Sciences，可对接 Benchling、PubMed、10x Genomics 和 Synapse.org，其 Claude Sonnet 4.5 在 Protocol QA 基准上得分 0.83，高于人类基线 0.79。
Cellarity在Science发表论文，提出整合高通量转录组与AI模型的细胞状态矫正药物发现框架，采用实验室在环的深度学习迭代，称表型活性化合物回收率较行业标准方法提升13至17倍。公司同步公开三个单细胞数据集，其中扰动转录组数据集含逾1700个样本、126万个单细胞，可用于跨细胞类型药物响应映射与扰动预测方法基准测试。平台首个候选CLY-124正针对镰状细胞病开展1期临床试验。
推荐理由：该框架把高通量转录组与主动学习闭环结合，并公开扰动数据集，为表型筛选的评测提供参照。
A-Alpha Bio 宣布参与 DeNOVO Initiative，与劳伦斯利弗莫尔国家实验室等机构开展为期 3 年的合作，用高性能计算和人工智能方法设计可中和未来生物威胁的抗体。
推荐理由：介绍 A-Alpha Bio 参与的多机构抗体设计项目，说明其高通量蛋白互作数据在训练结合预测模型中的角色。
Chemical Research in Toxicology 于5月2日发表《Machine Learning for Toxicity Prediction Using Chemical Structures。
推荐理由：33位产学研作者联合提出毒性预测框架，并给出与FDA人相关药物开发目标衔接的落地路径。
Eikon Therapeutics 在 Nature Methods 发表论文，介绍其斜线扫描（OLS）技术，该技术可与公司单分子追踪（SMT）平台结合，在活细胞中以最高每秒 14 平方微米的速度评估蛋白运动。
推荐理由：Eikon 在 Nature Methods 披露 OLS 与单分子追踪平台的技术细节，为高通量蛋白动态测量提供方法参照。
Ignota Labs 联合创始人兼 CDSO Layla Hosseini-Gerami 获 Innovate UK 女性创新奖，每位获奖者获 7.5 万英镑资助。
A-Alpha Bio 发布 AlphaBind 预印本，称其为业界领先的抗体优化模型，并已测定第 10 亿次蛋白-蛋白相互作用，为预测蛋白结合提供关键训练数据。预印本链接指向 bioRxiv，具体评测结果与对照设置未在推文中披露。
推荐理由：A-Alpha Bio 公开 AlphaBind 预印本，并称已累计测定十亿次蛋白-蛋白相互作用，为抗体优化模型提供训练数据。
在世界关节炎日，我们正通过DeepLife的110个数据集和3千多项实验推进关节炎研究！🔬 我们的#OmicStore + #CellBlueprint帮助整合专有数据，加速临床前和1期研究，以带来更好的治疗方案。🌍 了解更多：https://www.deeplife.co
在 #DeepLife，我们正以尖端研究攻克心脏病！🔬 我们的 #OmicStore 提供 573+ 数据集和 2.2 万+ 实验，而 #CellBlueprint 帮助锁定关键通路并重定位药物，以实现更好的治疗。在此试用：https://www.deeplife.co/product/cell-blueprint #WorldHeartDay
🧠 推进阿尔茨海默研究：在 #DeepLife，我们正利用前沿组学数据与 #CellBlueprint 技术，解锁阿尔茨海默领域的突破。 🔬 23 个数据集与 1,832+ 项实验，加速发现。立即试用我们的免费试用！ #神经退行性疾病 #生物技术
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。
A-Alpha Bio 与劳伦斯利弗莫尔国家实验室（LLNL）扩大合作，获美国国防部（DoD）追加 240 万美元资助，将合作范围从新冠扩展到 DoD 认定的其他潜在生物威胁。A-Alpha Bio 将用 AlphaSeq 测量抗体与病原体变异体之间数百万个蛋白质-蛋白质相互作用，用于训练机器学习模型，预测交叉反应性和毒株特异性结合剂，以加速未来药物发现。
推荐理由：合作从新冠扩展到其他潜在生物威胁，展示用高通量相互作用数据训练抗体结合预测模型的路径。
AI驱动的计算机毒理学筛选以分子化学结构为输入，预测小分子在遗传毒性、肝毒性、肾毒性和心脏毒性等终点的潜在毒性，从而在药物发现早期识别安全风险。其关键环节包括高质量毒理数据集、分子指纹等特征表示、支持向量机与图卷积网络等AI算法，以及外部数据集验证和软件平台集成。该方法有望帮助优先选择更安全的候选药物并减少体外和体内测试需求。
A-Alpha Bio 宣布与劳伦斯利弗莫尔国家实验室（LLNL）合作，利用 AlphaSeq 产生的结合数据训练机器学习模型，以加速针对新冠变异株的治疗性抗体发现。该项目由美国国防部支持，计划测量数百万量级的蛋白-蛋白相互作用，并借助 LLNL 的计算能力预测抗体与变异株冠状病毒蛋白的结合，作者称该思路也可用于其他快速演化的传染病和生物威胁。
推荐理由：该合作把 AlphaSeq 的大规模蛋白互作测量与 LLNL 算力结合，用于训练预测抗体与变异株结合的模型。
A-Alpha Bio 宣布介绍 AlphaSeq 的论文已在 PNAS 发表。文中展示可通过重编程酵母交配同时表征数千个蛋白质-蛋白质相互作用，并观察到改变细胞外环境后相互作用强度的变化。
推荐理由：AlphaSeq 通过重编程酵母交配实现数千蛋白互作并行表征，为结合剂筛选提供可规模化的实验方法。