Terray Therapeutics 在 H100 GPU 上以自有生产架构 TerraBind 为基准，测试 NVIDIA 新发布的 BioNeMo Inference Runtime 内核（CuTeDSL），结果显示其比标准 PyTorch 注意力最高快 7.1 倍，比其现有优化内核栈 cuEquivariance 最高快 1.8 倍。
推荐理由：Terray 在自有生产架构上实测 NVIDIA 新推理内核，给出相对 PyTorch 与现有内核的加速幅度及适用规模。
唯信计算与沐曦股份围绕AI制药与生命科学计算深化合作，基于WeMol平台、沐曦GPU及MXMACA软件栈完成联合运行环境建设。BoltzGen、Boltz-2、GROMACS分子动力学模块、OpenDDE及沐曦自研MetaxFEP自由能微扰引擎均已集成至WeMol并正式运行，覆盖生成式分子设计、结构与结合亲和力预测、分子动力学模拟及自由能计算等任务。
首届国际AI抗体设计大赛AIntibody的结果发表于Nature Biotechnology，寻明生科自研抗体设计模型AuraIDE（参赛名AuraBind）在Challenge 1计算亲和力成熟任务中夺冠，其冠军抗体经KinExA测得KD为94.7pM，较亲本抗体提升约2000倍，优于第二轮组合文库湿实验筛选得到的最佳抗体（113pM）。
推荐理由：首届AIntibody盲测以统一湿实验验证抗体设计，冠军序列的亲和力优于实验筛选最优克隆，为模型能力提供了独立参照。
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。
Amir Shanehsazzadeh 表示其数据发布中包含了用全部10个共折叠模型、每个模型5个种子重新打分所得设计的PAE，希望这些数据与湿实验数据能帮助发现更好的结合与亲和力指标。
推荐理由：作者公开蛋白结合剂设计数据时说明纳入10个共折叠模型各5个种子的PAE，为结合亲和力指标改进提供素材。
Ginkgo发布GDPa5，一个含160个成员的VHH-Fc库，在PROPHET-Ab平台上用10项生物物理实验进行表征，并同步发布bioRxiv预印本。在559个IgG上训练的跨格式模型优于仅用GDPa5训练的模型，作者认为优势来自标准化IgG数据的规模而非格式本身。
推荐理由：该预印本公开VHH-Fc可开发性数据集，并比较IgG训练模型与格式内训练模型的跨格式迁移表现。
Anthropic 测试 Claude 能否从头设计蛋白结合剂：在人类专家撰写的设计提示下，Claude 自主针对 15 个靶点中的 14 个完成了设计，随后由 Adaptyv Bio 与 Twist Bioscience 独立构建并测试，作者称成功率和亲和力均较高。
推荐理由：Anthropic 与 Adaptyv Bio、Twist 的实测显示，Claude 编排开源模型在 15 个靶点中设计出 14 个从头结合剂，可作为智能体驱动蛋白设计的参照。
研究团队将AI蛋白表面查询方法MaSIF-mimicry与高并行蛋白互补实验GluePCA结合，在全蛋白组范围绘制CRBN-泊马度胺潜在互作网络，鉴定出6个已知及43个新的CRBN-泊马度胺结合蛋白，并对部分候选做了正交验证。
A-Alpha Bio 宣布成立 Atlas Consortium，首批五家创始成员包括 GSK、Boltz、Cradle 和 Dyno Therapeutics，以订阅制按季度设计并共享标准化抗体抗原实验数据。
推荐理由：该联盟以订阅制汇集标准化抗体抗原实验数据，为AI抗体设计提供可比的亲和力与结构训练资源。
予路乾行为一家海外生物技术公司完成DYRK1B选择性抑制剂项目，6个月内设计并合成20个化合物，交付IC50小于5nM、对DYRK1A选择性指数近20倍的分子。
推荐理由：项目展示了用分子动力学捕捉同源激酶动态构象差异、指导选择性设计的可复用路径。
分子之心在WAIC 2026公布MMDesign环肽从头设计结果：针对p53-MDM2靶点首轮设计并测试的21条候选环肽中16条实验命中，命中率超过70%，最优候选KD为13.7微摩尔，优于同期实验阳性对照；PD-L1靶点首轮19条候选中有6条经SPR确认结合，最佳KD接近40微摩尔。
推荐理由：分子之心公布MMDesign在p53-MDM2与PD-L1两个PPI靶点的环肽首轮湿实验命中数据，可与纳米抗体结果对照看平台跨模态能力。
A-Alpha Bio 推出名为 Atlas 的网页平台，提供可授权的机器学习就绪蛋白相互作用数据，并支持按需生成新的结合数据。平台由高通量平台 AlphaSeq 产生数据，采用统一实验条件与标准化对照，使不同实验的数据集可合并用于模型训练与基准评测。
推荐理由：该平台把标准化实验产生的结合数据组织成可授权数据集，为抗体设计模型的训练与基准评测提供数据来源。
浙江大学李丹、侯廷军团队在Nature Communications发表机器学习增强采样工作流，用于解析本征无序蛋白AR-NTD的构象景观与配体识别机制，并发现新型AR-NTD拮抗剂K53。
推荐理由：该工作把增强采样、机器学习集合变量与虚拟筛选串成流程，用于本征无序蛋白的构象与配体识别研究。
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。
Incyte 与 Genesis Molecular AI 扩大战略合作，Incyte 将共享自有实验数据用于训练 Genesis 的 GEMS 分子 AI 平台，并新增至少 5 个由 Incyte 选定的合作靶点。
推荐理由：交易条款与数据授权范围披露较完整，可观察大药企自有实验数据进入分子AI训练的具体安排。
字节AI制药团队与清华AIR团队开发统一分子生成模型AnewOmni，可设计小分子、多肽和纳米抗体，训练数据超过500万个生物分子复合物。模型支持可编程图提示，可施加化学约束、拓扑约束与几何转向，并生成非天然氨基酸、手性分子、共价结合等非标准化学结构。
推荐理由：介绍统一分子生成模型在KRAS G12D与PCSK9上的跨模态设计结果，可作为多模态药物设计的参照。
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。
新加坡国立大学研究人员开发配对蛋白语言模型PPLM，同时从两条相互作用蛋白中学习，用于预测蛋白互作、结合强度与相互作用界面。该模型面向蛋白互作这一细胞过程基础问题，团队称其可为疾病研究与药物发现提供新线索。
推荐理由：该模型同时读取两条相互作用蛋白序列，为蛋白互作、结合强度与界面的统一预测提供新思路。
David Mobley团队发表论文，测试其SepTop方法在片段连接、拼接与跃迁场景下的相对结合自由能计算，作者称效果相当好。论文发表于J. Chem. Inf. Model.，链接为https://pubs.acs.org/doi/10.1021/acs.jcim.5c03091。
推荐理由：作者团队测试SepTop在片段连接与跃迁的相对结合自由能计算，为片段生长策略提供方法参照。
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。
一项计算模拟研究用AutoDock Vina将FDA已上市的前500个药物对接至c-Abl激酶（1IEP）活性口袋，筛出13个结合能低于-12.0 kcal/mol的分子。
将伊马替尼重对接至c-Abl激酶活性口袋，AutoDock Vina最优构象结合能为-13.9 kcal/mol，与晶体原配体重原子RMSD为0.895 Å（37个原子对），低于2.0 Å阈值。对接构象保留了与Met318主链、Asp381及Glu286的关键氢键相互作用，验证了格点坐标、电荷计算与加氢等对接参数设置的准确性。
David Mobley团队发布新预印本，提出将机器学习与基于物理的方法结合，以数据驱动方式估计配体效力。其思路是当模型对特定靶点足够准确后，由机器学习模型接管预测。预印本全文见 chemrxiv.org/doi/pdf/10.26434/chemrxiv.15000463/v1。
推荐理由：作者团队提出按靶点精度切换机器学习与物理方法的配体效力预测流程，为混合计算策略提供可参考设计。
SandboxAQ在预印本中分析合成结构数据如何增强深度学习蛋白-配体结合亲和力预测，生成约8万次绝对自由能扰动（AFEP）计算并构建SAIR-FEP与SAIR-OOD两个数据集。研究发现基于结构的模型对输入结构质量高度敏感，从Boltz-1x筛选高置信度共折叠复合物可带来可预测的性能提升，而盲目加入低质量结构会使指标饱和。合成与实验数据联合训练在CASF 2016上使RMSE最多降低8%、相关性指标提升9-11%，且仅在使用高质量合成结构时重现神经缩放规律。
推荐理由：研究用约8万次AFEP计算构建合成数据集，比较合成与实验数据联合训练对亲和力预测的影响。
【全文节选总结】Yang Zhang Lab 提出分子基础模型 Ouroboros，采用表示、重建与性质预测三个正交模块，表示模块以构象空间药效团相似性（CSPS）和分子指纹相似性预训练，在 126248 个分子上构建约 47 亿条相似性标签。
推荐理由：该工作把构象空间与药效团相似性纳入分子基础模型预训练，并在虚拟筛选与多靶点抑制剂发现中给出湿实验证据。
“药物发现之所以困难，是因为当我们进入临床阶段时，我们仍然没有合适的分子。在 Latent，我们正致力于改变这一点。” AI 可以设计出能结合的分子。但是否具备成药性？这一直是悬而未决的问题。
CHARM Therapeutics 宣布将 AI 发现的下一代 pan-menin 抑制剂 CHM-029 推进为急性髓系白血病（AML）开发候选，计划于 2026 年第二季度启动首次人体试验。
推荐理由：CHARM 公布其 DragonFold 平台发现的 menin 抑制剂进入开发候选，并给出耐药突变与体内药效的临床前依据。
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。
A-Alpha Bio 宣布在其 AlphaSeq 平台上新增 AlphaSeq 3D，可在单次实验中用数百个预验证效应蛋白和靶点筛选数千个小分子，覆盖数千万种潜在三元复合物。
推荐理由：A-Alpha Bio 系统介绍了其分子胶发现平台的工作流，从扩展效应蛋白库到 AlphaSeq 3D 多重筛选，为理解诱导邻近药物的发现路径提供了具体参照。
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。
Juvenescence于2025年6月5日宣布收购AI药物发现公司Ro5，以增强其AI/机器学习药物发现能力，并作为与阿布扎比M42战略合作的核心部分。Ro5的平台基于含超8500万个节点、约4亿条关系的专有生物医学知识图谱，用于发现生物学关联和评估靶点，其AI化学平台覆盖从命中识别到先导优化的化合物发现与设计。
推荐理由：收购把Ro5的知识图谱与化学平台并入Juvenescence，可观察AI能力如何嵌入衰老相关疾病管线。
A-Alpha Bio 在 2025 Festival of Biologics 会议展示海报，介绍结构域特异性深度学习亲和力预测模型 AlphaBind 用于加速抗体优化。原文仅提供海报入口，未披露模型性能数据或实验结果。
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。
A-Alpha Bio 发布 AlphaBind 抗体优化模型，基于约 750 万条抗体-抗原结合数据预训练，在四个抗体-抗原体系中仅用一轮实验室数据生成数千个高亲和力变体。BLI 验证的 10 个候选（最多 11 个突变）全部表达且结合力优于亲本抗体；模型以 MIT 许可开源，代码与微调数据已公开。公司称该模型已用于管线与合作的抗体发现，并计划推出 AlphaBind2。
A-Alpha Bio 获美国国防部追加 1450 万美元资助，用于开发快速预测针对潜在生物威胁的治疗方案的机器学习模型。资金来自 JPEO-CBRND，将扩大其与劳伦斯利弗莫尔国家实验室在 GUIDE 项目下的合作。此前两年合作中，A-Alpha 的 AlphaSeq 数据被用于训练预测抗体-抗原结合的机器学习模型，合作范围从冠状病毒扩展到多个未披露的病原体家族。
推荐理由：该资助延续 A-Alpha Bio 与 LLNL 的抗体-抗原结合预测合作，并扩大病原体范围。
A-Alpha Bio 宣布与 Gilead Sciences 合作，利用其合成生物学与机器学习专长发现治疗 HIV 的长效生物药。合作将先用 AlphaSeq 平台表征候选药物与 HIV 抗原变体之间的结合亲和力并产生大量数据，再输入机器学习平台 AlphaBind 预测具有更强结合广谱性和抗病毒逃逸能力的蛋白。双方目标是开发高交叉反应性的生物药，以中和多种突变形式的 HIV。
推荐理由：A-Alpha Bio 与 Gilead 合作开发长效 HIV 生物药，展示了 AlphaSeq 与 AlphaBind 双平台在结合广谱性优化上的应用路径。
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。
HotSpot Therapeutics宣布其Smart Allostery平台发现的新型CBL-B变构抑制剂在体外和小鼠中促进T细胞应答并增强NK细胞杀伤，数据将在SITC第36届年会以壁报864展示。
推荐理由：该数据展示机器学习平台如何定位蛋白调控口袋并得到口服小分子抑制剂，为不可成药靶点提供一条可参考路径。
A-Alpha Bio 发布预印本，用 AlphaSeq 技术对 33 种单克隆抗体与数千个 SARS-CoV-2 变异株进行结合测试，在抗体与 RBD 刺突蛋白变异体之间识别出超过 15 万对蛋白质-蛋白质相互作用。作者指出，许多抗体药物正针对 RBD 刺突开发，意外突变可能使病毒逃逸抗体治疗。
推荐理由：A-Alpha Bio 用 AlphaSeq 大规模筛查 33 种抗体与数千个变异株的结合，为变异逃逸评估提供高通量方法参照。
盖茨基金会向 A-Alpha Bio 授予 80 万美元资助，用于优化传染病疗法。GeekWire 报道称，该公司的 AlphaSeq 平台结合机器学习，可帮助开发治疗传染病的药物。