FunFOLD5：结合局部模板与结构同源预测蛋白-配体相互作用
【全文总结】FunFOLD5 是作者团队开发的模板法蛋白-配体结合位点预测工具，在 CASP15 和 CASP16 盲测的 69 个配体实例中，81.2% 达到高精度（LDDTpli ≥0.4）。
推荐理由：作者以CASP15/16盲测对比全局与局部模板搜索，展示局部口袋检索对结合位点残基识别的增益。
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 25 页
Bioinformatics (Oxford)精选AI 评分6565 ACS JCIM (化学信息与建模)精选AI 评分6060 FlexENN：预测折叠与内在无序蛋白复合物结合能的图神经网络
【摘要级】作者提出 FlexENN，一个面向界面的消息传递图神经网络框架，包含分别训练的 FlexENN-F（折叠蛋白复合物）和 FlexENN-I（含无序伴侣的复合物）两个模型，并构建了含 IDP 的训练数据集。
推荐理由：该工作把结合能预测扩展到含无序区的蛋白复合物，并用微管界面实验亲和力作参照。
Fabian Theis精选AI 评分7676 LabCompass预印本：用生成式逆向设计指导细胞实验
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。
英灵殿科技Valhalla精选AI 评分7373 英灵殿科技提出 OFAntibody：单抗与双抗联合生成的全原子抗体设计框架
英灵殿科技团队提出 OFAntibody，一个以抗原结构、指定表位和预定义抗体框架或双抗构型为输入、生成 CDR 全原子结构的统一框架，支持纳米抗体单抗及 tandem VHH、diabody、CODV-like 等双抗构型的联合设计。
推荐理由：该研究把双抗两个结合臂与连接区放在同一全原子框架中联合生成，并给出与独立拼接的碰撞对比。
奶牛猫的CADD实验室精选AI 评分6262 Martini 3 结合自由能误差从 5.7 降至 1.2 kcal/mol，配体排序中位相关仅 0.32
一篇预印本在 15 个靶点、172 个配体上评估 Martini 3 粗粒化模型的绝对结合自由能计算，发现模型系统性低估结合强度，按口袋带电残基数做线性校正后平均绝对误差从 5.7 降至 1.2 kcal/mol。
推荐理由：解读预印本对Martini 3结合自由能误差的分解，说明整体偏移校正与配体排序能力为何是两件事。
AI药物设计实验室精选AI 评分7878 Nature Communications 2026：高通量蛋白质组学与AI折叠发现靶向VAV1的分子胶
2026年发表于《Nature Communications》的研究用高通量DIA全球蛋白质组学在Jurkat细胞中筛选出可经CRBN诱导VAV1降解的苯基-戊二酰亚胺类分子胶，关键降解元件定位在VAV1 C端SH3-2结构域的RDxS基序（796–799位点）。
推荐理由：研究把高通量蛋白质组学与AI三元复合物折叠串成分子胶发现链，并给出FEP与细胞降解效力的相关性参照。
晶泰科技精选AI 评分6262 晶泰科技与暨南大学在JMC发表RET抑制剂研究，打通专利数据到小鼠药效的研发链路
晶泰科技联合暨南大学在《Journal of Medicinal Chemistry》发表回顾性案例研究，以两款已上市RET抑制剂的专利数据为基础，仅合成3个化合物即得到RET激酶IC₅₀为0.48 nM的候选分子Cpd-31。
推荐理由：晶泰科技与暨南大学在JMC发表回顾性案例，展示从专利数据解析到小鼠药效验证的连续研发链路，可作为端到端小分子早期研发流程的参照。
Bioinformatics (Oxford)精选AI 评分7272 AutoHMD：用升温分子动力学可扩展验证抗体-抗原复合物
【全文总结】作者开发AutoHMD自动化流程，用升温分子动力学（310–390 K）评估抗体-抗原复合物界面稳定性，以区分高质量与错误结合姿态。在来自AbSet的30个PDB条目对接姿态上，平均iRMSD在2.52 Å阈值下对高质量与错误姿态分类准确率90.0%（MCC=0.80），外部重对接集准确率95.2%；该阈值直接迁移到Boltz-2生成的12个模型时区分度下降且存在重叠。
推荐理由：研究用升温分子动力学区分抗体-抗原对接与Boltz-2模型的结合姿态质量，并给出可迁移的iRMSD阈值。
Nature Chemical Biology精选AI 评分8282 蛋白质组学引导的降解剂设计：定位并缓解AR降解剂的线粒体脱靶毒性
【全文节选总结】研究建立高通量DIA蛋白质组学流程，在HepG2细胞中筛选204个靶向雄激素受体（AR）的异双功能降解剂（HBD），发现CRBN招募型AR降解剂会广泛扰动线粒体蛋白组，并鉴定出电子传递链复合物I抑制是其脱靶毒性机制。
推荐理由：研究用高通量蛋白质组学定位AR降解剂的线粒体脱靶毒性，并据此改造出更安全的类似物。
LeapFun精选AI 评分7474 诺和诺德等团队发布Proton-PottsMPNN，将质子化状态写入AI蛋白设计
丹麦技术大学、MIT与诺和诺德团队在bioRxiv发表预印本，提出Proton-PottsMPNN，通过显式设计氨基酸质子化状态生成酸性条件下结合PD-L1的候选蛋白。
推荐理由：该预印本把可滴定残基的质子化状态纳入序列设计目标，为条件响应型结合剂设计提供了可复用的建模思路。
AI蛋白质精选AI 评分8585 DeepMind发布AlphaProtein Novo：从头设计酶在哌啶合成与DEHP降解中超越自然序列挖掘
Google DeepMind团队在预印本平台发布AlphaProtein Novo（AP Novo）机器学习流水线，报告从头设计酶在哌啶合成和DEHP降解两个挑战性反应上超越自然序列或突变体筛选。
推荐理由：该预印本报告从头设计酶在哌啶合成与DEHP降解中超过天然序列筛选，并给出序列集合评分这一可迁移方法。
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。
Molecular Systems Biology精选AI 评分7474 Bits to Binders竞赛：AI生成minibinder在CAR T细胞中的功能评测
【全文总结】Bits to Binders社区竞赛让28支团队提交AI设计的minibinder，统一装入CAR支架并在原代人T细胞中做混合增殖筛选，6811个设计达到测序回收阈值，707个在CD20阳性淋巴瘤细胞培养中显著富集。
推荐理由：该竞赛把AI设计的minibinder放入CAR T细胞做功能筛选，显示结合设计到细胞功能之间仍有明显落差。
ACS JCIM (化学信息与建模)精选AI 评分5858 FragDockRL：基于片段组装与系留对接的强化学习配体设计方法
【摘要级】研究提出 FragDock 分子设计框架，用可合成砌块经已知反应组装分子，并以限定核心结合姿态的系留对接评估候选，其中 FragDockRL 用 rDock 系留对接加 SMINA 打分构建奖励、以改进的 DQN 引导逐步生长。
推荐理由：研究在三个靶点上比较强化学习与随机搜索等策略，显示最优搜索方式随靶点变化。
bioRxiv · Pharmacology & Toxicology精选AI 评分6363 PK-MUSE：机理与神经混合建模提升未见化学空间的人体药代动力学预测
研究提出 PK-MUSE，在二房室模型上加入有界、随状态和时间变化的神经修正项，用于从分子结构预测人体药代动力学浓度-时间曲线。在骨架与时间分布外评测中，其暴露终点平均倍数误差（MdFE）较 HML-RF、DeepCt 和 PK-Sim 分别降低 7.2%、45.2% 和 26.2%。对修正项的分析将模型偏差定位在分布过程而非消除过程，结果来自预印本摘要报告的计算评测。
推荐理由：该研究把机理房室模型与受约束神经修正结合，在骨架与时间分布外评测中比较了人体药代动力学预测。
Molecular Systems Biology精选AI 评分8282 Bits to Binders竞赛验证1.2万条AI设计CAR-T结合域
【全文节选总结】Bits to Binders竞赛组织28支队伍用AI方法设计1.2万条80氨基酸的CD20结合minibinder，在CAR-T细胞中经池化增殖筛选出707条具CD20特异性≥2倍富集的设计，命中率在队伍间从0.6%到38.4%不等。
推荐理由：竞赛用CAR-T功能实验检验1.2万条AI设计结合剂，揭示ProteinMPNN偏好带来的表达失败模式。
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。
ACS JCIM (化学信息与建模)精选AI 评分7373 Causal-Chemprop：用因果机器学习做分子性质预测与设计
【全文总结】作者提出Causal-Chemprop，在Chemprop图神经网络嵌入上叠加DAGMA学到的结构因果模型，以单个锚点分子的实测pIC50为条件做反事实推断，预测其类似物的性质。
推荐理由：研究把结构因果模型接到Chemprop上，用锚点分子的实测活性做反事实推断，改善骨架外推的排序表现。
ACS JMC (药物化学)精选AI 评分7272 SMAMP：基于SMILES的图深度学习用于发现化学修饰超短抗菌肽
【摘要级】研究团队开发了SMAMP，一个基于SMILES的图深度学习框架，将肽编码为分子图以纳入非天然残基和化学修饰，预测大肠杆菌MIC的MSE为0.558、R2为0.542、PCC为0.741，优于另一个基于SMILES的基线。
推荐理由：该研究用 SMILES 图模型纳入非天然残基与化学修饰，为修饰肽的抗菌活性预测和设计提供可迁移方法。
Bioinformatics (Oxford)精选AI 评分6262 ProDTI：先验引导正无标签学习用于稳健的药物靶点相互作用预测
【全文总结】ProDTI 将药物靶点相互作用预测建模为正无标签学习，用显式生化相似度与 MolFormer、ESM-2 语义相似度构建混合先验，再通过软标签蒸馏和硬锚约束注入 nnPU 风险最小化。
推荐理由：该研究把药物靶点相互作用预测建模为正无标签学习，并在五个基准和冷启动设置下与现有方法比较。