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 998 条
字节跳动发布 Protenix-v2 生物分子建模系统，用于结构预测与零样本抗体设计。据引用介绍，其在抗体-抗原结构预测上较 Protenix-v1 在 DockQ>0.23 指标最高提升 13 点，5 个种子的表现超过此前 1000 个种子的结果；零样本 VHH 设计在受控靶点上达到 100% 靶点级成功率，BLI 确认的命中率为 2%–48%，命中物热稳定性、自相互作用和多反应性通过率分别为 100%、98% 和 93%。在暴露表位小而灵活的 GPCR 靶点上，VHH-Fc 格式命中率为 16%–88%，mAb 格式最高 50%，每个靶点仅测试 16–30 个设计。代码与论文见 github.com/bytedance/Protenix。
推荐理由：Protenix-v2 在抗体-抗原结构预测与零样本 VHH 设计上给出多项指标，并附 BLI 验证的命中率与可开发性数据。
多机构合作发布通用科研智能体 SAGA（Scientific Autonomous Goal-evolving Agents），其特点是不仅优化固定目标，还会像人类研究者一样自行细化目标。该工作在化学、生物学与材料科学中设置五项发现任务，并包含湿实验验证，示例任务包括从头纳米抗体设计与永磁材料。作者 Philippe Schwaller 转发并称其为一项大规模多机构合作成果。
推荐理由：SAGA 把目标自我演化引入通用科研智能体，并在化学、生物与材料任务上做湿实验验证，可供比较智能体自主性设计。
Proxima 与 NVIDIA BioNeMo 团队发布预印本，将 NVIDIA 的 Fold-CP 集成进其 NeoLink 蛋白组学流程，把长生物序列的计算分布到多块 GPU 上，以消除限制大型蛋白复合物结构预测的内存瓶颈。Proxima 称 NeoLink 已通过实验绘制高阶复合物中数百万条蛋白质-蛋白质相互作用，而这类复合物由 10、20 甚至 50 个以上亚基组成。
推荐理由：Proxima 与 NVIDIA 合作把 Fold-CP 接入蛋白组学流程，展示多 GPU 拆分长序列以预测大型蛋白复合物结构。
David Mobley团队发布新预印本，提出将机器学习与基于物理的方法结合，以数据驱动方式估计配体效力。其思路是当模型对特定靶点足够准确后，由机器学习模型接管预测。预印本全文见 chemrxiv.org/doi/pdf/10.26434/chemrxiv.15000463/v1。
推荐理由：作者团队提出按靶点精度切换机器学习与物理方法的配体效力预测流程，为混合计算策略提供可参考设计。
SandboxAQ在预印本中分析合成结构数据如何增强深度学习蛋白-配体结合亲和力预测，生成约8万次绝对自由能扰动（AFEP）计算并构建SAIR-FEP与SAIR-OOD两个数据集。研究发现基于结构的模型对输入结构质量高度敏感，从Boltz-1x筛选高置信度共折叠复合物可带来可预测的性能提升，而盲目加入低质量结构会使指标饱和。合成与实验数据联合训练在CASF 2016上使RMSE最多降低8%、相关性指标提升9-11%，且仅在使用高质量合成结构时重现神经缩放规律。
推荐理由：研究用约8万次AFEP计算构建合成数据集，比较合成与实验数据联合训练对亲和力预测的影响。
【摘要级】LabGenius 提出 3in1 噬菌体展示生物淘选方法，采用非变性洗脱并跳过中间噬菌体扩增步骤，在一天内完成全部淘选轮次。作者称该方法比传统淘选快五倍，获得的独特命中化合物最多多六倍且亲和力范围较广，并将先导化合物发现时间缩短一周、减少耗材与废弃物。该方法在针对多种靶点的天然合成库和免疫库中展示适用性，材料仅为论文摘要。
推荐理由：该方法把多轮噬菌体展示筛选压缩到一天，并报告了命中多样性与亲和力范围的对照结果。
【全文节选总结】Yang Zhang Lab 提出分子基础模型 Ouroboros，采用表示、重建与性质预测三个正交模块，表示模块以构象空间药效团相似性（CSPS）和分子指纹相似性预训练，在 126248 个分子上构建约 47 亿条相似性标签。
推荐理由：该工作把构象空间与药效团相似性纳入分子基础模型预训练，并在虚拟筛选与多靶点抑制剂发现中给出湿实验证据。
PrecisionLife与Ovation公布合作首阶段结果，称基于4,600名患者数据识别出2,500余个与GLP-1受体激动剂疗效相关的遗传特征，映射到1,100个基因和15个主要机制，并称疗效标志物在100%患者中被识别。
推荐理由：该合作披露了基于真实世界组学数据识别GLP-1疗效遗传标志物的首阶段结果与扩样计划，可作为药物响应分层商业化的参照。
Ignota Labs 发文指出，AI 毒理预测模型的高 AUC、F1 等指标多来自小而窄的化学空间数据集，难以支撑化合物推进与患者安全决策。文章以 DUD-E 虚拟筛选基准的类似物偏倚为例，说明模型学到的是数据集特征而非药物-蛋白结合机制，并批评二元毒性标签忽略剂量、药代与遗传差异，hERG 抑制预测也不等于预测患者尖端扭转型室速。
推荐理由：Ignota Labs 结合 DUD-E 类似物偏倚等案例，说明毒理预测指标为何难对应真实安全性决策，并提出外部验证思路。
David Mobley 团队发布新预印本，介绍一种用于发现蛋白-配体复合物常见模拟中采样问题的简单分析工具，其做法是统计扭转态之间的跃迁次数。作者称该方法简单但出乎意料地有用，预印本已发布于 ChemRxiv。
推荐理由：作者发布预印本，介绍一种通过统计扭转态跃迁来识别蛋白-配体复合物模拟采样问题的简单分析工具。
insitro 在 Keystone Symposia 肥胖治疗会议上报告，基于 UK Biobank 影像队列（n=69,598）的 Dixon MRI 脂肪信号分数图构建 AI 推导的棕色脂肪（BAT）表型，并完成首个 BAT 全基因组关联分析，识别 81 个独立遗传位点、精细定位到 45 个基因。
OpenFF 团队发布新力场和速度更快的电荷模型预印本，论文链接见 chemrxiv。作者未在推文中披露力场版本、电荷模型方法及精度或速度的具体数据。
推荐理由：OpenFF 团队发布新力场与更快电荷模型的预印本，为分子模拟中电荷参数化的效率取舍提供参考。
【全文总结】LabGenius 在论文中报告其 EVA 平台通过机器学习与高通量实验闭环，在 44,160 个 HER2×CD3 T 细胞衔接器设计空间中经 5 轮设计-构建-测试-学习循环筛选 980 个候选，命中率较 Sobol 准随机基线提升 14 倍。
推荐理由：该研究把多特异性抗体的价数、拓扑与亲和力纳入贝叶斯优化闭环，并以临床基准分子作对照，展示了亲合力门控选择性的可设计路径。
Profluent 公开其内部蛋白质序列编码器模型 Profluent-E1，称 E1 系列可作为现有蛋白质建模与设计工作流的直接替换组件以升级流程。作者同时给出 bioRxiv 预印本链接（10.1101/2025.11.12.688125v1），推文未披露具体评测结果与权重开放情况。
推荐理由：Profluent 公开其内部蛋白质序列编码器 E1，并给出可替换现有建模与设计流程的定位，便于对照其预印本方法。
Cellarity在Nature Communications发表药物性肝损伤（DILI）预测框架ToxPredictor，并开源模型与验证数据。该框架基于原代人肝细胞转录组库DILImap，覆盖300种与DILI相关化合物在多个浓度下的转录特征；盲评中达到88%灵敏度、100%特异性，优于20余个行业标准临床前安全模型，并识别出动物研究未发现的若干3期临床安全性失败。
推荐理由：该框架用原代人肝细胞的转录组数据预测药物性肝损伤，并在盲评中与20余个临床前安全模型比较。
Numerion Labs（原 Atomwise）与 NVIDIA 专家合作在 arXiv 发布论文，提出 APEX（近似但穷举搜索）计算协议，可在单块 NVIDIA GPU 上于 30 秒内从 100 亿化合物的组合合成库中检索出评分最高的 100 万个候选分子。
推荐理由：该协议把十亿级组合库的穷举式筛选压缩到秒级，为超大化学空间检索提供了可复用的方法与基准。
Baker Lab团队在Nature发表研究，用基于RFdiffusion训练的RFantibody模型在计算机上从头设计含重链和轻链的完整抗体可变区，无需动物免疫或大规模筛选。针对艰难梭菌毒素等靶点，设计抗体达到中纳摩尔级结合亲和力，转为全长IgG后保留效力；电镜解析的5个设计抗体中有4个与计算预测结构一致。RFantibody代码已在GitHub开放，供学术、个人和商业使用。
推荐理由：研究展示RFdiffusion设计全长抗体可变区并经电镜验证，为从头抗体设计的可行性提供参照。
Cellarity在Science发表论文，提出整合高通量转录组与AI模型的细胞状态矫正药物发现框架，采用实验室在环的深度学习迭代，称表型活性化合物回收率较行业标准方法提升13至17倍。公司同步公开三个单细胞数据集，其中扰动转录组数据集含逾1700个样本、126万个单细胞，可用于跨细胞类型药物响应映射与扰动预测方法基准测试。平台首个候选CLY-124正针对镰状细胞病开展1期临床试验。
推荐理由：该框架把高通量转录组与主动学习闭环结合，并公开扰动数据集，为表型筛选的评测提供参照。
Chemical Research in Toxicology 于5月2日发表《Machine Learning for Toxicity Prediction Using Chemical Structures。
推荐理由：33位产学研作者联合提出毒性预测框架，并给出与FDA人相关药物开发目标衔接的落地路径。
Eikon Therapeutics 在 Nature Methods 发表论文，介绍其斜线扫描（OLS）技术，该技术可与公司单分子追踪（SMT）平台结合，在活细胞中以最高每秒 14 平方微米的速度评估蛋白运动。
推荐理由：Eikon 在 Nature Methods 披露 OLS 与单分子追踪平台的技术细节，为高通量蛋白动态测量提供方法参照。