内容形态
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 999 条
【全文总结】作者提出 HEIWA 混合显隐式水注意力模块，把溶剂介导的力场信息注入 ESM3 残基嵌入，以修正无溶剂建模导致的物理偏差。研究以嗜热蛋白同源分类为代理任务，用 70 个蛋白的分子动力学 RMSF 基准做生物物理筛选，发现基线模型系统性把氢键误判为失稳因素、并低估表面残基迁移率，加入 HEIWA 后 120 组超参数中有 4 组通过筛选。
推荐理由：研究用嗜热蛋白分类代理任务揭示 ESM3 缺少溶剂编码带来的物理偏差，并提出可迁移的注意力修正模块。
【摘要级】研究构建整合GNN虚拟筛选、基于结构的建模与多层级生物学验证的AI分层药物发现框架，用于加速THRβ激动剂发现。优化后的GNN模型优于传统机器学习方法，从内部化合物库中优先筛选活性化合物，再经分子对接与MM/GBSA重打分锁定Carvedilol。
推荐理由：研究用GNN筛选加对接与多层级实验验证，把已上市药物Carvedilol重定位为THRβ部分激动剂。
作者提出 InverseBench 框架与线性流程 FSTN，把逆扰动基准的候选信息与终点构造显式化。在相同输入、候选与验证下，嵌套岭回归对转录主成分代理的 Spearman 为 0.959，而对 7,354 个基因中独立测量的 K562 生长适应度为 0.445；七项任务中受控响应条目可得性带来异质增益，CD4 激活为 0.442，外部适应度为 0.116。
推荐理由：研究揭示逆扰动基准的候选信息与终点构造会改变排名结论，为解读此类评测提供参照。
该预印本研究考察基因扰动响应基准按扰动标签平均所有细胞的做法会丢失哪些扰动强度信息。作者用 X-Atlas/Orion CRISPRi 筛选，以深度校正后的 guide 丰度作为细胞层面扰动强度代理，发现扰动强度越高响应可重复性越好，该效应在 HCT116 和 HEK293T 两株人细胞系中均存在且在 HCT116 中更大。
推荐理由：研究指出扰动基准按标签平均会掩盖扰动强度差异，并据此检验现有模型能否保留这类信息。
RCSI与英国癌症研究院领衔的国际团队整合约2000例结直肠癌肿瘤的多组学、单细胞与临床数据，开发AI工具iPhenMap构建肿瘤生物学图谱，识别出MSS结直肠癌此前未被发现的弱点。在实验室模型中，靶向药trametinib与其他药物联用可显著抑制肿瘤生长并延长生存，研究结果发表于Cancer Cell，仍属临床前阶段。团队称该结果可为现有药物重定位和新药开发提供路线图，并可能推广至其他瘤种。
推荐理由：研究整合约2000例结直肠癌肿瘤的多组学与单细胞数据，为MSS CRC的联合用药与老药新用提供临床前线索。
UnibindMD 是一个把蛋白靶点转化为经计算验证的从头多肽结合剂先导化合物的集成平台，串联 BindCraft 设计、AlphaFold3 类/Boltz-2 结构预测、PRODIGY 亲和力预测、ADMET-AI 可开发性评估与 GROMACS/CHARMM36m 全原子分子动力学五个环节。
推荐理由：平台把结合剂设计、结构预测、亲和力与可开发性评估和全原子分子动力学串成一条链，为多肽结合剂提供交叉验证流程。
俄亥俄州立大学Xia Ning团队提出MADDIE多智能体药物发现系统，由中央Orchestrator调度HitIdentifier、LeadOptimizer、Evaluator和Synthesizer四个专职智能体，在50个蛋白靶点上均交付100个满足对接评分、类药性、合成难度、毒性预测等计算阈值的候选分子。
推荐理由：论文用50个靶点的对照与消融，说明中央调度主要减少达到同一计算目标所需的搜索量。
研究在包含88个蛋白-配体系列、1113个配体的 Public Free Energy Benchmark 上验证量子力学打分函数 SQM2.20，并应用在 PL-REX 数据集中独立推导的缩放因子得到 SQM2.20sc。
推荐理由：在公开自由能基准上比较量子力学打分与MD自由能计算的精度，为快速亲和力预测提供参照。
研究评估训练后量化（PTQ）对逆合成推理语言模型RetroDFM-R的影响，4-bit NormalFloat-4与双重量化nf4使Top-1准确率仅下降约2个百分点（相对3–4%），同时显著降低GPU显存需求。
推荐理由：研究评测了逆合成推理模型在多种量化方案下的精度与能耗权衡，为低成本部署提供参照。
研究结合AI逆合成算法与专家化学知识，为抗疟候选药ganaplacidle设计了一条新的合成路线。AI提出由苄基保护的二甲基哌嗪酮经硫代亚胺酸酯中间体两步合成咪唑并哌嗪核心的非显然路线。作者同时提出合成置信度评分（Synthetic Confidence Score），用于评估特定逆合成断键的风险水平，以平衡创造性与可靠性。该工作为预印本摘要，尚未披露实验验证细节。
推荐理由：预印本展示AI逆合成与专家化学结合设计抗疟药新路线，并提出评估断键风险的合成置信度评分。
作者提出Equivariant-Free Transformer-Autoencoded Latent Flow Matching两阶段框架，用流匹配采样固定维潜变量，再由自回归Transformer决定分子尺寸、原子类型、坐标与化学属性。
推荐理由：该预印本提出不预设分子尺寸的固定维潜变量生成框架，并在PCQM4Mv2与HOMO-LUMO筛选任务上给出对照结果。
Bruce J. Wittmann 在 arXiv 发表五年回顾，认为机器学习辅助定向进化（MLDE）进展有限，主因是 MLDE 研究者追求“找到最优蛋白”，而定向进化实践追求“在时间与资源约束下找到足够好的蛋白”。他指出当前几乎所有 MLDE 方法都未计入 DNA 合成成本，导致策略的实际适用性受限，并列举了少数例外工作，主张重设 MLDE 目标与过去五年积累并不冲突。
推荐理由：作者从目标错位与 DNA 合成成本角度，解释机器学习辅助定向进化为何落地有限，并给出目标重设思路。
RiboBridge是一个以结构为先的从头RNA结合剂设计框架，将RNA构象生成与蛋白- RNA组装分离：先在蛋白表面提出多个候选RNA结合界面，在预训练RNA结构隐空间RiboSphere内生成规范RNA构象，再预测蛋白- RNA相互作用约束，通过刚性放置得到几何一致的蛋白相对位姿。
推荐理由：该框架把RNA构象生成与蛋白- RNA组装拆开，在124个复合物基准上比较了界面恢复精度。
ProMORNA 是一个零样本、端到端全长 mRNA 生成框架，基于 600 余万条天然蛋白-mRNA 配对数据预训练的 BART 式架构，经冷启动监督微调和多目标强化学习后训练。
推荐理由：该预印本提出零样本全长mRNA生成框架，并在体外报告活性优于常规基准，为mRNA序列设计提供了可比较的评测参照。
腾讯AILabHealthcare团队在Nature Communications发表scTransMIL，用多实例学习把样本级癌症表型与单细胞表达连接，同时输出细胞疾病分数和基因注意力线索。
推荐理由：文章梳理了scTransMIL从样本表型定位到细胞与基因线索的路径，并给出OGT靶点在动物实验中的验证链条。
该预印本提出基于高斯过程主动学习的抗体-抗原结合亲和力预测基准，覆盖 AbBiBench 的八个公开实验数据集，包括流感血凝素抗体 CR6261、CR9114 及针对 SARS-CoV-2 Spike HR2 肽的 AAYL 系列 scFv 库。
推荐理由：该预印本在八个公开抗体亲和力数据集上比较主动学习采集策略，为有限实验预算下的变体优先排序提供参照。
作者提出 GeoSinkhorn Flow，一个以扰动为条件、几何感知的流匹配框架，用于把静态表型景观转为动态表型景观，为每个条件级点连接符合景观几何的测地线输运轨迹。该方法用热扩散几何定义流形感知的输运代价，训练几何自编码器使隐空间欧氏距离与静态表型景观几何对齐并扩展到未见细胞，并以扰动特异的基因或药物嵌入作为输运动态的条件。该工作为 bioRxiv 预印本，摘要未给出定量评测结果。
推荐理由：该预印本把静态表型景观扩展为条件级输运轨迹，为单细胞扰动动态预测提供了一种几何约束方法。
研究团队提出多模态 Transformer 模型 Varformer，通过跨模态注意力整合错义变异的上下文表征与基因层面特征，用于药物靶点与变异优先级排序。模型在四个遗传祖先群体中以阳性-未标注学习训练，在三个难度递增的基准上 precision@20 分别为 0.95、0.86 和 0.48，在最难基准上比逻辑回归消融高 20%、比 DrugnomeAI 高 23%。
推荐理由：预印本提出整合错义变异与基因特征的多模态模型，并在跨难度基准上给出与消融及既有工具的对照。
该预印本研究以粉色荧光蛋白Magenta的表型与相对荧光单位（RFU）为读数，将突变体分为中性、有害和灾难性三类，发现约80%的随机突变对人工选择表型有害、20%为中性、0.8%增强该表型。
推荐理由：研究用荧光蛋白表型筛选量化随机突变的适应度分布，并与进化算法比较，为蛋白设计算法提供基准参照。
Ligo Biosciences 公布酶设计系统 Artios，首轮荧光素酶实验筛 85 个设计有 7 个具活性，较大蛋白筛 45 个有 9 个初筛命中。
推荐理由：文章逐项拆解 Artios 的筛选口径与实验证据，说明计算通过率与实验命中率之间的差距。