晶泰科技开源化学反应产率定量AI模型lcms2yield
晶泰科技在GitHub开源化学反应产率定量AI模型lcms2yield，同步开放模型权重、推理代码及训练与评测数据集。
推荐理由：晶泰科技开源可预测紫外校正因子的模型，为高通量实验的产率定量提供了可复现的替代路径。
#数据/基准
晶泰科技精选AI 评分6565
DrugAI精选AI 评分7878 Nat. Comput. Sci.：主动学习与几何深度学习提升数据稀缺药物发现中的化学反应预测
研究人员提出主动学习、高通量实验与几何图神经网络组成的闭环流程，用于数据稀缺条件下的C–H硼化反应预测。经3轮主动学习新增50种底物、4,821次高通量实验，最终数据集含6,865条反应记录和568种底物，独特Bemis–Murcko骨架由105个增至147个。
推荐理由：研究把主动学习选样与几何图神经网络结合，在C–H硼化上展示数据稀缺条件下的实验闭环路径。
DrugAI精选AI 评分7474 Baker团队在Nature Communications发表SAPP与DMX流程，以规模化实验表征加速蛋白设计
Baker团队在Nature Communications发表方法学工作，用SAPP和DMX两套流程把蛋白设计的实验表征规模化：SAPP将从基因片段到SEC纯化与标准化表征压缩到约48小时、每天可处理数百个设计，DMX用组合条形码和Nanopore长读长测序把廉价oligo pool转为数千个序列验证后的阵列化克隆。
推荐理由：该工作把蛋白设计的实验表征推到每天数百个设计，并展示寡聚几何等变量如何影响功能。
AI药物设计实验室精选AI 评分7474 同济大学等团队在 Nature Communications 发布 MolGenBench，评估17种结构基础分子生成方法
同济大学、上海药物研究所等团队在 Nature Communications 发表 MolGenBench，用活性找回、筛选效率、靶点感知和三维构象等指标评估17种结构基础药物设计方法，其中10种从头生成、7种先导优化。
推荐理由：该基准把分子生成评估从合规性推进到活性空间找回，并揭示先导优化与从头设计的差距。
智药邦AI 评分6565 Ginkgo与Apheris牵头成立抗体可开发性联盟，AbbVie、argenx、Lundbeck、Takeda为创始成员
Ginkgo Bioworks旗下Ginkgo Datapoints与Apheris宣布启动抗体可开发性联盟，创始成员包括AbbVie、argenx、Lundbeck和Takeda，联盟仍开放更多企业加入。
AI药物设计实验室精选AI 评分5858 Nature Communications｜MALVINA：单细胞深度学习揭示细菌互作与药物如何重塑病原性
《Nature Communications》在线发表的这项研究提出 MALVINA 工作流，将宿主—病原体共培养、高内涵成像与深度学习分类结合，分析 1320 个微孔、约 130 万个人结肠上皮细胞，同时读出细菌入侵宽度、入侵深度、感染细胞直接基因毒性和未感染细胞群体基因毒性四项指标。
推荐理由：该研究把细菌入侵与宿主基因毒性拆成单细胞读数，为抗菌药物评价提供杀菌之外的观察维度。
AI药物设计实验室精选AI 评分6969 RouteFlow 在连续合成路径潜在空间中设计可合成分子
RouteFlow 将分子优化转化为连续合成路径潜在空间中的搜索，为解码成功的候选分子同时给出由构建块和反应模板组成的合成路线。研究用 270,423 个 Enamine 构建块、115 个反应模板和最多五步路线训练路线自编码器，并以奖励引导流匹配加循环一致性约束进行优化。
推荐理由：该预印本把合成路线编码为连续潜在空间做分子优化，为兼顾性质与可合成性提供了一种可迁移的搜索思路。
LeapFun精选AI 评分5858 Bindwell 复盘如何在30天建成8000平方英尺AI制药湿实验室
Bindwell 团队复盘了从9月3日到10月1日自建8000平方英尺湿实验室的过程，目标是绕开CRO为模型规模化产出数据。团队向美中英印乌近40家CRO发出规格书，39家中26家回复、仅15家按规格交付，体内实验交付中位数10个月、中位成本28.9万美元，生化检测中位2周、2.6万美元。
推荐理由：作者以自建实验室的实测数据对比CRO报价与周期，为分子发现的数据规模化路径提供了一手成本参照。
SandboxAQAI 评分1818 SandboxAQ与Apheris柏林办生命科学AI活动
SandboxAQ与Apheris将于10月19日晚在柏林举办生命科学AI社区活动，介绍双方新合作：以SandboxAQ的物理基础大定量模型结合Apheris的联邦网络，让AI使用药物发现所依赖的专有数据而数据不出机构。活动含COO Andrew McLaughlin、Apheris CEO Robin Röhm及科学家短报告，随后为交流环节。
晶泰科技精选AI 评分5858 晶泰科技在《JACS》报道锑基手性催化剂设计，以计算先行实现92% ee
晶泰科技在《JACS》发表研究，针对环氧化物与苯胺的不对称开环反应，设计五价锑催化剂并锁定CAC-10，在5 mol%用量、甲苯室温条件下以99%收率和92% ee得到手性β-氨基醇，底物覆盖33种环氧化物与苯胺组合。
推荐理由：借诺奖手性放大机理切入，介绍晶泰科技用DFT与非线性效应实验设计锑基手性催化剂的工作。
Martin PacesaAI 评分4242 https://x.com/MartinPacesa/status/2107944175958426060
Marinka ZitnikAI 评分3636 Biohub等合作推进细胞图谱计划
祝贺这一倡议的启动，也祝贺今天发布会汇聚了如此多元的社区！
Alex RivesAI 评分3838 美能源部与NIH联合发起虚拟生物学计划
美国能源部（DOE）与NIH宣布建立重大合作，目标是生成构建AI细胞预测模型所需的数据。Isomorphic、Google DeepMind和Meta作为创始伙伴加入"虚拟生物学计划"，Allen Institute、Broad Institute、Wellcome Sanger Institute及NVIDIA等机构共同参与这一国际科学项目。
Oxford Protein Informatics Group · Blog精选AI 评分7070 OpenBind启动首届盲测挑战：预测寨卡NS2B-NS3蛋白酶与400个化合物的结合构象
OpenBind联合OpenADMET与ASAP Discovery Consortium于2026年10月14日启动首届OpenBind盲测挑战，要求参赛者预测400个化合物与寨卡病毒NS2B-NS3蛋白酶形成的蛋白-配体复合物，化合物从小片段到类先导分子不等。
推荐理由：首届OpenBind盲测挑战以寨卡NS2B-NS3蛋白酶为靶点，用更严格的构象与物理有效性标准比较对接与共折叠方法。
OwkinAI 评分2525 Owkin 谈多模态数据与 K Pro 癌症预测
Owkin 称其 AI 科学家 K Pro 通过 MOSAIC 数据集获取每位患者的 6 种模态数据，可预测癌症生物学并建议新的 ADC 候选分子，单模态数据无法做到。
晶泰科技AI 评分3838 从AI预测到干湿闭环：AI for Science 正在跨越临界点
晶泰科技自2021年起自建机器人实验室，已建成超300台机器人实验工站的实验集群，整体实验效率较传统人工模式提升5至8倍。该体系由AI生成候选分子与实验方案，机器人完成合成、筛选与测试，实验数据再反哺模型迭代，形成猜想—验证—迭代闭环。其援引的《AI in Science: Early Insights》报告显示，41%受访科学家积压的待测试假设比三年前更多。
Rohith KrishnaAI 评分7878 AlphaProtein Novo 发布从头酶设计流程，结合原子扩散与序列扩散
Google DeepMind 与 Frances Arnold 团队合作推出从头酶设计流程 AlphaProtein Novo（AP Novo），将原子扩散与离散序列扩散结合用于生成酶。引用内容称，该流程在两个基准反应上取得新骨架（novel-scaffold）活性方面的 SoTA，并设计出用于合成药物基元哌啶和降解环境毒素 DEHP 的酶。相关预印本与代码已发布在 bioRxiv 和 GitHub；转发者评价酶设计仍处早期。
Broad Institute (布罗德研究所)AI 评分2323 Broad研究所三位研究员获NIH高风险高回报项目资助
Broad研究所核心成员Erin Chen、Sam Peng获NIH主任新创新者奖，研究所科学家JT Neal获NIH主任变革性研究奖，三人属于该项目58名获奖研究者。
insitro · Publications & Press精选AI 评分7272 insitro 与礼来在 TuneLab 推出体内 PK 预测机器学习模型
insitro 与礼来在 Lilly TuneLab 平台上线体内 PK 预测模型，可跨小鼠、大鼠、狗和猴四种临床前物种预测血浆清除率、稳态分布容积和平均驻留时间。
推荐理由：该模型用礼来历史数据直接预测体内PK，并与体外外推法对比，为小分子成药性评估提供参照。
A-Alpha Bio 官网资讯AI 评分7272 A-Alpha Bio 联合 GSK、Boltz、Cradle、Dyno 发起 Atlas 数据联盟
A-Alpha Bio 于 7 月公开启动 Atlas Data Consortium，创始成员包括 GSK、Boltz、Cradle 和 Dyno Therapeutics，成员每季度各设计一个含 100 万条蛋白-蛋白亲和力测量的 Data Block，由 A-Alpha 在 AlphaSeq 平台上统一生成后按非独占许可共享给全体成员。
TurbineAI 评分3030 Turbine 将携 vLab ADC 平台亮相 World ADC
Turbine 团队将赴圣迭戈参加 World ADC，并推介 vLab® ADC Intelligence 平台，可在投入湿实验资源前开展虚拟实验。该平台覆盖 113 种药物及组合（含 6 种 ADC 和 21 种 payload）、1348 个映射至患者亚型的生物样本，并支持用户自建分子与样本建模，用于适应证定位、联合方案协同性与体外结果向 PDX 模型的可转化性评估。
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
Pranam Chatterjee精选AI 评分5858 Chatterjee 实验室 NeurIPS 论文提出 pCoMole，将生物分子缩小同时保留功能
Pranam Chatterjee 团队在已被 NeurIPS 接收的论文中提出 pCoMole，目标是在保留或提升分子功能的前提下缩小生物分子尺寸，以降低合成、制造与递送难度。论文编号为 arXiv:2610.01663，模型已在 Hugging Face 的 ChatterjeeLab/pCoMole 页面公开。推文未披露具体分子模态、评测指标与实验结果。
推荐理由：作者团队提出面向生物分子的缩小化生成方法，为在保持功能前提下压缩分子尺寸提供了可复用的建模思路。
Frank NoéAI 评分5555 社区驱动的原子尺度机器学习生态战略路线图发布
Frank Noé 在 X 上分享了一份社区驱动的原子尺度机器学习生态战略路线图，并特别致谢 Michele Ceriotti 在汇总工作中的大量投入。路线图全文见 arXiv 预印本 2609.39090，推文未披露具体内容与结论。
Google DeepMind / Isomorphic精选AI 评分7474 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白与结构嵌入可验证水印
Google DeepMind 推出面向合成生物学的 SynthID Bio 水印方法，可在蛋白序列和 AlphaFold 3 预测的 3D 结构中嵌入可检测签名，并在实验室测试中保持生物功能。
推荐理由：介绍一种嵌入蛋白序列与预测结构的可验证水印方法，并给出湿实验与检测稳健性证据。
奶牛猫的CADD实验室精选AI 评分7676 无约束生成全军覆没的靶点，这套方法拿到 20%+ 实验命中率｜AI 制药日报 0930
Prescient Design 提出 MIMOSA，在推断阶段把靶点已知结合物的界面几何与残基性质作为约束喂给扩散过程，不重训练模型，可直接套用于 RFAntibody 和 BoltzGen。
推荐理由：汇总多条预印本与工具更新，其中抗体推断时约束方法附湿实验命中率，便于比较难靶点设计思路。
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。
Ginkgo Datapoints · Updates精选AI 评分5858 Ginkgo Datapoints 与 Apheris 宣布 AbbVie、argenx、Lundbeck、Takeda 成为抗体可开发性联盟创始成员
Ginkgo Datapoints 与 Apheris 宣布抗体可开发性联盟（Antibody Developability Consortium）成立，创始成员为 AbbVie、argenx、Lundbeck 和 Takeda。该联盟计划共建其称为领域内规模最大的标准化抗体可开发性数据集，包含 1 万条抗体，并交付一个基础模型，通过 Apheris 的联邦基础设施实现。
推荐理由：四家药企以创始成员身份加入抗体可开发性联盟，共建标准化数据集与基础模型，呈现产业数据协作的组织方式。
望石智慧AI 评分3838 望石智慧周杰龙提出“微观世界模型”：AlphaFold救不了AI制药
望石智慧创始人兼CEO周杰龙提出“微观世界模型”，主张把建模单元从原子下推到电子尺度，以量子力学和统计力学规则模拟分子相互作用，并称望石智慧正在打造首个“全电子”微观分子世界模型。
清华大学智能产业研究院AI 评分1818 正大天晴捐赠清华大学AIR设立AIDD奖学金，并启动“正大AIDD未来学者科研训练营”
正大天晴向清华大学智能产业研究院（AIR）捐赠，设立奖学金及科研训练基金，支持AI驱动药物发现（AIDD）及生物医药大模型方向学子开展跨学科研究。同步启动的“正大AIDD未来学者科研训练营”计划招收20人，面向海内外院校大三及以上学生，训练营周期为2026年10月至2027年3月，优秀营员最高可获5万元奖金支持。
DrugIntel精选AI 评分5858 Nature Methods前瞻：蛋白质结构预测从静态结构走向构象集合
Wankowicz与Bonomi在《Nature Methods》发表前瞻文章，指出AlphaFold等工具已改变静态结构预测，但仍无法捕捉完整构象集合，核心瓶颈是缺乏原子分辨率下可作金标准的真实参考数据。
推荐理由：文章系统梳理构象集合预测在数据、表示与评价上的瓶颈，为理解结构预测的下一步提供框架。
AI蛋白质精选AI 评分7272 药企联盟用2万余条私有蛋白结构数据微调OpenFold3，提升药物结合预测
由艾伯维、BMS、强生等药企组成的AISB Network利用OpenFold3，在五家公司提供的20,167个蛋白质-配体复合结构上微调，私有数据受保护且不公开。
推荐理由：药企联盟用两万余条私有结构微调开源模型，为数据共享能否提升结合预测提供了对照参照。
Pranam ChatterjeeAI 评分1212 六篇论文被NeurIPS接收
我为我的学生们感到无比骄傲：6篇论文被NeurIPS接收！！😭 这些工作（经过多轮修改/重投打磨🧑🏻💻，还有湿实验工作！🧑🏻🔬）是新颖算法如何带来转化成果的绝佳范例。下一站：悉尼🇦🇺 + 亚特兰大🇺🇸！✈️
AI蛋白质精选AI 评分7474 斯坦福团队发表Virtual Biotech多智能体框架，模拟药企组织完成靶点发现与临床开发推理
斯坦福大学James Zou团队在Science发表Virtual Biotech，一个模拟生物技术公司组织架构的多智能体AI系统，设虚拟首席科学官及靶点识别、靶点安全、模态选择、临床开发四个科学家智能体部门。
推荐理由：斯坦福团队用多智能体模拟药企部门，在三个真实决策点上展示跨尺度证据整合与失败试验复盘。
DrugIntel精选AI 评分7070 Nature研究构建随机背景基线，量化配体优化中的效力与PK权衡
《Nature》2026年发表的这项研究针对6个靶点的18个先导化合物系统合成257个单原子水平类似物，发现11.3%的类似物效力提升至少10倍（95%置信区间7.5%–15.2%），但41.4%的类似物在肝微粒体稳定性、血浆游离分数或膜通透性中至少一项恶化超过3倍。
推荐理由：研究用257个单原子类似物建立配体优化的随机背景，量化效力提升与PK恶化的权衡。
EMBL-EBI News精选AI 评分6868 AlphaFold 数据库新增病毒蛋白复合物预测，覆盖 2800 多种病毒
EMBL-EBI 与 Google DeepMind、NVIDIA 等合作，在 AlphaFold 数据库中开放 2800 多种病毒的 AI 预测蛋白复合物结构，优先覆盖已知感染人类的病毒科。
推荐理由：AlphaFold 数据库新增 2800 多种病毒的蛋白复合物预测结构，为疫苗与诊断靶点研究提供开放基础数据。
英灵殿科技Valhalla精选AI 评分7070 英灵殿科技提出 OFoldNA：将二级结构信息融入全原子扩散模型，统一核酸折叠与蛋白–核酸共折叠
英灵殿科技团队提出 OFoldNA，将二级结构信息编码为已知配对、已知非配对和未知三种状态注入全原子扩散模型，统一支持核酸单体折叠与蛋白–核酸共折叠。
推荐理由：团队把二级结构编码进全原子扩散模型，并在 FoldBench 上与 AlphaFold 3 等基线逐项对比，可看核酸结构建模的评测细节。
Ginkgo Datapoints · Updates精选AI 评分5858 Ginkgo 虚拟细胞药理学计划 VCPI 向所有注册用户即时开放全部数据集
Ginkgo 的虚拟细胞药理学计划 VCPI 宣布，现有及未来全部数据集在发布时即向所有注册用户开放，采用 CC BY 4.0 许可。三个版本合计覆盖超过 14,000 个化合物。
推荐理由：VCPI 将全部数据集即时开放给注册用户，为虚拟细胞药理学研究提供了可复用的数据入口。
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。