Bioinformatics研究揭示酶-底物预测中的数据泄漏问题
【全文总结】该研究用DataSAIL重新划分ESP数据集并重训ESP、ProSmith、FusionESP和OmniESI四个酶-底物相互作用预测模型，发现降低配体结构相似性后模型性能接近随机水平。
推荐理由：研究用更严格的相似性划分重训四个酶-底物预测模型，揭示配体相似性泄漏对性能的主导影响。
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 27 页
Bioinformatics (Oxford)精选AI 评分7272 Bioinformatics (Oxford)精选AI 评分5858 HD-AIP：基于语言模型与CT-Net的免比对双流抗炎肽预测框架
【全文总结】研究提出HD-AIP，一个不依赖同源比对的异质双流框架，用于抗炎肽（AIP）预测，融合ProtT5与ESM-2 3B的全局语义特征和BioVec加残基理化性质的局部特征。
推荐理由：该框架用双语言模型与双流网络绕开同源比对，为短肽功能预测提供了一条可迁移的特征构建思路。
Bioinformatics (Oxford)精选AI 评分6565 研究用稀疏自编码器解析微调蛋白语言模型的纳米抗体热稳定性预测机制
【全文总结】研究将ESM-2 8M在NbBench thermo-seq数据集上全参数微调，纳米抗体解链温度Tm预测的Spearman相关系数达0.780（95% CI 0.689–0.849），高于仅训练回归头的0.695及NbBench报告的AntiBERTa2的0.587。
推荐理由：研究用稀疏自编码器拆解微调后蛋白语言模型的纳米抗体热稳定性特征，并用自由能扰动验证部分位点。
Bioinformatics (Oxford)精选AI 评分5858 RAGCell：以检索增强生成作监督的单细胞分析框架
【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。
奶牛猫的CADD实验室精选AI 评分7676 AI制药日报0930：MIMOSA用已知结合物约束抗体设计，难靶点实验命中率20–26%
Prescient Design 提出 MIMOSA，在推断阶段把靶点已知结合物的界面几何与残基性质作为约束喂给扩散过程，不重训练模型，可直接套用于 RFAntibody 和 BoltzGen。
推荐理由：汇总多条预印本与工具更新，其中抗体推断时约束方法附湿实验命中率，便于比较难靶点设计思路。
ACS JCIM (化学信息与建模)精选AI 评分5858 Language of Toxicity：可解释AI统一预测八类毒性终点
【全文总结】作者提出仅以SMILES为输入的CNN-GRU-多头注意力统一架构，在VEGA平台八个毒性终点上以重复10折交叉验证（100次）评测，平均AUC 0.83±0.04、准确率0.82±0.04，致癌性最高AUC 0.94±0.02，染色体畸变最低0.70±0.05。
推荐理由：研究用同一套SMILES序列架构覆盖八个毒性终点，并与指纹基线在相同划分下比较，为小样本毒性预测提供了参照。
ACS JCIM (化学信息与建模)精选AI 评分6060 研究用强化学习引导GraphVAE设计AChE抑制剂，先导分子D0209心脏安全性优于多奈哌齐
【摘要级】研究构建强化学习引导的GraphVAE（RL-GraphVAE）进行靶向偏向的分子生成，并结合CardiotoxPred心脏毒性筛选、分子对接、三次重复分子动力学模拟与化学合成，设计乙酰胆碱酯酶抑制剂（AChEI）候选分子。
推荐理由：研究把生成模型与心脏毒性筛选、对接和动力学串联，为安全性导向的分子设计提供了一条可参考流程。
ACS JCIM (化学信息与建模)精选AI 评分6363 研究基准测试外部数据与领域特征建模冠状病毒主蛋白酶抑制剂的ADME与效力
【摘要级】研究团队参加ASAP-Polaris-OpenADMET联盟的2025抗病毒药物发现挑战赛，预测化合物对SARS-CoV-2和MERS-CoV Mpro的效力及LogD、KSOL、HLM、MLM、MDR1-MDCKII五个ADME终点。
推荐理由：研究在抗病毒药物挑战赛中对ADME与Mpro效力建模做系统基准，并检验数据增强与划分等常见做法。
Bioinformatics (Oxford)精选AI 评分6969 scLDM：用条件扩散框架预测单细胞扰动响应
【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。
PLOS Computational Biology精选AI 评分6262 GAMA：面向单类生成序列模型的归因方法，可从抗体序列中找回结合位点
【全文节选总结】研究提出GAMA，一种基于积分梯度的归因方法，通过比较训练后LSTM与随机初始化参考模型的梯度差异，从仅含正样本的生成序列模型中识别重要序列位置。在270个合成数据集上，AND逻辑基序在信号比例≥80%时假阴性率为0，OR逻辑在50%–100%信号比例下低于50%，XOR逻辑仅在90%–100%时低于50%，且结果对基序位置不敏感。
推荐理由：该研究提出面向单类生成序列模型的归因方法，并在合成与实验抗体数据上检验其找回结合位点的能力。
Bioinformatics (Oxford)精选AI 评分6868 DESTIN：基于化合物与蛋白三维结构的基础模型实现全基因组尺度化合物-蛋白相互作用预测
【全文总结】名古屋大学团队提出 DESTIN，利用化合物三维结构与蛋白结构感知序列特征预测化合物-蛋白相互作用，在 BindingDB、BioSNAP、PDBbind 2016 的归纳式场景中多数指标优于 GraphBAN 等方法，但在 KIBA 上未取得最佳。
推荐理由：研究用化合物与蛋白的三维结构特征做全基因组尺度相互作用预测，并在膜蛋白类别上给出与基线的对比。
DrugIntel精选AI 评分5858 Nature Methods前瞻：蛋白质结构预测从静态结构走向构象集合
Wankowicz与Bonomi在《Nature Methods》发表前瞻文章，指出AlphaFold等工具已改变静态结构预测，但仍无法捕捉完整构象集合，核心瓶颈是缺乏原子分辨率下可作金标准的真实参考数据。
推荐理由：文章系统梳理构象集合预测在数据、表示与评价上的瓶颈，为理解结构预测的下一步提供框架。
AI蛋白质精选AI 评分7272 药企联盟用2万余条私有蛋白结构数据微调OpenFold3，提升药物结合预测
由艾伯维、BMS、强生等药企组成的AISB Network利用OpenFold3，在五家公司提供的20,167个蛋白质-配体复合结构上微调，私有数据受保护且不公开。
推荐理由：药企联盟用两万余条私有结构微调开源模型，为数据共享能否提升结合预测提供了对照参照。
AI蛋白质精选AI 评分7474 斯坦福团队发表Virtual Biotech多智能体框架，模拟药企组织完成靶点发现与临床开发推理
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。
DrugIntel精选AI 评分7070 Nature研究构建随机背景基线，量化配体优化中的效力与PK权衡
《Nature》2026年发表的这项研究针对6个靶点的18个先导化合物系统合成257个单原子水平类似物，发现11.3%的类似物效力提升至少10倍（95%置信区间7.5%–15.2%），但41.4%的类似物在肝微粒体稳定性、血浆游离分数或膜通透性中至少一项恶化超过3倍。
推荐理由：研究用257个单原子类似物建立配体优化的随机背景，量化效力提升与PK恶化的权衡。
HouMed精选AI 评分6363 侯廷军团队在Nature Protocols发布AI虚拟筛选平台CVSP-AIE
侯廷军、康玉团队联合澳门理工大学刘焕香团队在Nature Protocols发布AI驱动的虚拟筛选平台CVSP-AIE，整合KarmaDock、CarsiDock与RTMScore重打分模型，通过分层调用平衡筛选速度与精度。
推荐理由：该平台把三种自研对接与打分模型整合为分层筛选流程，并给出在线与本地两种使用方式，便于比较速度与精度的取舍。
英灵殿科技Valhalla精选AI 评分7070 英灵殿科技提出 OFoldNA：将二级结构信息融入全原子扩散模型，统一核酸折叠与蛋白–核酸共折叠
英灵殿科技团队提出 OFoldNA，将二级结构信息编码为已知配对、已知非配对和未知三种状态注入全原子扩散模型，统一支持核酸单体折叠与蛋白–核酸共折叠。
推荐理由：团队把二级结构编码进全原子扩散模型，并在 FoldBench 上与 AlphaFold 3 等基线逐项对比，可看核酸结构建模的评测细节。
AI蛋白质精选AI 评分6262 Broad研究所刘如谦团队在Nature发表AI重设计起点增强蛋白进化的研究
Broad研究所刘如谦团队在Nature发表研究，提出以AI重新设计的更稳定蛋白作为定向进化起点，可进化出活性、特异性和稳定性更优的蛋白。研究以肉毒神经毒素蛋白酶为对象，先用AI设计更稳定的版本，再通过功能进化使其切割包括神经退行性疾病相关蛋白ataxin-2在内的多种靶标，所得蛋白在稳定性和针对该功能的特异性上优于从天然蛋白酶出发的进化结果。
推荐理由：该研究把 AI 设计的稳定蛋白作为定向进化起点，与天然起点直接比较，为酶工程提供可迁移思路。
AI蛋白质精选AI 评分8383 西湖大学郭天南团队发表ProteinTalks：基于扰动蛋白质组学的虚拟细胞模型
西湖大学郭天南团队联合多家机构在Nature发表ProteinTalks，一个以神经常微分方程为核心的虚拟细胞模型，基于18种乳腺癌细胞系、63种FDA批准药物扰动生成的超过3800万条时序蛋白质丰度数据训练。
推荐理由：该研究用3800万条时序蛋白质组数据训练虚拟细胞模型，为药物响应预测提供了不同于转录组路线的参照。
DrugIntel精选AI 评分6969 Apple 与 Mila 提出 SimpleDesign：单个 Transformer 联合生成蛋白序列与三维结构
Apple 与 Mila 等机构提出 SimpleDesign，在同一个 Transformer 中联合生成蛋白序列与三维结构，不依赖结构 tokenizer，也不使用 SE(3) 等变网络。
推荐理由：论文用消融说明去掉结构 tokenizer 后联合生成仍有竞争力，同时保留与几何模型的差距。