侯廷军团队在ChemRxiv发布LiTENexus量子化学驱动端到端AI药物发现系统
浙江大学侯廷军团队联合澳门理工大学于2026年5月15日在ChemRxiv发布LiTENexus系统，提出量子化学信息注入（QCII）机制，将势能面、电荷分布、偶极矩等规律编码进神经算子，构建端到端虚拟药物发现平台。
推荐理由：侯廷军团队把量子化学信息注入神经算子，在ADMET与分布外化学空间给出可对照的基准结果。
#ADMET
HouMed精选AI 评分7474
Mol.AIAI 评分4747 硬核重现！从100万晶体结构到毒性预测，这个化学"基础模型"有多强？
基于剑桥大学Emma King-Smith用约100万个CCDC有机晶体结构预训练的MPNN化学基础模型，本次重现将其迁移至TDC急性毒性数据集，在1,477个测试分子上取得MAE 0.5277，与论文参考值0.52几乎一致。模型已部署为在线应用，输入SMILES即可预测log LD50，但训练数据仅含口服LD50，未涵盖代谢活化、物种差异与慢性毒性，分布外分子可靠性下降。
Lantern PharmaAI 评分4040 Lantern将predictBBB升级为LQM
$LTRN 将 http://predictBBB.ai 升级为大型定量模型（LQM） ✓ 仅凭单个SMILES即可进行360°分子分析 ✓ 数秒内获得99+项特征 ✓ 网页原生、实时分子智能 ✓ 已集成至 @withzeta.ai 阅读更多：https://bit.ly/4tGcVc7
HouMedAI 评分5252 碳硅智慧发布DrugFlow 3.0，推出小分子、大分子、FEP与SciGPT四大产品
碳硅智慧于2026年4月17日发布DrugFlow 3.0产品矩阵，包括小分子发现引擎DrugFlow、大分子设计平台BioFlow、自由能计算平台Inno-FEP和SciGPT及医药数据库。
Ignota Labs 官网资讯AI 评分4141 Ignota Labs 入选 AI for Science Datasets RFP 十大获胜者，将构建激酶药物毒性数据集
Ignota Labs 入选 AI for Science Datasets RFP 十大获胜者，其提案是构建数据集以加深对药物毒性根源及缓解方式的理解。该公司与 Arctoris 合作，针对一批存在显著选择性挑战的癌症相关激酶，绘制分子结构微小改动引发行为显著变化、常导致意外副作用的化学边界，并称这是首个此类资源。
1910 Genetics精选AI 评分6363 1910 Genetics在J. Med. Chem.发表PEGASUS：用大规模并行生物实验数据构建AI模型解析细胞穿透环肽极性
1910 Genetics在J. Med. Chem.发表题为PEGASUS的论文，介绍用基于大规模并行生物实验构建的AI模型解析细胞穿透环肽的极性。论文链接为https://pubs.acs.org/doi/10.1021/acs.jmedchem.5c01836，具体模型性能与实验数据未在帖文中披露。
推荐理由：该论文介绍基于大规模并行生物实验数据构建的AI模型，用于理解细胞穿透环肽的极性规律。
HouMedAI 评分2020 碳硅智慧将于4月17日举办智能药物研发前沿交流会暨DrugFlow3.0发布会
碳硅智慧宣布将于2026年4月17日线上举办“智能药物研发前沿交流会暨DrugFlow3.0发布会”，届时正式发布以DrugFlow、BioFlow、SciGPT、Inno-FEP为核心的产品矩阵。会议将聚焦AIDD最新学术进展与产业落地路径，设置ADMET模型、全生物分子模态从头设计、知识增强科学工具智能体等主题报告及圆桌讨论。
Mol.AIAI 评分3838 药物研发效率工具：一键预测分子 AlogP，独立测试集 R² 达 0.7615
基于Mordred提取的1800余个分子描述符经筛选保留604个关键特征，超参数调优后的XGBoost模型在独立测试集上预测AlogP的R²达0.7615。特征重要性分析显示支链化程度（NsssCH）、电荷分布特性（AATSC0c）与3D饱和度（HybRatio）是影响AlogP的核心因素。
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。
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。
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。
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。
Cellarity精选AI 评分7171 Cellarity在Nature Communications发表药物性肝损伤预测框架ToxPredictor
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。
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。
Ignota Labs 官网资讯AI 评分3232 Ignota Labs 的 Layla Hosseini-Gerami 在 Gordon Research Conferences 研讨会分享小分子药物毒理学 AI 应用最佳实践
Ignota Labs 的 Layla Hosseini-Gerami 在 Gordon Research Conferences 研讨会介绍了小分子药物毒理学中应用 AI 的最佳实践，涵盖如何选择合适训练数据集、复杂模型与简单模型的取舍，以及结合预期用途正确评估模型。
Ignota Labs 官网资讯AI 评分2828 修复失败药物：AI 应对药物发现中的毒性问题（第二部分）
Drug Target Review 刊发 Raminderpal Singh 博士与 Layla Hosseini-Gerami 博士对话的第二部分，讨论组学和细胞绘画等 AI 工具如何改变临床前研究中的毒性早期预测。
Ignota Labs 官网资讯AI 评分2828 Ignota Labs 谈 AI 解决药物发现中的毒性问题：修复失败药物（Part 1）
Ignota Labs 首席数据科学官兼联合创始人 Layla Hosseini-Gerami 在 Drug Target Review 访谈中介绍了用 AI 与数据科学应对药物毒性失败的方法。该公司专注于找出失败药物、解决其问题并转手卖回制药企业。访谈为“修复失败药物”系列 Part 1，全文刊于 Drug Target Review。
药渡CyberAI 评分3636 药渡Cyber解析口服选择性PLK4抑制剂RP-1664的发现
Repare Therapeutics研究团队通过基于结构的药物设计优化，从Centrinone B出发获得口服选择性PLK4抑制剂RP-1664，在临床前展现优异效力、激酶组选择性及药代动力学特征。
Ignota Labs 官网资讯精选AI 评分6060 Chemical Research in Toxicology 发表基于化学结构的机器学习毒性预测框架
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。
Ignota Labs 官网资讯AI 评分5151 Ignota Labs 完成 690 万美元种子轮融资，用于挽救失败药物
Ignota Labs 于 2025 年 2 月 26 日宣布完成 690 万美元（550 万英镑）种子轮融资，由 Montage Ventures 和 AIX Ventures 共同领投，Modi Ventures、Blue Wire Capital 和 Gaingels 参投。
Ignota Labs 官网资讯AI 评分4040 Ignota Labs 获赛诺菲 iDEA-Tech Award，推进 SAFEPATH 肝毒性机制研究
Ignota Labs 入选赛诺菲 iDEA-Tech Award 2023-2024，获得12万欧元资助及赛诺菲专家团队支持，用于推进其AI驱动安全性平台SAFEPATH。获奖项目利用生物信息学、化学信息学与深度学习模型，解析小分子药物项目中肝毒性风险的机制通路。Ignota Labs称该奖项是对其以AI变革药物安全性、挽救失败药物使命的认可。
Ignota Labs 官网资讯AI 评分4242 Ignota Labs 文章登上 Digital Discovery：预测毒理学如何克服障碍并塑造未来
Ignota Labs 称其文章获 Digital Discovery 刊载，Masarone、Beckwith、Lane、Hosseini-Gerami 等人综述了药物发现中的毒理学预测，涵盖多种建模技术与器官芯片等新型数据源。
Ignota Labs 官网资讯AI 评分2020 Ignota Labs CEO Sam Windsor 谈药物安全性问题与失败药物挽救
Ignota Labs CEO Sam Windsor 在 Maddyness 的创始人问答中表示，其平台可定位药物安全性问题的分子与生物学成因，并从1000个失败药物中筛出10%-20%真正可挽救的化合物。药物安全性失败占全部失败化合物的56%，给制药行业造成超过4000亿美元损失。
Ignota Labs 官网资讯AI 评分3838 Ignota Labs 谈可解释 AI 如何挽救失败药物项目
Ignota Labs 首席科学官 Jordan Lane 在播客中介绍，公司用可解释 AI 挽救因安全性问题而失败或搁置的药物项目。其 Safe Path 平台整合化学信息学与生物信息学以处理药物安全问题，并分享了应用 AI 工具挽救制药资产的实际案例。讨论还涉及 AI 模型偏见、透明度以及 FDA 和 EMA 等监管机构对 AI 驱动方案采用的影响。
Ignota Labs 官网资讯精选AI 评分6060 Ignota Labs与Broad Institute合作发表DILIPredictor，提升药物性肝损伤预测
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 官网资讯AI 评分1818 Ignota Labs 联合创始人 Layla Hosseini-Gerami 登上《The Biochemist》讲述数据科学之路
Ignota Labs 首席数据科学官兼联合创始人 Layla Hosseini-Gerami 在《The Biochemist》撰文，讲述其从利兹大学化学专业、Optibrium 计算化学实习到剑桥大学化学信息学博士的历程。她于2022年2月与 Jordan、Sam 共同创立 Ignota Labs，公司2023年10月起全职运营，专注用可解释 AI 方法预测、理解并扭转药物发现中的安全性问题。
Ignota Labs 官网资讯AI 评分2828 Ignota Labs 用可解释 AI 平台 SAFEPATH 识别药物毒性根因
Ignota Labs 用数据驱动的计算机模型识别药物毒性根因，为科学家改善药物安全性提供信息，其专有平台名为 SAFEPATH。该公司称，临床药物开发失败率高达 90%，安全性是主要因素之一，而体外试验和动物模型并不总能很好地转化到人体。相关访谈在 ELRIG Research and Innovation 2024 活动上进行。
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs与Broad Institute发布FDA药物心脏毒性等级首批公开分类器
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。
Ignota Labs 官网资讯AI 评分2020 Ignota Labs 将 AI 制药业务迁至剑桥新总部，SAFEPATH 平台聚焦药物安全
Ignota Labs 从伦敦迁至剑桥科学园并启用新设施，公司凭借 AI 平台 SAFEPATH 专注于挽救存在安全性问题的药物。SAFEPATH 利用因果知识图谱梳理导致药物不良反应的关系与通路，以识别和缓解潜在安全性问题。该公司近期获得 OxbridgeAI Challenge 奖项。
Ignota Labs 官网资讯AI 评分2222 用计算机毒理学筛选革新药物发现
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。