Arc Institute的Yusuf H. Roohani和Hani Goodarzi团队在Cell发表scBaseCount，用AI智能体SRAgent从SRA挖掘并标准化重分析10× Genomics单细胞数据，汇集超过5.02亿个细胞、覆盖27个物种和75种组织。
推荐理由：该研究用AI智能体从SRA挖掘并统一重分析单细胞数据，为细胞基础模型训练提供了可比较的数据规模与扰动识别增益。
镁伽科技于2026年10月18日上线Poreva Open全球AI蛋白质设计挑战赛官网，公布首批3道赛题与规则，10月19日起全球报名且不设地域限制。
推荐理由：镁伽以万级湿实验验证切入蛋白设计公共基准，可与Anthropic赛事及Ginkgo模式对照。
清华大学、中南财经政法大学和华中科技大学研究者于2026年9月24日在bioRxiv发布预印本，提出Cerebra-Epistasis，先由野生型序列预测结构并生成可复用的突变评分与上位性表征，再经轻量组装网络预测多突变组合。
推荐理由：该预印本把突变组合效应与大规模组合评分放进同一框架，并给出上位性预测与基线对比。
抗体可开发性联盟（Antibody Developability Consortium）于2026年9月29日公布创始成员为 AbbVie、Argenx、Lundbeck 和 Takeda，该联盟由 Ginkgo Bioworks 旗下 Ginkgo Datapoints 与 AI 基础设施公司 Apheris 于2025年9月发起。
Leash Biosciences 的 Minos 工作稿把预先完成的 DNA 编码化合物库实测结果封装成可反复查询的分子搜索环境，模型每局最多测试 100 个分子、每批最多 5 个。
推荐理由：工作稿把已完成的湿实验封装成可反复查询的分子搜索环境，并给出结构打乱与靶标遮蔽对照，便于理解评测边界。
arXiv 预印本提出 Langevin Flow Maps（LFM），通过学习朗之万随机动力学在有限时间区间内的状态映射实现大步长模拟，训练不依赖时间有序轨迹监督。
《Molecular Cell》第86卷第20期于2026年10月15日推出“Artificial intelligence in molecular biology”专题，共14篇内容，包括1篇社论、5篇Insights、6篇综述和2篇原创研究，覆盖蛋白、RNA、基因编辑和单细胞。
推荐理由：专题把蛋白设计、RNA与单细胞预测放进同一证据框架，并逐项标出计算预测与实验验证的边界。
GenBio AI 的 Eric Xing（邢波）与 Le Song（宋乐）团队在 Cell 发表观点文章，提出虚拟细胞世界模型（VCWM）的操作定义与架构，将其描述为多模态、多尺度、动态且有状态的计算系统。
推荐理由：GenBio AI 团队在 Cell 提出虚拟细胞世界模型的模块划分与评测路线，为理解细胞模拟器的架构与数据需求提供框架。
Radical Numerics 发布技术报告，介绍 Tessera 数据混合方法：先为采样文档各训一个不到 1 亿参数的微型代理模型测出行为指纹，再降维成行为轴并用回归器外推到全语料，最后在行为空间聚类成派生源、用 MixMin 配权重。
推荐理由：梳理 Tessera 按文档行为指纹分组配比训练数据的方法，及其在 DNA 语料上的分组结果与规模限制。
由Evo和Evo 2原班人马创立的Radical Numerics于2026年6月15日公开亮相，并宣布5000万美元种子轮，由Emergence Capital领投，Obvious Ventures、Triatomic Capital、Factory、First Spark Ventures跟投。
推荐理由：梳理Evo团队新公司押注基因组基础模型的路线差异，并指出Omnii尚未开源、数字待独立复现的边界。
Anthropic已在旧金山湾区建立自有生物实验室，其生命科学负责人Eric Kauderer-Abrams证实此举是为让Claude提出的假设更快进入真实实验，同时继续与外部实验室合作。
推荐理由：梳理Anthropic从科研工具到自建实验室的布局，并给出蛋白质设计与新酶发现的具体实验数据作为参照。
18岁独立参赛者Ahmet Dedeler在Arc Institute虚拟细胞竞赛中自述阶段排名进入1000多支队伍的前20，并称已记录400次实验、850次代码提交。
MBZUAI 发布 ChemLab-Assets，包含 198 件可仿真的化学实验仪器，每件均带部件级几何、可动关节、可执行行为模型及记录数值含义与来源的契约。全部仪器已通过 Matterix 框架转换为 USD 并导入 NVIDIA Isaac Lab，关节由运行时状态驱动，场景中按下面板按钮可传至运行时。
普林斯顿团队在bioRxiv发布结构条件生成式离散扩散模型MESSI，在生成过程中引入免疫风险反馈，输出在指定MHC-II分子上预测表位可降至零且保持结构可行性的序列，代码已开源。
推荐理由：该预印本把免疫原性预测前移为生成约束，并在三类蛋白上给出湿实验活性与结合数据，可供评估去免疫原设计流程。
牛津大学 Charlotte Deane 在 Nature Reviews Drug Discovery 访谈中介绍其联合领导的 OpenBind 计划，目标是建成全球最大的开放获取药物-蛋白质相互作用数据集，以改进蛋白-小分子结合结构与亲和力预测。
推荐理由：OpenBind负责人谈蛋白-小分子结合数据缺口，并给出首组数据集与盲测挑战的具体规模。
抗体可开发性联盟于2026年9月29日公布创始成员，AbbVie、Argenx、Lundbeck和Takeda四家药企加入。该联盟由Ginkgo Bioworks旗下Ginkgo Datapoints与AI基础设施公司Apheris于2025年9月发起，计划围绕约1万个抗体按统一方法测量可开发性性质，首批数据计划于2027年初交付。
Inceptive在2026年6月公布in vivo CAR-T的零样本mRNA序列设计结果，称不到一个月即在PBMC表达和杀伤实验中达到Capstan的行业基准，进一步迭代后超过基准，并与Mana.bio的被动靶向LNP联用在小鼠体内实现接近完全的B细胞清除。
微软研究院团队在 Nature 发表 Retrochimera，将逆合成 Transformer R-Smiles 2 与图神经网络 Neuralloc 组合，在约三分之二的化学家盲评比较中其建议优于参考数据集反应。
推荐理由：微软团队把 Transformer 与图神经网络组合成逆合成工具，并用化学家盲评和药企内部数据检验其表现。
默沙东与得克萨斯理工大学研究人员在npj Drug Discovery发表可解释机器学习框架PepOpt，用位置特异的ECFP4指纹加贝叶斯岭回归预测肽活性，并借助可加性动态规划在约10⁵⁰规模空间中174.4秒返回模型评分最高的1000条序列。
推荐理由：该框架把位置特异的化学子结构编码与可加性动态规划结合，为超大肽库的候选排序提供了可解释的搜索路径。
研究人员提出HDOCK-Multimer（HDM），将非对称对接、对称对接与遗传算法组合组装结合，用于大型蛋白质复合物结构预测。
意大利帕维亚大学、Dana-Farber癌症研究院等团队在《Nature Biotechnology》发表开源平台AdaptiveFlow，将Enamine REAL Space约315亿原始分子预处理为约690亿可直接对接条目，通过18维分子性质分区与自适应靶标引导虚拟筛选（ATG-VS）降低超大规模对接开销。
推荐理由：研究用分子性质分区与靶标引导抽样压缩数百亿级对接空间，并在两个靶点获得实验验证的抑制剂。
我认为科学需要专门的AI模型，而不仅仅是通用模型。我们的 https://Pharma.AI 2026年秋季回顾涵盖了MMAI Gym、302项基准测试，以及从Chemistry42和PandaOmics到AI助手的MCP链接。@InsilicoMedicine https://www.eurekalert.org/news-releases/1147702
Terray Therapeutics 与 NVIDIA 合作，用微调的 Nemotron 3.5 Super VL 和 Nemotron 3 Nano Omni 从科学文献中抽取化学合成路线，并称取得当前最优性能。
推荐理由：Terray 与 NVIDIA 合作把化学合成路线抽取能力嵌入 EMMI 平台，展示了化学文档解析在药研工作流中的具体用法。
牛津 OPIG 团队发布天然适应性免疫受体数据库系列的最后一项 OAS-nano，收录 7300 万条 VHH 序列，并配有可检索网页应用。该库整合了迄今所有公开释放原始全长纳米抗体 NGS 数据的文献，在相同去冗余过滤下规模为此前最大资源的 5 倍。
推荐理由：该数据库把公开纳米抗体测序数据统一处理并标注扩增方案差异，为免疫库语言模型训练提供可追溯的数据基础。
Insilico Medicine的Alex Zhavoronkov介绍，团队用PandaOmics读取77个人脑数据集寻找阿尔茨海默病新靶点，并用线虫和人神经元检验这些答案。该工作以AI与湿实验闭环的方式推进靶点发现，已发表于Alzheimer's & Dementia，DOI为10.1002/alz.71680。
推荐理由：作者团队用PandaOmics分析人脑数据集，并在线虫与人神经元中验证候选靶点，呈现AI与湿实验闭环的靶点发现路径。
Unchained Labs的Sunscreen微流控自动化制备平台与Stunner AF一体化表征平台构成LNP配方筛选流程，可在单个工作日内完成96个配方的制备与检测。
英伟达10月15日宣布投资五家英国AI企业，包括AI制药公司Boltz和AI for Science初创Prima Mente，另三家为Foresight、Hiverge和Riverlane。
推荐理由：英伟达投资两家英国AI for Science企业，可对照其模型与平台在药研链条中的位置。
英国Shift Bioscience与多伦多大学等团队在《Nature Biotechnology》发表研究，分析14个基因扰动数据集和18种评估指标，指出MSE和基于对照细胞的表达变化Pearson相关系数等常用指标校准不足，可能低估深度学习模型的扰动预测能力。
研究提出 LLM-to-Flow Distillation（LFD）方法，从“设计具有抗癌活性的肽”或“设计结合 D2 多巴胺受体的小分子”等自然语言目标出发，通过迭代 DPO 将 LLM 生成子目标的知识蒸馏进科学生成器。
推荐理由：该方法把自然语言目标蒸馏进肽与小分子流模型，并在留出计算评测中与奖励引导方法比较。
Corin Wagen 推荐 Anton Ni 与 Joonho Lee（哈佛大学化学与化学生物学系）的新工作：作者在 SMD 数据上基于 UMA 嵌入训练了一个兼容神经势（NNP）的隐式溶剂模型，并展示该模型可用于分子动力学、logP 预测、异构体 ΔG 预测和 SNAr 机理研究。推文未披露模型性能数字与对照结果。
推荐理由：该工作把 UMA 嵌入用于训练兼容神经势的隐式溶剂模型，并展示其在多类化学任务上的适用面。
美国化学会旗下CAS宣布与诺华生物医学研究部门合作，推进包括反应数据可及性在内的AI赋能研究。CAS通过其内容集合管理逾1.6亿条由科学家整理的反应，将向诺华研究人员开放专有实验反应数据，与CAS内容集合配合使用。
推荐理由：该合作把CAS逾1.6亿条人工整理反应数据接入诺华研究，反映反应数据在AI化学研究中的获取方式。
约翰内斯·开普勒大学等机构在 ICLR 2026 发表基准 MolecularIQ，用 RDKit 符号程序核验 38 个开源大模型对分子结构的计数、原子索引定位和约束生成能力，最高总体准确率为 GPT-OSS 120B（High）的 47.5%。
推荐理由：该基准用 RDKit 符号核验拆解分子结构推理，并揭示 SMILES 写法变化带来的性能落差。
新加坡国立大学计算学院四位教授获新加坡国家研究基金会资助，将AI分别用于程序验证、诊疗一体化抑制剂发现、材料设计与T细胞识别建模。其中Yang Zhang获S$9m资助，构建AI模型解析TCR-pMHC相互作用，以支持治疗性T细胞受体设计与个性化癌症免疫疗法。
上海人工智能实验室、复旦大学、香港科技大学（广州）等团队在arXiv发布AblateCell，一个面向AI虚拟细胞代码仓库的“先复现、后消融”多智能体系统，在CPA、GEARS、BioLORD三个单细胞扰动预测模型上取得88.9%的端到端任务成功率和93.3%的关键组件识别准确率（Acc@5）。
推荐理由：研究把模型复现与消融实验串成自主流程，并在三个单细胞扰动预测模型上给出与人工组对比的成功率数据。
Envisagenics 获美国国家癌症研究所（NCI）SBIR Direct to Phase II 资助，两年内提供逾 200 万美元，用于推进 SpliceCore 及其新机器学习算法 SpliceDisco 的开发与商业化。
华盛顿大学等团队提出Prompteina，以自然语言为统一接口联合生成蛋白质全原子结构与序列，在18项结构控制任务中15项领先，CATH折叠类别准确率96.0%。
英灵殿科技联合香港中文大学、华盛顿大学等提出全原子蛋白质 binder 协同设计模型 CODesign，通过一致性蒸馏构建约 10.5 万对二聚体样本 Codimer，并用多模态联合流匹配与一致性感知联合重采样（CAR）保持序列与结构一致。
英灵殿科技联合香港中文大学、华盛顿大学等提出全原子蛋白质binder协同设计模型CODesign，通过一致性蒸馏构建约105,000对二聚体数据Codimer，并用多模态联合流匹配与一致性感知联合重采样（CAR）保持序列与结构一致。
推荐理由：作者团队提出以一致性为核心的蛋白binder协同设计方法，并用消融实验拆解数据与采样环节各自的贡献。
AI公司正通过自建实验室、云实验室合作与资助虚拟生物学计划等方式参与生物数据生产。Anthropic组建基础生物学研究团队和实验室，用实验检验Claude模型的生物学设想；Biohub扩大虚拟生物学计划，Google DeepMind、Isomorphic Labs和Meta合计承诺投入3亿美元，整项计划总投入约18亿美元。
成都先导开启OpenDEL®限时优惠，活动期为2026年10月15日至12月31日。该DEL自助筛选产品包含约40亿独特结构分子（38亿小分子和2亿环肽/线性肽）与59个子库，并可选配大环DNA编码化合物库试剂盒。麻省理工学院与哈佛大学研究显示，基于OpenDEL®训练的AI模型对未知化合物预测准确率最高，所预测库外分子的验证成功率最高。