研发方向
AI 虚拟细胞、遗传与药物扰动、细胞状态动态、药物响应/组合及跨条件泛化；与普通分子虚拟筛选分开，不把注释成绩当作响应预测能力。
134 条精选近 30 天 91 条共收录 314 条
英矽智能全球AI平台负责人Petrina Kamya在虚拟细胞论坛介绍了公司的虚拟衰老细胞模拟框架，该框架基于12年自有数据与基准测试构建，覆盖分子、细胞内、细胞间、组织/器官和机体五个生物学尺度。系统在每个生物层级使用约43个专用AI智能体，以患者种子基线图谱模拟干预后的细胞状态转变。Kamya表示，公司正在全自动机器人实验室中对机制未知的新分子开展前瞻性验证，以检验预测并排除对文献的记忆。
推荐理由：英矽智能公开虚拟衰老细胞框架的跨尺度多智能体架构，并说明其正用自动化实验室做前瞻验证。
insitro宣布与阿斯利康达成全球独家研究合作，针对MASH和心肌病发现新靶点与疗法，将获得4000万美元首付款，并有资格获得最高约14.6亿美元潜在发现、开发与商业里程碑付款及个位数分级销售提成。insitro将用其Virtual Human平台识别两个适应证的因果疾病生物学，并把阿斯利康提名的靶点推进至开发候选化合物，阿斯利康负责全部临床开发、监管与商业化。
推荐理由：交易把insitro的Virtual Human平台用于MASH与心肌病两个异质性适应证，并明确划分发现与临床分工。
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。
Sam Gijsen 等人在生理时间序列模拟器、药物剂量响应数据、组合细胞扰动和分子构象生成任务中研究流匹配模型的交互恢复能力，区分真实恢复与幻觉出的交互结构。
推荐理由：研究用多类模拟与真实数据检验条件生成模型能否恢复交互效应，为科学预测评测提供参照。
【摘要级】研究提出脆弱性引导的级联注意力Transformer模型VCAT，将CMap/LINCS共识转录特征与CRISPR监督的细胞表征结合，用于抗癌药物响应预测。在四种数据划分策略下，VCAT在12项分类划分指标比较中的11项取得最佳表现，优于传统机器学习和已发表深度学习模型，并提升了连续IC50预测，在CTRP、PRISM、患者来源类器官和肝细胞癌队列中表现出泛化。
推荐理由：研究把药物诱导转录扰动与CRISPR遗传脆弱性结合，为跨数据集药物响应预测提供可解释的建模思路。
英矽智能在2026年Pharma.AI秋季网络研讨会上发布MMAI Gym科学后训练与评估框架，并展示激酶活性、GPCR活性、ADMET预测、单步逆合成和治疗靶点发现五款专业模型，公司称其在70多项化学与生物学基准任务中达到或超越当前SOTA。
推荐理由：英矽智能一次性披露Pharma.AI秋季多项更新，含专业模型基准表现与逆合成对比数据，可作平台能力横向参照。
该预印本提出 SafeDelta 对照拆分判据，用校准数据决定单细胞扰动预测是否进行少样本适配。作者指出传统评测在校准响应与留出目标间共用对照估计，会把对照误差带入预测并抬高分数；嵌套对照深度实验支持内积虚高随深度反比缩放，相关性虚高还取决于对照噪声信号比。
推荐理由：研究揭示少样本扰动预测评测中共用对照估计造成的分数虚高，并提出可迁移的对照拆分判据。
【全文节选总结】研究提出可解释神经网络xNNDriver，用DepMap中1,095个细胞系的全基因组CRISPR依赖评分预测候选基因突变状态，在3,008个候选基因中优先排序驱动基因，前15名中有10个为DepMap已注释的驱动基因。
推荐理由：研究把DepMap全基因组依赖图谱与通路层级网络结合，为从功能基因组数据中优先排序驱动基因提供了可解释框架。
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。
VirtualSkin 是一个细胞语言模型，将皮肤转录组与生物学描述对齐，并支持以干预为条件的响应预测。在独立图谱、疾病、解剖部位和扰动队列中，其炎症皮肤注释较最强对照提升 0.056 macro F1，细胞文本检索提升 0.12 Recall@10；在五个干预队列中，响应预测提升 0.03 至 0.09 响应分数，并在基因表达变化、基因恢复和转录程序层面取得一致。
推荐理由：研究把皮肤细胞状态识别与干预响应预测放进同一评测框架，并给出跨队列比较与适用边界。
【全文总结】研究提出基于ResNet50与8层Transformer编码器的模型，从单细胞延时荧光影像序列直接预测顺铂处理后细胞走向凋亡还是分裂，在含2089条序列的测试集上取得平衡准确率0.94、F1 0.9326，凋亡召回率91.3%。
推荐理由：研究用Transformer从活细胞延时影像预测顺铂处理后的凋亡与分裂命运，并借注意力权重定位关键时间窗与形态特征。
Fabian Theis团队发布预印本LabCompass，将实验设计的生成模型与细胞响应的前向模型耦合，在连续设计空间中按目标表型生成候选实验条件，并逐轮用实验测量反馈。
推荐理由：研究把细胞响应预测模型反过来用于设计实验，并在原代造血细胞中做了实验验证，为虚拟细胞的实验指导能力提供了参照。
【全文节选总结】作者提出CardamomOT，在机制最优传输框架下从时序scRNA-seq快照联合推断基因调控网络与隐藏蛋白轨迹，并校准为可生成数据、模拟基因敲除与过表达的生成模型。
推荐理由：该方法把GRN驱动的机制模型嵌入最优传输，用时间序列快照联合重建蛋白轨迹与调控网络，并给出可模拟扰动的生成模型。
【全文总结】作者提出 DCSE，用共享嵌入学习药物与副作用特征向量，再经多层感知机非线性组合两种药物特征，预测药物组合引发特定副作用的概率。
推荐理由：研究用按时间切分的真实数据重评药物组合副作用预测，显示常规平衡测试集会高估模型表现。
【摘要级】研究提出阳性对照基线与指标校准框架，在14个数据集和18项指标上发现均方误差、Pearson Δ 等常用评测指标常存在校准偏差，对模型真实性能的敏感度偏低。在经良好校准的指标下，基于深度学习的遗传扰动模型能够超越无信息基线。该结论基于摘要报告的评测设置，未涉及具体模型与实验细节。
推荐理由：研究指出常用扰动预测评测指标存在校准问题，为重新审视深度学习模型与基线的比较提供参照。
【全文总结】RAGCell 提出用检索增强生成（RAG）为单细胞模型提供监督：先用 GPT-4o mini、GPT-3.5 生成细胞级与特征级文本描述并向量化建库，再通过细胞—文本对比对齐训练轻量 Transformer 细胞模型。
推荐理由：该框架用LLM生成的双层知识库作监督，在多项单细胞任务上以更低预训练成本对标主流基础模型。
Turbine 宣布扩大与第一三共的合作，将其虚拟细胞平台用于 ADC 发现中的实验结果预测。Turbine 称该平台面向外部合作方使用，联合创始人兼 CEO Szabolcs Nagy 在相关帖子中说明哪些实验是真正的瓶颈。合作金额、具体资产与阶段未在正文披露。
推荐理由：Turbine 以虚拟细胞平台切入 ADC 实验预测，此次与第一三共扩大合作可作为观察平台外部可用性的样本。
【全文总结】作者提出 scLDM，将变分自编码器与条件潜扩散模型结合，在潜空间预测扰动后的单细胞转录组，并用最优传输构造对照与扰动细胞的配对训练数据。
推荐理由：该框架用潜空间条件扩散预测单细胞扰动响应，并在六个公开数据集上与多种基线比较，可供了解该任务的建模与评测方式。
Turbine宣布在第一三共完成可行性项目后扩大合作，其虚拟实验室vLab将支持第一三共的专有ADC项目，用Virtual Assays在载荷、联用、适应证和生物标志物决策上提供指导。Turbine称每个lab-in-the-loop循环都会把实验验证结果反馈进模型，在ADC发现中形成累积学习效应，双方将结合第一三共的数据与ADC经验加速新型癌症疗法发现。
推荐理由：该合作把虚拟实验室接入第一三共的ADC专有项目，并保留实验回馈模型的闭环，可作为ADC计算发现合作模式的参照。
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。