Genesis Molecular AI 在 NeurIPS 2026 论文中报告，其方法在分子优化任务上达到与最强推理时搜索相同的性能，同时 oracle 调用次数减少 58 倍。该推文指出，预训练分子生成器掌握化学规律但不了解具体靶点，论文聚焦离散扩散设计选择对反馈效率的影响。
推荐理由：该论文比较离散扩散分子生成中不同设计选择对反馈效率的影响，为优化时的 oracle 调用预算提供参照。
内蒙古大学、上海财经大学与CMU团队提出ReSFlow，将类别概率经平方根映射到球面，在球面上重新配对并整流生成轨迹，使离散数据可一次模型调用完成生成，该工作已被NeurIPS 2026接收。
推荐理由：论文把离散类别概率映射到球面做整流，使一步采样接近多步ODE质量，为离散序列生成提供可迁移思路。
阅读Edison Advances上的完整博客：https://advances.edisonscientific.com/research/small-molecule-structures-solved-with-generative-ai-and-reasoning-models/
Brian Hie 团队报告 Evo 2 在少量同功能序列提示下可生成功能相似的新序列，作者称这是一种生成式上下文学习（ICL），且为训练时未预料到的涌现现象。
推荐理由：作者报告 Evo 2 在少量同功能序列提示下生成相似功能序列，并延伸到调控元件与蛋白设计任务。
Brian Hie 提出，数据高效条件化使合成提示可随模型自身生成结果动态更新，并可在计算打分甚至实验室在环测试后进行。他以噬菌体基因组设计给出概念验证，将这一过程称为基因组思维链（genomic chain of thought）。
清华大学深圳国际研究生院颜昊、康飞宇团队在Nature Communications发表研究，建立模块化合成、高通量筛选、可解释机器学习与动物验证的两阶段框架，从520种实验脂质扩展到10,920种虚拟候选，筛出可降解可电离脂质PA97MD101。
推荐理由：研究把可解释机器学习用于可降解脂质筛选，并用独立动物实验检验体外预测的边界。
文章解释 Atom14 与 Atom37 两种将蛋白质原子坐标压入固定张量的布局，并比较 RFdiffusion3、BoltzGen 和 La-Proteina 在序列未知的从头设计中如何处理原子槽位。RFdiffusion3 为每个残基保留 14 个点，用虚拟原子填充未用槽位并统一去噪，序列随后由 ProteinMPNN 或 LigandMPNN 设计。
侯廷军团队推出可控生成框架PartiDesign，将结构与序列或化学身份在同一次Flow Matching生成中协同，覆盖蛋白、DNA、RNA和小分子。在ProtDBench普通MPNN单序列协议下，其估算合格候选产出约为RFD3的4.9倍，加入α螺旋引导后约7.6倍；AME原子级催化基序骨架搭建中常规与α引导配置分别约为RFD3的8.6倍和12倍。
推荐理由：介绍统一生成框架在蛋白与环肽设计上的产出效率，并给出与RFD3、BoltzGen的基准对比及计算筛选边界。
Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文研究离散扩散分子生成模型在测试时如何分配算力，其在线适应框架仅用 86 次 oracle 评估即追平最强推理期搜索基线 Beam Search 约 5000 次评估的表现。
推荐理由：研究系统拆解在线适应式分子优化的四个设计选择，并给出何时值得用在线适应而非推理期搜索的判据。
香港中文大学团队提出RNA联合生成模型DuetRNA，为每个核苷酸建立碱基与核糖两个耦合局部坐标系，在同一流匹配过程中同时输出序列与三维重原子坐标，相关预印本与代码已公开。
推荐理由：该预印本用碱基与核糖双坐标系做RNA序列与结构联合生成，并给出与RNA-FrameFlow同协议的计算对比。
英矽智能公布其生成式AI设计的多参数优化Pan-TEAD抑制剂ISM6331的1/2期试验结果，在重度经治间皮瘤患者中130 mg剂量组客观缓解率达40%。该分子尚处早期研究阶段，公司强调结果属研究性数据，并称TEAD在衰老中亦有作用、设计上瞄准癌症之外的广泛生物学场景。
智宠制药（苏州）完成数千万元A1轮融资，由天汇资本领投、指数资本担任独家财务顾问，资金将用于推进核心管线临床、完善端到端AI药物研发平台并拓展抗感染、慢病、CNS和抗衰管线。公司自研ChemoFetch小分子与OmniFetch大分子双引擎，已在抗感染、慢病、抗衰领域布局6条以上FIC/BIC潜力管线，并以宠物药作为验证链条更短的落地场景。
Valence Labs 提出 trajectory replay，一种面向 flow matching 和扩散模型等连续时间生成模型的持续学习技术，通过用前一模型生成路径的速度场重训模型来提醒其已学内容，全程不生成完整样本。
推荐理由：该方法用前一模型生成路径的速度场重训，避免生成完整样本，为连续时间生成模型的持续学习提供更省成本的替代方案。
Recursion在平台系列第7篇中介绍其自动化化学平台：候选分子在计算机设计后直接进入自动化DMTL实验室，可规模化执行多步药物化学合成，并自动完成后处理、纯化与数字化样品追踪。其自研AI智能体还协助科学家规划高效合成路线；公司称因设计、合成、测试在同一集成系统内完成，消除了团队间数据交接的摩擦与时间损耗。
泓博医药的 DiOrion 生成式 AI 药物设计与多智能体协同研发平台入选《医药领域企业级 AI 创新应用良好实践案例》，该评选从 50 家企业 80 余个项目中遴选出近 30 个优秀实践。
礼来与剂泰科技围绕新型脂质纳米颗粒（LNP）递送解决方案达成战略合作，剂泰科技将收取逾千万美元首付款，并有资格获得总额最高可达11亿美元的开发、监管及商业里程碑付款，另按合作产品年度净销售额获个位数百分比分级特许权使用费。
推荐理由：以礼来与剂泰的LNP合作切入，梳理礼来AI版图各环节的获取方式差异，并讨论AI递送平台的价值边界。
剂泰科技宣布与礼来达成战略合作，共同研发新型脂质纳米颗粒（LNP）递送方案，探索适配多种治疗模态的组织特异性递送技术。剂泰科技将依托NanoForge支撑的AiLNP可电离脂质发现与优化平台开发新一代递送技术，礼来提供药物发现、临床开发及商业化资源。
利太智药已完成近5000万元种子轮融资，由讯飞创投、L2F光源创业者基金及知名产业方联合投资，光源资本担任独家财务顾问。资金将用于核心管线研发、算力投入、专利布局、人才招募及日常运营。公司以生成式AI设计多肽新药，搭建“数据—模型—分子”三层技术体系与72小时多肽“生成—合成”闭环平台，部分合作项目已进入临床前研究阶段。
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。
研究者提出生成方法 MESSI，用离散扩散对蛋白进行去免疫原性设计，降低预测的 MHC-II 表位。在荧光素酶、PD-1 结合剂和尿酸酶中，实验验证其功能得以保留或提升，尿酸酶属于 FDA 已批准疗法所用酶家族。
🧪 #Chemistry42 全新 #FeatureFriday：类型化排除体积 排除体积并不新鲜，但类型化的排除体积是新的。现在你不仅能封锁某片空间区域，还能精确指定那里不允许出现什么：不许有芳香环、不许有氢键供体、不许有带正电的基团，随药物化学需求而定。 在这段短片中，我们用一个真实的 B-RAF 生长向量示例进行演示。 #PharmaAI #GenerativeChemistry
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Texas Tech研究者在npj Drug Discovery发表PepOpt，用PepSeA对齐、位置特异分子指纹、线性模型与动态规划，在约4000种单体、14肽规模达10⁵⁰的组合空间中筛选候选。
同一新闻，精选展示《默沙东与得州理工在npj Drug Discovery提出PepOpt，174.4秒从约10⁵⁰种肽组合中筛出前1000条》
Verastem Oncology公布口服KRAS G12D双重ON/OFF抑制剂VS-7375的1/2期TARGET-D 101数据，900 mg每日一次单药治疗二线胰腺导管腺癌确认ORR达50%（4/8），二线及后线患者整体确认ORR为41%（9/22）。
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。
Zealand Pharma 与 Generate:Biomedicines 签署最高约 12 亿美元的合作协议，用其生成式 AI 平台设计肥胖及其他代谢疾病的蛋白疗法。
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。
Generate:Biomedicines 宣布与 Zealand Pharma 达成合作及许可协议，针对肥胖及其他代谢疾病设计多特异性候选药物，初始启动两个项目并保留第三个项目的选择权。公司称将先从患者所需的药物作用特征出发，再结合 Zealand Pharma 数十年数据与自身生成模型及高通量实验测量，设计具备目标生物学功能的多特异性候选药物。
推荐理由：该合作披露了双方在代谢疾病多特异性候选药物上的分工与初始项目数量，可了解生成式模型如何介入早期设计。
英矽智能提名口服、外周限制性VAV1分子胶降解剂ISM9546为临床前候选化合物，拟用于炎症性肠病和类风湿性关节炎等自身免疫性疾病。该分子由生成式化学平台Chemistry42经多轮设计-合成-测试-分析迭代优化得到，在多种细胞实验中显示亚纳摩尔级VAV1降解活性。
利太智药完成近5000万元种子轮融资，由讯飞创投、L2F光源创业者基金及知名产业方联合投资，光源资本担任独家财务顾问。资金将用于核心管线研发、算力投入、专利布局、人才招募及日常运营。该公司以生成式AI设计多肽新药，搭建“数据—模型—分子”三层技术体系及72小时多肽“生成—合成”闭环平台，覆盖线性肽和环肽的AI设计、化学合成、生物测试与结构解析全流程。
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。
Recursion称其各项目在仅合成约300个化合物后即推进了高质量新候选分子，比行业平均少约90%。其AI原生引擎已产出逾10个开发候选分子，设计依托整合数百个机器学习与物理模型的Centaur平台，从靶点性质出发做生成式从头设计，并通过计算与实验的持续反馈循环迭代更新模型。
此前，85%与人类疾病相关的蛋白质被认为难以成药——它们的形状和功能使其不太适合实验室中的传统化学筛选。从实验筛选转向计算机上的AI生成设计，我们看到这些靶点大幅打开了以原子精度设计分子的潜力，从根本上扩展了我们能够治疗的疾病数量。
Kevin K. Yang 提出将化学知识、生成建模与结构预测组合成一条流程，用于为新自然界化学反应设计酶。推文未披露该流程的具体方法、实验验证或性能数据。
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。
Isomorphic Labs 的药物设计引擎 IsoDDE 可智能搜索庞大化学空间，设计面向真实世界的功能性分子，将过去数月的实验室工作缩短为计算数天完成。其药物设计智能体从生物靶点和目标分子性质等严格设计规范出发，在 2-4 天内自主迭代生成新分子设计，公司称带来真实世界功能性进展。
英矽智能提名靶向GIPR的全新小分子临床前候选化合物ISM1354，用于肥胖、2型糖尿病及相关代谢疾病。
推荐理由：英矽智能用Chemistry42提名新一代GIPR拮抗剂，并给出与临床阶段同靶点分子的安全性对比数据。
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。
一个生成模型表面上看起来在正常工作，却仍可能无法输出你最关心的疾病相关细胞群或小分子。 幸运的是，我们有技术手段来诊断并纠正这些失败。 在最新一期 Valence at the Whiteboard 中，Liam 讲解了如何使用精确率、召回率、密度和覆盖率（PRDC）来评估生成模型，以发现细微的失败模式并了解如何应对。 完整视频：https://youtu.be/teIoP92Aeow
研究者 Andrés M. Bran 对微软研究院发表于 Nature 的逆合成预测模型 RetroChimera 做了评测，认为它在单步模型类别中是较强的方法。他强调预测必须经过实验室验证，而验证的前提是先把分子合成出来。微软研究院的原帖称该模型用于加速化学合成、帮助研究者探索更广泛的分子。
推荐理由：作者以实测评测视角指出逆合成模型需先合成再验证，并给出单步模型类别中的定位参照。