浙大团队在Nature Communications发表机器学习增强采样工作流，解析AR-NTD配体识别并发现新型拮抗剂K53
浙江大学李丹、侯廷军团队在Nature Communications发表机器学习增强采样工作流，用于解析本征无序蛋白AR-NTD的构象景观与配体识别机制，并发现新型AR-NTD拮抗剂K53。
推荐理由：该工作把增强采样、机器学习集合变量与虚拟筛选串成流程，用于本征无序蛋白的构象与配体识别研究。
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 33 页
HouMed精选AI 评分7474
Genesis Molecular AI精选AI 评分7474 Genesis Molecular AI 发布 DeCAF-Pearl 全原子共折叠流图模型，推理提速 5 倍
Genesis Molecular AI 发布 DeCAF-Pearl，称其为首个用于全原子共折叠的流图模型，相比其 Pearl 模型推理提速 5 倍且质量几乎无损。
推荐理由：DeCAF-Pearl 以更少计算步数在 Runs N' Poses 基准上超过多个全原子共折叠模型，为高通量筛选场景提供了速度参照。
Genesis Therapeutics 官网资讯精选AI 评分7373 Genesis 发布 DeCAF-Pearl：面向全原子共折叠的流映射蒸馏模型
Genesis 发布 DeCAF-Pearl，这是首个用于全原子共折叠的流映射模型，由 Pearl-2026.1.dev 蒸馏而来，扩散采样阶段的模型调用减少约 20 倍，整体推理加速约 5 倍。
推荐理由：Genesis 将 Pearl 共折叠模型蒸馏为少步流映射模型，在保持成功率的同时把推理成本降低约 5 倍。
Cradle Bio Blog精选AI 评分6767 Cradle 展示零样本抗体多样化：七组实验与单突变扫描基线对比
Cradle 汇总其零样本抗体多样化流程在 SARS-CoV-2 RBD、HER2 和 EGFR 上的七组实验，其中 4/7 实验、2/3 靶点出现显著亲和力提升，弱结合剂 Ty2 的 KD 改善达 350 倍。
推荐理由：Cradle 汇总七组零样本抗体多样化实验，给出功能率与亲和力提升幅度，并对照文献单突变扫描基线。
Roshan Rao精选AI 评分6262 ESMC、ESMFold2 与蛋白机制可解释性论文更新并发布预印本
Roshan Rao 等在 bioRxiv 发布关于 ESMC、ESMFold2 和蛋白质机制可解释性的论文，并对上周初版做了修订。
推荐理由：作者说明 ESMC、ESMFold2 与蛋白机制可解释性预印本的修订内容，涉及基准评测与结果口径调整。
Valence Labs 官网资讯精选AI 评分6060 显微图像深度学习究竟学到了什么：Valence Labs 作者谈基准与可解释性
Valence Labs @ Recursion 的 Ihab 在文章中讨论显微图像深度学习模型究竟学到了什么，指出在部分细胞培养显微任务中，多个已训练模型的表现与未训练网络和像素统计等简单基线相近，说明基准分数中有一部分信号并不需要高层生物学表征。
推荐理由：作者结合自身基准测试经验，讨论显微图像模型何时学到真实生物学信号、何时依赖技术捷径，并提出可解释基线的设计思路。
Genesis Therapeutics 官网资讯精选AI 评分7474 Genesis 的 Pearl 系统在 OpenBind 基准上零样本超越全部共折叠模型
Genesis 称其 Pearl 系统在 OpenBind 的 EV-A71 2A 蛋白酶基准（802 个化合物，best-of-25）上零样本取得 78% 联合标准成功率（RMSD ≤ 2 Å、PoseBusters 有效、LDDT-PLI ≥ 0.8），高于 OpenBind 评测的全部共折叠模型。
推荐理由：Genesis 在 OpenBind 公开基准上对比 Pearl 与六种共折叠模型及对接方法，给出零样本与亚埃级精度的具体参照。
Inceptive精选AI 评分7474 Inceptive 用零样本 mRNA 序列设计对标体内 CAR-T 行业基准
Inceptive 称其基础模型在不足一个月、极少 CAR-T 专用训练数据下零样本设计 mRNA 序列，在 PBMC 表达与杀伤实验中与行业领先的抗 CD19 CAR 序列相当，并结合 Mana.bio 的被动靶向 LNP 在体内实现接近完全的 B 细胞清除。
推荐理由：Inceptive 称零样本设计的 mRNA 序列在体外与体内 CAR-T 指标上对标行业基准，展示了基础模型跨靶点迁移的一种路径。
OpenFold精选AI 评分7272 Rocklin Lab发布MGnify稳定性数据集，覆盖180万蛋白结构域
Rocklin Lab发布MGnify Stability Dataset，提供180万个多样蛋白结构域的折叠稳定性测量数据，覆盖超过20万个序列家族。该数据集由OpenFold首席研究员@grocklin团队公开，可用于蛋白稳定性相关的训练与评测。
推荐理由：该数据集覆盖超20万序列家族的180万蛋白结构域稳定性测量，为蛋白稳定性预测提供大规模训练与评测资源。
AI4Protein精选AI 评分5858 昌平国家实验室余其林讲座介绍抗体设计框架PPIFlow
昌平国家实验室副研究员余其林将于2026年5月24日晚通过腾讯会议主讲抗体设计框架PPIFlow。据简介，该框架结合流匹配生成模型与新型体外成熟策略，无需实验优化即可直接生成皮摩尔至纳摩尔级亲和力的纳米抗体和迷你蛋白结合剂。
推荐理由：讲座介绍PPIFlow以流匹配加计算机成熟生成高亲和力纳米抗体与迷你蛋白，可了解纯计算结合剂设计思路。
David Mobley精选AI 评分7373 Open Free Energy 团队发布覆盖 15 家药企的自由能方法开放基准研究
Open Molecular Software Foundation 旗下 Open Free Energy 团队宣布完成迄今规模最大的自由能方法开放基准研究，称在 15 家制药公司参与的测试中达到经行业验证的准确度。David Mobley 转发该消息并附上 Business Wire 新闻稿链接，未披露具体误差指标或测试体系。
David Mobley精选AI 评分5858 自动检测分子动力学中慢速扭转重排的论文发表于JCIM
David Mobley 团队关于自动检测分子动力学中慢速扭转重排的首版方法论文已发表于 JCIM，DOI 为 10.1021/acs.jcim.6c00134。无访问权限的读者可查看 chemRxiv 预印本版本（chemrxiv.10001647/v1）。
推荐理由：作者团队提出自动检测分子动力学中慢速扭转重排的首版方法，为构象采样分析提供可复用思路。
HouMed精选AI 评分7474 侯廷军团队在ChemRxiv发布LiTENexus量子化学驱动端到端AI药物发现系统
浙江大学侯廷军团队联合澳门理工大学于2026年5月15日在ChemRxiv发布LiTENexus系统，提出量子化学信息注入（QCII）机制，将势能面、电荷分布、偶极矩等规律编码进神经算子，构建端到端虚拟药物发现平台。
推荐理由：侯廷军团队把量子化学信息注入神经算子，在ADMET与分布外化学空间给出可对照的基准结果。
FutureHouse精选AI 评分7474 FutureHouse在Nature发表Robin多智能体系统，用于干性年龄相关性黄斑变性药物重定位
FutureHouse在Nature发表其首篇论文，介绍多智能体系统Robin，该系统将新假设生成与实验数据分析整合进同一连续工作流。研究团队将Robin用于干性年龄相关性黄斑变性，由其提出药物重定位假设并在实验室验证，包括在原代人视网膜色素上皮（RPE）干细胞中验证。
推荐理由：该工作展示多智能体系统从假设生成到湿实验验证的完整链路，为AI驱动发现提供可参照案例。
AI4Protein精选AI 评分6767 清华与字节团队AnewOmni：跨尺度统一分子生成模型
字节AI制药团队与清华AIR团队开发统一分子生成模型AnewOmni，可设计小分子、多肽和纳米抗体，训练数据超过500万个生物分子复合物。模型支持可编程图提示，可施加化学约束、拓扑约束与几何转向，并生成非天然氨基酸、手性分子、共价结合等非标准化学结构。
推荐理由：介绍统一分子生成模型在KRAS G12D与PCSK9上的跨模态设计结果，可作为多模态药物设计的参照。
David Mobley精选AI 评分6262 SepTop方法用于片段连接与跃迁的相对结合自由能计算并发表论文
David Mobley团队发表论文，测试其SepTop方法在片段连接、拼接与跃迁场景下的相对结合自由能计算，作者称效果相当好。论文发表于J. Chem. Inf. Model.，链接为https://pubs.acs.org/doi/10.1021/acs.jcim.5c03091。
推荐理由：作者团队测试SepTop在片段连接与跃迁的相对结合自由能计算，为片段生长策略提供方法参照。
HouMed精选AI 评分7373 LaMGen：基于大语言模型的多靶点3D分子生成框架发表于Nature Communications
浙江大学康玉、侯廷军团队联合澳门理工大学刘焕香团队在Nature Communications发表LaMGen，一个仅输入靶蛋白氨基酸序列即可生成3D活性分子的多靶点药物设计框架。
推荐理由：研究用LLM从蛋白序列直接生成多靶点3D分子，并在分布外靶点对上与DualDiff比较。
Mol.AI精选AI 评分6363 浙江大学团队在Nature Communications发表CycloPepper，用机器学习预测环肽环化位点并上线在线工具
浙江大学李承熙团队在《Nature Communications》发表CycloPepper，用机器学习预测治疗性环肽的环化结果并优化合成。研究基于全自动环肽合成平台CycloBot构建306个环肽数据集，采用SVC模型结合One-hot编码、氨基酸组成、二肽组成及16维理化特征，交叉验证准确率84%，实验验证一致性86%。
推荐理由：该研究用自动化合成数据训练环化位点预测模型，为环肽合成路线选择提供了可复用的在线工具。
1910 Genetics精选AI 评分6363 1910 Genetics在J. Med. Chem.发表PEGASUS：用大规模并行生物实验数据构建AI模型解析细胞穿透环肽极性
1910 Genetics在J. Med. Chem.发表题为PEGASUS的论文，介绍用基于大规模并行生物实验构建的AI模型解析细胞穿透环肽的极性。论文链接为https://pubs.acs.org/doi/10.1021/acs.jmedchem.5c01836，具体模型性能与实验数据未在帖文中披露。
推荐理由：该论文介绍基于大规模并行生物实验数据构建的AI模型，用于理解细胞穿透环肽的极性规律。
Jason Yim精选AI 评分7474 DISCO：序列-结构联合扩散模型设计C(sp³)–H插入酶
DISCO（Diffusion for Sequence-structure CO-design）以序列与结构联合扩散设计酶，无需预先指定催化残基、模板、theozyme或逆折叠。据其介绍，针对选择性C(sp³)–H插入这一有机化学中颇具挑战的转化，传统定向进化需14轮、耗时一年多，而DISCO在单块板上即完成设计。论文见 arxiv.org/abs/2604.05181，代码已开源于 GitHub。
推荐理由：该工作用序列-结构联合扩散设计酶，并以湿实验对比定向进化所需轮次，为酶设计方法提供了可参照的评测案例。