高通量实验数据集上的产率预测与条件推荐：编码效应与噪声上限
该研究用统一流程在来自五个公开来源的13个高通量实验数据集上比较五种模型架构与三种类别编码，发现多层感知机从整数编码改为独热编码后平均留出R2提高0.168，准确率主要由编码而非算法决定。
推荐理由：研究在13个高通量实验数据集上比较产率预测模型，揭示编码方式与噪声上限对结果的影响。
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 7 页
ChemRxiv Preprints精选AI 评分5858 BioTender精选AI 评分6565 BioTender盘点19个全原子蛋白设计项目：竞赛焦点从生成结构转向控制功能
BioTender 汇总2026年9—10月收录的19个全原子建模与设计项目，覆盖结构生成、复合物预测、结构编码与设计优化，认为竞赛焦点正从生成结构延伸到控制功能。
推荐理由：梳理19个全原子建模项目的路线差异，并指出评测口径与开放程度决定成绩可比性。
ChemRxiv Preprints精选AI 评分5858 研究用Δ-机器学习模型集成选择相互作用能计算的量子化学理论水平
研究训练Δ-机器学习模型，预测81种理论水平（方法与基组组合）相对参考的相互作用能误差，并用简单多项式模型量化其中一部分方法的计算成本。作者展示大语言模型（LLM）如何利用这些模型选择合适理论水平，并在分布式资源上自主运行计算，以降低获得准确相互作用能的门槛。该工作为预印本摘要，未披露具体误差数值与验证细节。
推荐理由：研究用Δ-机器学习预测81种理论水平的相互作用能误差，为方法选择提供可复用思路。
arXiv · q-bio.QM (定量方法)精选AI 评分6262 研究提出按需回收循环：从 AlphaFold 3 类模型主干早期预测置信度指标
该预印本发现 AlphaFold 3 类模型（如 Boltz、Protenix）的 ipSAE、ipTM 置信度指标及结构一致性指标可在早期回收循环时直接从主干预测。作者据此构建廉价、可微且每个循环都可用的预测器，将其用作筛选时分配回收预算的决策信号，以及幻觉式结合剂设计的目标函数，报告两类应用均在显著降低计算成本的同时提升表现。
推荐理由：研究提出可从 AlphaFold 3 类模型主干早期预测置信度指标，为结合剂筛选与幻觉设计节省循环计算预算提供参照。
arXiv · q-bio.BM (生物大分子)精选AI 评分6363 研究用三点初筛数据预测剂量反应实验能否得到可报告pXC50
Sean Lim 基于 32,971 个化合物-测定对的三点初筛与 11 点剂量反应数据，训练随机森林模型预测剂量反应实验能否得到可报告的 pXC50，AUROC 达 0.939±0.002，并可泛化到未见化学骨架和测定机制类别。
推荐理由：研究用三点初筛数据预测剂量反应能否定量效力，为化合物优先级排序提供了可迁移的建模思路。
arXiv · q-bio.BM (生物大分子)精选AI 评分7474 D2ML：面向直接到生物学小分子筛选的测定感知模型
作者提出 D2ML 测定感知模型，从单点筛选预测活性、从粗制剂量反应预测跨靶点相对效力、从纯化化合物数据预测绝对效力，并用跨阶段共享信息的联合模型提升预测。
推荐理由：针对直接到生物学筛选的粗混合物浓度不确定问题，提出分阶段联合建模，并用实验验证多目标优化。
王初课题组精选AI 评分6363 Nat. Chem. Biol. | 基于蛋白质组发现并缓解雄激素受体降解剂的肝毒性
阿斯利康团队在Nature Chemical Biology发表研究，用DIA蛋白质组流程筛查204个雄激素受体异双功能降解剂（AR-HBD），将肝毒性定位至线粒体复合体Ⅰ，并据此改造出低毒性化合物3号。
推荐理由：研究用DIA蛋白质组与机器学习把AR降解剂肝毒性定位到线粒体复合体Ⅰ，并据此改造出低毒性候选化合物。
bioRxiv · Bioinformatics精选AI 评分7070 可微自旋中心扩散模型实现DEER引导的加权蛋白质构象集合生成
作者提出可微的自旋中心（SC）扩散模型，可调节自旋标记的旋转异构体宽度，并与冻结的Boltz-2结构生成器耦合，使完整实验P(r)在推理阶段引导构象集合生成。在已知组成的合成P(r)上，该流程恢复了集合布居数，包括双峰分布的两个组分；在PfMATE、LmrP、MhsT和P-糖蛋白上，依据不同生化条件下测得的实验P(r)建模集合，并据此推导条件依赖的自由能差。
推荐理由：该预印本把可微自旋标记模型接入结构生成，使DEER距离分布可直接约束构象集合生成。
bioRxiv · Bioinformatics精选AI 评分6262 靶向侧链MCMC采样提升apo结构分子对接位姿恢复
研究评估了一种靶向马尔可夫链蒙特卡洛（MCMC）协议，结合局部与较大幅度侧链扭转提议及周期性MD弛豫，从apo结构生成受体构象集合。
推荐理由：在 apo 结构上做靶向侧链采样，为受体柔性下的对接位姿恢复提供了可对照的评测结果。
bioRxiv · Bioinformatics精选AI 评分7474 GENESIS：单细胞扰动预测接近实验重复性
研究提出生成式框架 GENESIS（Generative ENErgy-based Single-cell Intervention Simulator），从定义实验条件的协变量直接预测单细胞响应分布，并以能量分数训练轻量神经网络。
推荐理由：研究提出以实验重复性为参照的评测框架，并比较不同训练条件覆盖对扰动预测的影响。
bioRxiv · Bioinformatics精选AI 评分6868 研究称免疫原性标签限制抗体设计进展
该预印本将常用的217条抗体免疫原性数据集扩展并校正为231条治疗性抗体，并手工重建其中110条的原始临床证据。结果显示，在231条数据上按抗体格式查表优于所有基于序列的学习预测器，表观准确率随评测划分的格式构成变化；标注为≤6 ADA%的分子在不同试验间可跨至86%。作者按试验级测量重算标签后，格式方法的优势消失，建议以试验级报告ADA%并将该目标视为分布而非点值。
推荐理由：研究重建抗体免疫原性标签后发现格式基线优于序列模型，为设计目标的标签质量提供参照。
bioRxiv · Bioinformatics精选AI 评分6060 FateDriver：弱监督双视图图学习为细胞重编程转变排序候选调控因子
作者提出 FateDriver，一种弱监督双视图图神经网络，从单细胞转录组联合表示细胞与基因，把实验中递送的诱导因子作为稀疏基因级标签，在正样本-未标注框架下为指定细胞转变排序其余基因。
推荐理由：方法把实验中递送的诱导因子当作稀疏标签，为特定细胞转变排序候选调控因子，提供了可迁移的弱监督思路。
ACS JCIM (化学信息与建模)精选AI 评分5858 BitBIRCH 实现活性悬崖的高效识别与规避
【摘要级】研究提出基于 BitBIRCH 聚类算法的双路径方法，既可在结构-活性景观中快速定位活性悬崖，也可规避活性悬崖并找出化学空间中活性变化最平滑的区域。作者称该方法适合分析超大规模化合物库，代码已在 https://github.com/mqcomplab/BitBIRCH_AC 公开；摘要未披露具体数据集与性能数字。
推荐理由：该工作把活性悬崖识别与规避统一到 BitBIRCH 聚类框架下，为大规模化合物库的活性景观分析提供可复用代码。
Molence精选AI 评分6060 Molence 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装
Molence 发布 Mol-1 agent，称可在单张 NVIDIA H20 上完成大型蛋白组装预测，在 10 例评测（8,000–60,120 残基）中 8 例 TM-score ≥0.9。
推荐理由：Molence 公布 Mol-1 在大型蛋白组装上的自评结果，并主动说明与 Anthropic 结果并非受控对比。
AI蛋白质精选AI 评分7474 浙大/北大团队发布GlycoWeave，蛋白-糖链复合物结构预测精度较AlphaFold 3提升近4倍
浙江大学药学院联合北京大学、深圳先进技术大学团队在预印本发布专为糖链设计的扩散生成框架GlycoWeave，用于蛋白质-糖链复合物三维结构预测。
推荐理由：该预印本用内部坐标扩散约束糖链立体化学，并在698个复合物上给出与AlphaFold 3的直接对比。
bioRxiv · Bioinformatics精选AI 评分7171 GRAFT框架实现跨细胞类型药物响应的零样本预测
研究提出GRAFT框架，将遗传扰动到化学扰动的迁移与跨上下文预测结合，在目标细胞类型无药物测量数据时推断药物诱导的转录响应。在LINCS基准和外部上下文中，GRAFT在响应相关性、方向一致性和幅度重建上优于对比方法，对响应依赖上下文的药物尤为明显。
推荐理由：研究提出跨模态迁移框架，把遗传扰动响应迁移到药物响应预测，为跨细胞类型的零样本预测提供可比较的评测参照。
DrugAI精选AI 评分5858 “长江杯”全球AI蛋白质设计挑战赛公布7大靶点与完整规则
“长江杯”全球AI蛋白质设计挑战赛于11月1日公布7个独立赛道的靶点与完整竞赛规则，报名和序列提交均于11月30日23:59:59截止。7个靶点分别为EGFR、TNF-α、GLP-1R、TfR1、TL1A、TNFR1和IL-7Rα，其中5个赛道设计VHH、2个赛道设计minibinder，GLP-1R赛道要求激动剂活性、EGFR赛道要求测定pH=6.0时的亲和力。
推荐理由：赛事公布七个真实靶点与湿实验验证规模，为蛋白质设计方法的实测比较提供了公开基准场景。
bioRxiv · Bioinformatics精选AI 评分7272 EpiRank：仅用单链几何与理化特征的表位预测器，并提出检索式评测框架
作者构建了不依赖结合伙伴的表位预测器 EpiRank，仅用单链几何与理化特征（170 个特征，不做序列搜索），在 HumanPPI 的 29,246 个预测人类二聚体、12,296 条目标链、418 万残基上训练，并在通过伙伴污染过滤的 3,529 条链上以检索问题评测。
推荐理由：该预印本用检索式评测揭示表位预测指标易被高估的四种具体机制，并提出替代报告口径。
bioRxiv · Bioinformatics精选AI 评分7878 PSICHIC+：从序列预测结合亲和力的生物活性基础模型
研究团队开发了生物活性基础模型 PSICHIC+，基于约8200万条蛋白-配体记录、以分布目标训练，可从蛋白序列与配体 SMILES 在毫秒级预测结合亲和力。在无靶点特异性训练数据的零样本虚拟筛选基准中，其富集效果优于回归和分类方法，并与领先的基于结构的方法表现相当。
推荐理由：该预印本用分布目标训练约8200万条蛋白-配体记录，为异构活性数据的利用和零样本筛选提供参照。
bioRxiv · Bioinformatics精选AI 评分7171 ChefNMR2：结合生成模型与推理智能体从 NMR 谱图解析小分子结构
研究提出 ChefNMR2 与 ChefNMR2-Agent 系统，从分子式和一维 1H、13C NMR 谱图预测小分子结构。ChefNMR2 是原子流匹配生成模型，ChefNMR2-Agent 借助大语言模型对候选结构进行推理与修正；作者称其在多项基准上明显优于现有工具，推理速度比前沿大语言模型快两到三个数量级，并提供校准的置信度估计。
推荐理由：该预印本把生成模型与推理智能体结合用于 NMR 结构解析，并给出与现有工具及人类化学家的对照结果。