研发方向
基于扩散模型与生成式化学的小分子从头设计、骨架跃迁、分子性质优化与逆合成规划。
191 条精选近 30 天 112 条共收录 382 条
【摘要级】研究结合自由能扰动与机器学习，从多种化学来源的配体中筛选并优先排序，识别出多个结构多样、高效力且高选择性的p38α−MK2分子胶。先导化合物14和28在人全血中达到覆盖EC50的暴露水平，并在脂多糖小鼠模型中口服给药后显著降低TNFα水平。该工作为三元复合物类分子胶的计算驱动设计提供了筛选与优化路径，结果基于摘要报告。
推荐理由：该研究用自由能扰动结合机器学习，从多样化学来源中筛选出结构多样的p38α−MK2分子胶，为三元复合物设计提供可参考的计算路径。
【摘要级】研究提出 HEDGEHOG 六阶段可配置评测框架，按命中化合物识别流程依次做预处理、理化性质筛选、结构警示与图结构合理性检查、合成可行性、对接以及三维构象与相互作用检查。
推荐理由：该框架把分子生成评测拆成六道筛选关卡，并以 KRAS G12D 为例展示各模型在不同阶段的淘汰差异。
作者提出 pLM-bVAE，将预训练蛋白语言模型的表征引入原 bVAE 模型，用于量子退火蛋白质序列设计中的二值编码与序列解码。在三个公开蛋白变体数据集的计算实验中，pLM-bVAE 的序列重建准确率和二值编码表现均高于 bVAE，并在量子退火设计框架下生成更多高分序列，且与训练和验证数据的序列差异更大。结果基于计算实验，代码已在 GitHub 公开。
推荐理由：研究把蛋白语言模型表征接入二值变分自编码器，为量子退火序列设计的编码与重建环节提供对照。
研究提出一种结构条件生成模型，可从酶直接输出包含反应物和产物的完整反应，并在反应不相交基准EnzymeMap_x上按严格立体评分评测。在400个采样候选内，对测试酶-反应对中反应为训练中已见代谢物新组合的子集，模型完整正确生成反应的比例为25.0%；对由训练中未见代谢物组成的反应，正确生成比例为1.6%。
推荐理由：研究在反应不相交基准上考察结构条件生成模型能否从酶生成训练中未见的完整反应，并给出与既有方法的比较。
研究在无约束和以69个参考激酶抑制剂为条件的两个分子生成任务中，评测了Gemma-4-31B、GPT-OSS-120B、Mistral-Small-4-119B和Qwen-3.6-35B-A3B在BF16、Q8、Q6、Q4量化级别下的表现。
推荐理由：研究比较四款开源大模型在四种量化精度下的分子生成表现，为本地部署的模型选择提供参照。
作者提出 ChemSWA 框架，用自适应化学滑动窗口注意力结合持久注意力汇，以 O(W·L) 复杂度建模多步合成序列，并加入约束审计归因与反事实校准。在 USPTO-50K 上取得 52.14% Top-1 准确率和 99.95% 化学有效性，在 USPTO-MIT 上 Top-1 准确率为 92.85%。
推荐理由：该预印本提出面向长序列分子转化的滑动窗口注意力框架，并给出逆合成基准上的准确率与化学有效性对照。
研究提出一个面向激酶片段重组空间的主动学习框架，结合亚口袋感知片段重组、基于结构的对接、机器学习代理模型与遗传算法式片段增删替换，在蛋白激酶A（PKA）约21万个配体的重组空间上迭代生成并评估候选。
推荐理由：该预印本展示主动学习在约21万配体的片段重组空间中仅用0.5%对接评估即回收过半全局最优候选，为降低筛选成本提供可迁移思路。
Inductive 在 OpenADMET CYP Direct Inhibition 盲测中排名第一，领先来自生物制药、学术与 AI 机构的 270 余名参赛者，NVIDIA 与 Recursion 分列第三、第四。
推荐理由：Inductive 在 OpenADMET CYP 抑制盲测中领先 270 余支队伍，可对照其连续四次登顶的 ADMET 建模路线。
Chai Discovery 宣布与罗氏达成合作，将其 AI 模型及计算分子设计平台引入罗氏多个治疗领域的药物发现项目，双方将围绕 AI 驱动的分子设计与药物发现展开探索。Chai Discovery 此前已与 Eli Lilly、Pfizer、Novartis、Bristol Myers Squibb、GSK 等药企建立合作。材料未披露交易金额、首付款与具体项目资产。
推荐理由：Chai Discovery 与罗氏达成合作，其合作药企名单再添一家，可观察 AI 分子设计平台在大型药企研发场景中的部署进展。
【摘要级】这篇综述系统梳理了RNA与小分子相互作用预测的计算方法，聚焦结合位点预测、结合偏好预测和结合构象预测三项核心任务。文章总结了支撑这些任务的数据资源与分子表征方式，评述了从统计方法、传统机器学习到深度学习的各类方法及其优势与局限。作者指出当前研究面临数据有限、模型黑箱以及生成建模需求上升等挑战，并提出数据增强、模型可解释性和RNA靶向小分子设计等方向。
推荐理由：综述梳理RNA与小分子互作预测的三类任务、数据资源与代表性方法，并指出数据稀缺与模型可解释性等开放问题。
哈佛化学荣休教授、连续创业者 Gregory Verdine 在 DeepTech 访谈中表示，AI 目前最明确的价值是优化已有候选分子，而非从零设计全新小分子，后者受限于复杂结构的合成周期与水分子的物理计算难题。
推荐理由：连续创业者从分子设计、合成瓶颈与组织分工三层谈 AI 在药研中的实际边界，并以与晶泰的合作作为观察样本。
作者提出Programmed DEL Synthesis（PDS）平台，让DNA主动指导而非仅记录合成步骤，基于sort-and-pool机制并加入带电载体密码子安装首个构建块、多项式编码策略与非组合式种系组装三项创新。
推荐理由：该预印本提出由DNA主动指导合成的DEL构建平台，为提升库的化学多样性与成药性提供了一条可编程路径。
研究在CMRT数据集上整理出10,525对对映体、覆盖530个DOI组和25根色谱柱，用真正的留一论文协议重估多糖手性固定相上的对映选择性机器学习预测。洗脱顺序准确率从随机划分下的66.1%降至52.9%，与论文内置换零假设的52.3%±0.6无法区分。
推荐理由：研究用留一论文协议重估手性色谱机器学习模型，揭示随机划分高估性能的数据结构瓶颈。
作者提出物理引导的 PC-SAFT 神经网络 P-SANET，学习温度依赖的充电自由能并经 PC-SAFT 映射为分子相互作用参数，在骨架不重叠和结构新颖分子上提升预测精度。
推荐理由：该预印本把物理模型嵌入学习目标并配校准不确定性，为分子热力学性质在分布外的可靠性提供参照。
研究提出XAMPGen流程，在已知抗菌肽上微调仅解码器蛋白语言模型ProGen生成新肽序列，并用探针分类器、回归器和自注意力分析定位编码功能关键信息的层。候选序列按预测最低抑菌浓度（MIC）和膜结构活性筛选后进入实验，作者称所有生成并测试的肽在MIC生物测定中均显示抗菌活性，荧光与圆二色谱提供了结构信息；该结果为bioRxiv预印本摘要报告。
推荐理由：预印本把生成模型与可解释性分析结合，并给出生成肽的MIC实测结果，可作为抗菌肽发现的参考路径。
浙江大学侯廷军团队联合中国药科大学等在Nucleic Acids Research发表PROTAC-DB 4.0，将数据库从PROTAC扩展至分子胶和XTAC。
推荐理由：该论文把PROTAC、分子胶与XTAC数据整合进统一知识库，并给出LLM加RAG的检索架构，可作为靶向降解数据资源与AI建模的参照。
研究团队开发了口袋条件化的生成框架DEL-Flow，用于设计靶向MDM2-p53相互作用的大环肽抑制剂。该方法将两代DEL筛选信号与计算构象、大环拓扑结合训练，以SE(3)等变流匹配模型生成全原子坐标，并用MASK去噪模块预测可编辑区域的原子类型、手性和键连接。
推荐理由：研究把DEL筛选信号与口袋几何结合用于大环肽生成，并给出合成后的抑制活性数据，可作为设计—实验衔接的参照。
研究在湿实验试点中评估本地部署的视觉语言模型智能体RxnScout，用于筛选此前未优化的镍催化C-糖基化底物对反应条件。RxnScout读取反应式图像，从化学家整理的市售试剂集中选择候选，并根据实测产率更新推荐；顺序筛选每次只改变一个条件维度，执行前由化学家审核理由。湿实验比较显示，RxnScout以少于基线的试验次数达到该轮筛选中的最佳催化剂产率，文中还讨论了部署权衡、局限与生成理由中的错误。
推荐理由：预印本报告视觉语言智能体在湿实验中筛选镍催化糖基化条件，并与基线比较试验次数。
研究展示了一套闭环配方开发流程，在联合优化配方与工艺变量的同时从实际实验结果中学习实验可行性。以咖啡因缓释微丸为对象，ANDROMEDA 1 在混合类别与数值设计空间内选择条件，13 个连续批次共完成 51 次实验，其中 29 个条件产出可下游表征的微丸，22 个（43%）不可行，失败实验仅作为可行性观测保留而不赋予人工释放评分。
推荐理由：研究在缓释微丸开发中把失败实验作为可行性观测纳入闭环优化，为配方工艺联合优化提供了可迁移流程。
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。