Dunbrack团队将ipSAE扩展至小分子与核酸复合物置信度评估
Fox Chase Cancer Center的Roland Dunbrack在bioRxiv发表预印本，将原本用于蛋白—蛋白相互作用的ipSAE评分扩展到蛋白—小分子、蛋白—核酸体系，以蛋白为对齐参照评估整个配体位置并调整归一化方式。
推荐理由：预印本把界面置信度评分扩展到蛋白—小分子与核酸体系，并给出留出集上的分类表现与失效案例。
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 5 页
下一分子精选AI 评分6363 ChemRxiv Preprints精选AI 评分6868 专家增强深度学习框架用于合成路线评估
研究提出专家增强框架，将大规模文献参考路线预训练与专家化学可行性评估结合，在留出目标上参考路线 top-1 回收率为 60.3%。模型排名第一的推荐在已评估案例中 88.4% 可行，其中 75.4% 的新颖提案被专家判为可行。
推荐理由：该预印本用专家评估揭示文献参考路线与化学可行性之间的偏差，为逆合成路线排序的评测提供了参照。
arXiv · q-bio.BM (生物大分子)精选AI 评分7474 AbBiBench：抗体-抗原结合亲和力计算模型综合基准
研究提出AbBiBench，以抗体-抗原复合物为评测单元，整合13种抗体、9种抗原的216,560条实验测量，在无任务特定训练或微调下比较20种计算方法。结果显示全局结构条件逆折叠给出最强且最一致的亲和力排序，抗体特异性微调未带来一致提升，模型排序更利于筛选潜在亲和力提升而非排除弱变体。
推荐理由：该基准以抗体-抗原复合物为评测单元，比较20种方法在亲和力排序上的表现，为功能导向的抗体设计评测提供参照。
ACS JCIM (化学信息与建模)精选AI 评分5858 研究用生成式AI按定制二级结构基序与缩减氨基酸字母表设计多肽
【摘要级】研究开发并评估了一个生成式AI蛋白质设计模型，用RCSB PDB中数十万个蛋白质训练，针对缩减氨基酸字母表（RAA）设计具有定制二级结构基序的新蛋白质。摘要报告在多种氨基酸字母表和设计复杂度下总体成功，且对相当一部分设计，仅用物理化学序列空间与二级结构信息训练的模型，ESMFold预测的折叠接近目标结构。该工作为生物技术、天体生物学与早期地球演化生物学等多领域提供设计基础。
推荐理由：研究用缩减氨基酸字母表训练生成模型设计指定二级结构，为多肽设计的序列空间约束提供参照。
bioRxiv · Bioinformatics精选AI 评分5858 蛋白口袋共结合评分可优先排序药物-药物相互作用
研究提出用蛋白口袋共结合（COLIG）结构信号对210种药物的21,945个药物对打分，在未使用临床相互作用标签训练的情况下预测药物-药物相互作用。按置信度汇总的COLIG排序在DDInter和KEGG上分别取得49.3%和25.1%的top-5%精确率，对应背景流行率为29.6%和14.7%；合并top-pocket engagement的DDInter精确率为50.3%。
推荐理由：研究用蛋白口袋共结合结构信号排序药物对，为不依赖临床标签的DDI预测提供了一种可比较的评测参照。
bioRxiv · Pharmacology & Toxicology精选AI 评分5858 物理约束Marcus理论框架在KRAS G12C与STAT3深口袋药物动力学中恢复参数可辨识性
研究提出Cluchagues-Marcus框架，将非绝热Marcus动力学与Hill型方程耦合，把水排除建模为局部介电常数从80.4降至2.0，用于KRAS G12C（PDB 6UT0）与STAT3 SH2（PDB 6NJS）两个深口袋。
Genesis Molecular AI精选AI 评分6868 Genesis Molecular AI 的 NeurIPS 2026 论文：分子优化达最强推理时搜索同等性能，oracle 调用少 58 倍
Genesis Molecular AI 在 NeurIPS 2026 论文中报告，其方法在分子优化任务上达到与最强推理时搜索相同的性能，同时 oracle 调用次数减少 58 倍。该推文指出，预训练分子生成器掌握化学规律但不了解具体靶点，论文聚焦离散扩散设计选择对反馈效率的影响。
推荐理由：该论文比较离散扩散分子生成中不同设计选择对反馈效率的影响，为优化时的 oracle 调用预算提供参照。
Genesis Molecular AI精选AI 评分5858 Caltech 与 Genesis 团队发布 DDAMO 论文并开源代码
Caltech 的 Trevor Chen 与 @ariel_1214_ 共同主导，联合 Genesis 团队（@edunov、@gruver_nate）等作者发布论文 arXiv:2607.02834，并在 GitHub 开源代码 DDAMO。材料未披露研究任务、方法细节与实验结果。
ChemRxiv Preprints精选AI 评分7272 语言模型与主动学习弥合文献到实验室差距，预测反应可行性并自主探索
研究提出两阶段蒸馏与适配框架，将大规模文献反应数据中的反应性知识迁移到小型高通量实验（HTE）数据集，并用于不确定性引导的主动学习。在Suzuki–Miyaura偶联、Buchwald–Hartwig胺化和酸-胺缩合的零样本评测中，通用模型平均准确率比最强基线高41.5%、macro-F1高29.2%，并超过人类专家准确率8.9%、macro-F1 11.5%。
推荐理由：该预印本把文献反应知识蒸馏到高通量实验数据，并用主动学习减少所需实验标签，为反应可行性预测提供可迁移路径。
机器之心 · AI4Science精选AI 评分5858 ReSFlow：在统计流形上整流离散生成路径，实现一步采样
内蒙古大学、上海财经大学与CMU团队提出ReSFlow，将类别概率经平方根映射到球面，在球面上重新配对并整流生成轨迹，使离散数据可一次模型调用完成生成，该工作已被NeurIPS 2026接收。
推荐理由：论文把离散类别概率映射到球面做整流，使一步采样接近多步ODE质量，为离散序列生成提供可迁移思路。
AI药物设计实验室精选AI 评分7171 Nature Communications｜IDPForge用扩散模型生成无序蛋白构象集合
IDPForge以ESMFold序列与残基配对模块结合去噪扩散，从氨基酸序列生成全原子无序蛋白构象集合，在32条单链IDP测试序列上综合NMR拟合的归一化X-EISD分数为0.890，高于IDPConformerGenerator的0.576、IDPFold的0.582和CALVADOS的0.584。
推荐理由：介绍IDPForge用扩散模型生成无序蛋白构象集合，并对照NMR与SAXS数据说明其优势与尺寸偏差。
深势科技 DP Technology精选AI 评分7474 深势科技合作开发的虚拟细胞模型ProteinTalks登上Nature，并推进药效预测落地
深势科技与合作团队在《Nature》发表虚拟细胞模型ProteinTalks，将大规模动态蛋白质组与神经常微分方程预训练结合，用于药物扰动响应预测。
推荐理由：深势科技作为论文合作方，梳理了ProteinTalks在单药筛选、联用与耐药机制上的实验验证路径。
bioRxiv · Biophysics精选AI 评分6969 研究用深度突变扫描数据评测蛋白语言模型与深度学习模型的抑制剂相互作用预测
研究以覆盖MET激酶域11种抑制剂条件的深度突变扫描数据，系统评测突变效应预测与药物-靶点亲和力预测模型。结果显示，尽管实验揭示的抑制剂依赖性适应度景观明显不同，当前AI模型在两类任务上大多给出配体不变的预测；LigandMPNN和LASErMPNN等配体感知几何模型部分找回实验验证的耐药相关热点，而深度学习亲和力模型低估突变引起的结合亲和力变化。
推荐理由：研究用MET激酶域11种抑制剂条件的深度突变扫描数据，系统评测突变效应与亲和力模型，指出配体不变预测的共性局限。
ChemRxiv Preprints精选AI 评分6868 SO3LR-SF：基于SO3LR机器学习力场的可解释蛋白-配体结合能打分框架
作者提出SO3LR-SF，一个可实例化于四种预训练SO3LR机器学习力场模型的物理打分框架，用于评估蛋白-配体结合能。
推荐理由：该预印本提出基于SO3LR机器学习力场的打分框架，并在三个基准上与半经验量子方法及MMGBSA比较排序表现。
ChemRxiv Preprints精选AI 评分5858 预印本：基于力场构象集合的GIPF描述符用于主动学习
该预印本提出从SMILES出发、基于力场点电荷在构象集合上高效计算GIPF（分子表面静电势）描述符的自动化流程。作者在表面活性剂、肽催化剂和超分子组装三个实验数据集上，与低成本化学信息学描述符比较预测精度、筛选效率和不确定性校准，报告力场GIPF描述符与化学信息学描述符互补并带来更好预测，基于构象集合的GIPF描述符显著改善不确定性校准。作者据此推荐将其作为化学主动学习可负担、可扩展的特征化方法。
推荐理由：该预印本比较力场GIPF描述符与化学信息学描述符在主动学习中的预测与不确定性校准表现，为低成本特征选择提供参照。
BioArt精选AI 评分7474 Cell | SPARCS：AI引导激光显微切割实现复杂图像表型的大规模遗传筛选
德国慕尼黑大学Veit Hornung与马普生化所Matthias Mann团队在Cell发表SPARCS平台，将自动化激光显微切割改造为高通量单细胞分离手段并配合深度学习图像分类器，在7000万细胞规模完成自噬体形成与STING转运的全基因组筛选。
推荐理由：该平台把激光显微切割与深度学习图像分类结合，使复杂亚细胞表型可在全基因组尺度被筛选并回溯分析。
机器之心 · AI4Science精选AI 评分7878 斯坦福 X-lab 与 SNAP 实验室发布 ProteoCraft 蛋白设计框架
斯坦福大学 X-lab 与 SNAP 实验室联合发布蛋白设计框架 ProteoCraft，采用梯度提案、完整结构预测验证与两阶段蒙特卡洛树搜索，支持结合蛋白从头设计和限定区域局部改造。
推荐理由：报道介绍斯坦福团队的提案—验证搜索框架，用独立结构预测与湿实验数据展示从头与局部设计的阶段性表现。
bioRxiv · Bioinformatics精选AI 评分6363 FoXSight：面向晶体学片段筛选的计算命中识别方法
FoXSight是一种用于晶体学化合物筛选命中识别的计算方法，对多参考减影图施加高斯差分（DoG）滤波，检测与结合配体相关的重复出现、靶点特异的密度特征。
推荐理由：针对晶体学片段筛选中的弱结合信号识别，介绍一种可解释的密度图检测方法及其与PanDDA的比较。
ChemRxiv Preprints精选AI 评分6363 CK2α′偏好性抑制剂的设计与基准评测：结构导向亚型选择性的局限
研究以140个化合物对CK2α与CK2α′两个亚型的配对实测数据，检验标准结构导向流程能否设计并排序CK2α′偏好性化合物。GNINA对接与卷积神经网络重打分得到的五项计算指标均与实测选择性不相关（ρ = −0.19 至 +0.12），对仅差一个连接亚甲基的配对化合物还出现排序反转。
推荐理由：研究用140个化合物的配对实测数据检验结构导向选择性设计，显示对接打分难以区分两个相近亚型。
ChemRxiv Preprints精选AI 评分6161 综述提出AI与分子模拟整合用于多肽发现的决策框架与验证标准
该预印本综述围绕“在何种化学、生物学与决策条件下，为 AI 工作流加入分子模拟才能改善多肽发现结果并抵偿其成本”这一问题，提出把多肽化学与发现终点、待决决策、限制不确定性、计算或实验可提供的证据、获取证据的成本以及继续或停止标准联系起来的决策框架。
推荐理由：综述提出以决策为中心判断分子模拟是否值得加入 AI 多肽流程，并指出 15 项整合研究均缺少等预算对照。