OPRD-100：用于反应数据挖掘工具评测的专家整理有机反应数据集
研究发布 OPRD-100，一个从 1999 至 2024 年 100 篇 Organic Process Research & Development 文章中专家整理并交叉验证的 3,878 条反应数据集，每条记录包含产率、立体化学、温度、时间、溶剂和试剂。
推荐理由：该数据集以人工整理的反应记录为基准，揭示商业数据库在高产率反应上的系统性偏倚，为反应数据挖掘工具提供对照。
内容形态
顶刊与预印本 最新动态
AI 制药研究、预印本、数据与基准，包含负面结果、独立复现、更正及撤稿；不以期刊名气替代文章级相关性与证据。
686 条精选近 30 天 482 条共收录 998 条
更新
精选归档 · 第 11 页
ChemRxiv Preprints精选AI 评分6363 ChemRxiv Preprints精选AI 评分7171 P*：以文献先例筛选的多步逆合成组合搜索规划器
作者提出逆合成规划器 P*，用互补策略组合搜索，并为每个目标保留每一步都有文献先例的路线。P* 为 61% 的已批准药物与临床候选、41% 的专家整理新靶点和 49% 的 USPTO-190 目标给出全部步骤有先例的路线，称在三个集合上均多于已发表规划器；其最佳单一策略解决 88.0% 的 ChEMBL-1000 目标。
推荐理由：该工作把文献先例作为逆合成路线筛选条件，并比较了多策略组合与单一策略的覆盖差异。
ChemRxiv Preprints精选AI 评分6565 MOSAIC金属配合物库将虚拟筛选拓展至金属配合物化学空间
研究构建了MOSAIC金属配合物库，包含16,901个中性类药金属配合物，几何结构直接取自剑桥结构数据库中的实验测定结构。
推荐理由：研究构建金属配合物筛选库并用于MAT2A别构位点筛选，为拓展虚拟筛选化学空间提供可复用路径。
ChemRxiv Preprints精选AI 评分5858 AIChemist 机器人化学家实现自主推理与实验的构建式化学发现
研究团队报告机器人化学家 AIChemist，它根据自身结果决定下一步问题，并用计算或实验作答后据此构建下一轮设计。在硅基自由基中继概念下，它开发出不对称三组分硅氰化反应，发现溶剂效应取决于氧化剂配方，将收率从 20% 提升至 67%、对映体过量 88%；针对杀虫剂 broflanilide 中间体，设计了不涉及硝基转化的光氧化还原/镍 C–N 偶联路线，估计成本低于常规路线。
推荐理由：预印本报告自主推理与实验闭环在两类反应上的结果，为化学发现自动化提供可参照的闭环设计。
ChemRxiv Preprints精选AI 评分6363 研究发现通用机器学习原子间势可恢复Hammett常数与芳香性等化学信息
研究显示，对预训练通用机器学习原子间势（MLIP）的不变逐原子嵌入施加简单模型，可恢复Hammett取代基常数、Brønsted与Lewis酸性及环芳香性，Spearman ρ为0.8–0.99。
推荐理由：研究显示预训练通用原子间势的嵌入可直接恢复取代基常数与酸性等化学概念，为从势函数中提取反应性信息提供参照。
ChemRxiv Preprints精选AI 评分6363 计算引导的聚乙炔原位筛选用于基因递送
研究报道一种计算引导的聚合物基因载体发现方法，将聚合物组成与复合物配制的优化合并进行，无需常规合成、分离和表征新候选物。方法核心是计算机辅助实验设计、原位筛选与机器学习迭代建模，以转染效率为关键指标关联试剂浓度与配比等可控输入，并基于新型水溶性反应性聚乙炔 poly(N-(propargyl)-2-(aminooxy)-acetamide) 在水相中与醛官能化后直接与核酸复合。
推荐理由：该预印本把聚合物合成与核酸复合配制合并为单一优化问题，为基因递送载体的计算引导筛选提供可迁移流程。
ChemRxiv Preprints精选AI 评分5858 研究比较基础机器学习与严格自由能计算在蛋白-配体结合亲和力基准数据集上的表现
研究在仅用少量已知化合物训练、预测同一化学系列新变体的条件下，比较基础机器学习方法与基于分子动力学的严格自由能方法（如FEP）在蛋白-配体结合亲和力基准数据集上的表现。
推荐理由：研究在同一小样本训练条件下比较基础机器学习与FEP的结合亲和力预测，为方法选择提供参照。
BioArt精选AI 评分7373 清华大学团队在Nature Communications发表可解释AI引导的可降解脂质肝脏mRNA递送研究
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。
机器之心 · AI4Science精选AI 评分7474 斯坦福团队在Science发布Virtual Biotech多智能体框架，从临床试验中挖掘药物研发线索
斯坦福大学团队于2026年9月17日在Science发表研究，推出多智能体AI平台Virtual Biotech，由虚拟首席科学官统筹8个专业科学家智能体，模拟生物技术公司研发架构。
推荐理由：斯坦福团队用多智能体框架整合临床试验与单细胞数据，为靶点特征与临床成功率之间的关联提供了可复用的分析路径。
bioRxiv · Biophysics精选AI 评分6868 ESMfluc 追踪蛋白语言模型预测主链可变性的证据来源
研究提出 ESMfluc，基于 ESM2 或 ESM3 表示预测蛋白质局部主链可变性，并分解注意力以定位支持或反对预测的序列位置。在 208 个留出 ATLAS 蛋白上，微调 ESM3 模型达到 AUROC 0.889；在 985 个 mdCATH 结构域中，其域内 Spearman 相关均值为 0.616，高于最强外部预测器 PEGASUS 的 0.589。
推荐理由：研究用注意力分解追踪蛋白语言模型判断主链可变性的证据来源，为模型可解释性提供可迁移方法。
BioAIDesign精选AI 评分7070 北大等团队在bioRxiv发布CellCompass：用AI智能体设计细胞动力学模型
北京大学周沛劼、加州大学欧文分校Qing Nie等团队在bioRxiv发布CellCompass，一套围绕实验数据选择、改写和检验细胞动力学模型的科学智能体系统。
推荐理由：预印本提出用智能体按实验线索选择与改写细胞动力学模型，并在模拟基准和四类真实数据上给出对照结果。
智药邦精选AI 评分7474 北京大学来鲁华团队在Nat Mach Intell发表SynCraft，用大语言模型引导分子精准编辑
北京大学来鲁华教授团队提出基于大语言模型的分子可合成性优化方法SynCraft，对难合成的高价值分子做最小图编辑而非从头生成，研究发表于Nature Machine Intelligence。
推荐理由：研究用大模型推理加最小图编辑挽救难合成分子，并给出与基线方法的量化对比和失败边界。
药化猩球精选AI 评分7878 Nat. Comput. Sci.发布TCR–pHLA结合预测标准化数据集Hi-TPH与机器学习基准
研究人员在Nature Computational Science发表Hi-TPH层次化TCR–pHLA数据集，最高层级含26,704组结合样本，较STAPLER完整双链数据扩大5.99倍。
推荐理由：该研究构建分层TCR–pHLA数据集并系统评测蛋白质语言模型，为抗原识别预测提供了可比较的数据与基准参照。
王初课题组精选AI 评分5858 Nat. Chem. Biol. | Tryptoline立体探针结构拓展发现GRPEL1–HSPA9复合物抑制剂
Scripps研究所的Bruno Melillo与Benjamin F. Cravatt团队在Nat. Chem. Biol.发表研究，通过改造Tryptoline丙烯酰胺探针的C6/C7远端结构，在Ramos细胞中定量超过24,000个半胱氨酸位点，筛出95个可被立体选择性标记的位点。
推荐理由：研究用立体探针扩展半胱氨酸配体图谱，并借GRPEL1案例展示结构预测在非正构位点的识别局限。
bioRxiv · Bioinformatics精选AI 评分7474 IgScope：用区域隔离语言模型实现抗体多分辨率人源性评分
作者提出 IgScope，一个从零训练的 2300 万参数抗体语言模型，可在链、IMGT 区域和残基三个分辨率上评估抗体人源性。在 238 万条留出链上，遮蔽全部框架 token 后 CDR 准确率不变，人源框架中回突的小鼠残基检出准确率为 93.4%；链水平与临床抗药抗体发生率的相关性 r = 0.567（n = 217）。
推荐理由：该预印本提出按链、IMGT 区域和残基分辨率评估抗体人源性的方法，并揭示生成模型设计的抗体在 CDR 层面人源性偏低。
Genesis Therapeutics 官网资讯精选AI 评分7474 Genesis 与 Caltech 提出离散扩散在线适应框架，分子优化用 86 次评估追平 Beam Search 约 5000 次评估表现
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。
ACS JCIM (化学信息与建模)精选AI 评分7676 EnzyArena 基准评测并实验验证机器学习酶工程策略
【摘要级】研究提出按实验批次分组、在匹配条件下测定 kcat、Km 或 kcat/Km 的酶工程基准 EnzyArena，系统评测覆盖蛋白-配体结合亲和力预测、蛋白稳定性预测、零样本适应度预测和酶动力学参数预测四类策略的 20 个模型。
推荐理由：研究用统一实验条件的酶动力学基准比较四类突变优先级策略，并给出湿实验前瞻验证结果。
BioAICraft精选AI 评分7373 arXiv论文提出ResiDPO并微调LigandMPNN得到EnhancedMPNN
悉尼科技大学、华盛顿大学、伊利诺伊大学厄巴纳—香槟分校和浙江大学研究者在arXiv发布论文，提出残基级可设计性偏好优化方法ResiDPO，用它微调LigandMPNN得到EnhancedMPNN。
推荐理由：论文把AlphaFold2逐残基置信度反馈用于微调LigandMPNN，为序列设计筛选通过率提供了可比较的提升数据。
AI蛋白质精选AI 评分8888 西湖大学等在Nature发表Pinal：用自然语言编程设计功能蛋白质
西湖大学等机构在Nature发表Pinal，一个160亿参数的基础模型，可直接从自然语言功能描述生成候选蛋白质。模型在17亿合成蛋白质-文本对上训练，采用文本到结构再生成序列的两阶段框架，在荧光蛋白、PET水解酶、醇脱氢酶和代谢H蛋白四个任务中均实验观察到预期功能。其中设计的pinalH02在多酶CO₂固定通路中甘氨酸滴度达11.1 mM，比天然大肠杆菌H蛋白高1.7倍，且无需迭代实验优化。
推荐理由：该研究用两阶段文本到结构再到序列的框架，把自然语言功能描述直接转成可实验验证的蛋白质，并给出四个任务的湿实验证据。
bioRxiv · Bioinformatics精选AI 评分6868 Neopep：用机器学习力场能量强化学习预测非天然氨基酸多肽结构
作者提出 Neopep，一个以序列为条件的扩散模型，用于含非天然氨基酸（ncAA）多肽的结构预测：先在 PDB 结构上预训练建立结构先验，再用冻结的机器学习力场（MLFF）对模型提出的结构打分，并将该能量信号回传以微调模型。
推荐理由：该预印本把机器学习力场能量作为强化学习信号，用于含非天然氨基酸多肽的结构预测，提供了可迁移的训练思路。