研发方向
结合多组学、单细胞测序与知识图谱的全新致病靶标发现、调控网络解析与机制验证。
178 条精选近 30 天 120 条共收录 383 条
该预印本指出，在Perturb-seq等合并筛选里，把同一扰动的细胞随机分成两半并非独立重复，因为两半含相同克隆，构成数据中未标注的伪重复。在基因组规模原代T细胞筛选中，无效应扰动在随机两半间几乎总是一致，而在独立转导重复间仅约一半一致，与噪声预期相当，增加细胞数也未消除这种一致性；按T细胞受体恒定区或克隆条码分成无共享克隆的两半后，超额一致性基本消失。
推荐理由：研究用无效应扰动对照揭示合并筛选中的伪重复问题，并说明其对扰动预测基准与可靠性标签的影响。
研究通过计算重建Cyclin D1的折叠景观，识别出一个可结合配体的折叠中间态，并据此以结构为导向发现能选择性降解新生Cyclin D1的小分子。计算、生物物理与细胞层面的正交研究支持该机制，所发现的分子在体内显示抗肿瘤活性，并在CDK4/6抑制剂获得性耐药模型中保持效力。该工作为直接靶向Cyclin D1提供了策略，但结果来自预印本摘要。
推荐理由：研究以Cyclin D1折叠中间态为靶点设计小分子，为难以成药的靶点提供了一条可迁移的发现路径。
insitro与阿斯利康达成全球独家研究合作，针对MASH与心肌病开展新靶点与创新疗法发现，insitro获4000万美元首付款，并有资格获得最高约14.6亿美元里程碑付款及个位数比例销售提成。
推荐理由：梳理阿斯利康与insitro的MASH与心肌病合作条款，并拆解insitro虚拟人类平台从靶点发现到分子设计的链路。
上海交通大学陈洛南团队与东京大学合原一幸团队在Nature Methods发表CauTrigger，将深度潜变量建模与基于do-calculus的干预性因果推断结合，从组学数据中识别状态转变的潜在触发因素及级联因果路径，并做虚拟扰动预测。
推荐理由：该框架把驱动因素识别、级联路径与虚拟扰动预测串成一条链，为状态转变研究提供可复用的分析思路。
Enodia Therapeutics于2026年10月13日宣布与辉瑞达成研究合作及授权协议，共同发现与开发Sec61抑制剂，协议总潜在价值超过5亿美元。Enodia将负责发现阶段针对多个合作靶点筛选、优化并开发候选分子，合作期结束后辉瑞全权负责临床、生产、监管申报及商业化。
推荐理由：这笔合作把Sec61易位子选择性调控这一新机制与机器学习驱动的小分子设计平台放进了MNC的发现阶段分工里。
Marinka Zitnik 团队提出生成模型 CONCERT，用于预测基因敲除等扰动效应如何从被扰动细胞扩散到邻近组织区域。作者指出同一敲除在肿瘤核心与组织边界可产生不同响应，相关预印本已发布于 bioRxiv（10.1101/2025.11.08.686890v3）。
推荐理由：该预印本提出跨组织传播扰动效应的生成模型，为空间语境下的扰动响应预测提供参照。
西湖大学与浙江大学团队提出PACE，以细胞状态空间的局部几何为约束，交替更新跨时间配对与连续路径，从离散单细胞快照推断群体演化，相关研究被NeurIPS 2026接收。
推荐理由：西湖大学团队用局部几何约束跨时间配对与路径学习，为单细胞快照间的轨迹推断提供了可检验的方法参照。
【摘要级】研究构建整合GNN虚拟筛选、基于结构的建模与多层级生物学验证的AI分层药物发现框架，用于加速THRβ激动剂发现。优化后的GNN模型优于传统机器学习方法，从内部化合物库中优先筛选活性化合物，再经分子对接与MM/GBSA重打分锁定Carvedilol。
推荐理由：研究用GNN筛选加对接与多层级实验验证，把已上市药物Carvedilol重定位为THRβ部分激动剂。
该预印本研究考察基因扰动响应基准按扰动标签平均所有细胞的做法会丢失哪些扰动强度信息。作者用 X-Atlas/Orion CRISPRi 筛选，以深度校正后的 guide 丰度作为细胞层面扰动强度代理，发现扰动强度越高响应可重复性越好，该效应在 HCT116 和 HEK293T 两株人细胞系中均存在且在 HCT116 中更大。
推荐理由：研究指出扰动基准按标签平均会掩盖扰动强度差异，并据此检验现有模型能否保留这类信息。
RCSI与英国癌症研究院领衔的国际团队整合约2000例结直肠癌肿瘤的多组学、单细胞与临床数据，开发AI工具iPhenMap构建肿瘤生物学图谱，识别出MSS结直肠癌此前未被发现的弱点。在实验室模型中，靶向药trametinib与其他药物联用可显著抑制肿瘤生长并延长生存，研究结果发表于Cancer Cell，仍属临床前阶段。团队称该结果可为现有药物重定位和新药开发提供路线图，并可能推广至其他瘤种。
推荐理由：研究整合约2000例结直肠癌肿瘤的多组学与单细胞数据，为MSS CRC的联合用药与老药新用提供临床前线索。
Pathos AI 宣布完成 2.37 亿美元 E 轮融资，投后估值约 30 亿美元，由百时美施贵宝领投，现有投资方参投。资金将用于扩展其 Foundry 平台，并推进 TROP2/HER3 双特异性抗体偶联药物 JSKN-016 进入注册研究，同时推进 pocenbrodib、与阿斯利康合作的 ER PROTAC AZD4241 及 MET 激酶抑制剂 DO-2 的临床开发。
推荐理由：融资将用于推进 AI 平台筛选出的肿瘤资产进入注册研究，可观察 AI 在临床决策中的实际角色。
腾讯AILabHealthcare团队在Nature Communications发表scTransMIL，用多实例学习把样本级癌症表型与单细胞表达连接，同时输出细胞疾病分数和基因注意力线索。
推荐理由：文章梳理了scTransMIL从样本表型定位到细胞与基因线索的路径，并给出OGT靶点在动物实验中的验证链条。
作者提出 GeoSinkhorn Flow，一个以扰动为条件、几何感知的流匹配框架，用于把静态表型景观转为动态表型景观，为每个条件级点连接符合景观几何的测地线输运轨迹。该方法用热扩散几何定义流形感知的输运代价，训练几何自编码器使隐空间欧氏距离与静态表型景观几何对齐并扩展到未见细胞，并以扰动特异的基因或药物嵌入作为输运动态的条件。该工作为 bioRxiv 预印本，摘要未给出定量评测结果。
推荐理由：该预印本把静态表型景观扩展为条件级输运轨迹，为单细胞扰动动态预测提供了一种几何约束方法。
研究团队提出多模态 Transformer 模型 Varformer，通过跨模态注意力整合错义变异的上下文表征与基因层面特征，用于药物靶点与变异优先级排序。模型在四个遗传祖先群体中以阳性-未标注学习训练，在三个难度递增的基准上 precision@20 分别为 0.95、0.86 和 0.48，在最难基准上比逻辑回归消融高 20%、比 DrugnomeAI 高 23%。
推荐理由：预印本提出整合错义变异与基因特征的多模态模型，并在跨难度基准上给出与消融及既有工具的对照。
OpenAI、PerturbAI与Scripps Research以约1946个GPT-Rosalind智能体在约32分钟内并行解读小鼠全脑体内CRISPR扰动图谱，并合成可检索的推理图谱、给出可检验假设。
推荐理由：该预印本用近两千个智能体并行解读小鼠全脑CRISPR扰动图谱，并给出与专家分析对齐的量化结果。
上海人工智能实验室、中国药科大学等机构发布预印本 DrugHarness，将 80 多项科学工具的执行与带条件的技能学习整合到同一智能体系统中。加入冻结领域技能后，Qwen3.7-Max 在 MolBench 的亲和力比较准确率从 62.2% 升至 81.1%，优化成功率从 79.5% 升至 87.2%，但虚拟筛选 Hit@3 从 60% 降至 48%。
推荐理由：该预印本把智能体的工具执行与条件式技能学习结合，并给出基准与细胞实验的对照结果。
作者提出统计框架ConcuRx，用于跨异质CRISPR药物响应筛选数据的整合与基因优先级排序，其基因排名比单数据集分析更稳定。在ATR与PARP抑制剂联合用药的CRISPR药筛数据上，ConcuRx强化了对已发表研究中15个经实验验证假设的支持，包括未纳入该分析的其他独立研究支持的机制。作者称该方法能找回被平均法和重叠法忽略的生物学相关基因，但结果基于预印本摘要报告的计算分析。
推荐理由：面对异质CRISPR药筛数据，该框架用跨研究变异建模替代简单重叠取交集，为药物机制基因优先级提供可迁移的整合思路。
研究在声明的 BindingDB 数据集中重建低偏倚基准的纳入规则，发现经清洗和额外连接重叠限制后，被排除区域包含 78.4% 的实测负样本对。
推荐理由：研究量化了低偏倚基准排除区域上的性能落差，并提示基准报告需说明纳入规则与指标聚合方式。
研究将 Boltz-2 的亲和力模块与自建的四氢喹啉类筛选空间结合，用于 CDK2 的虚拟筛选和命中优化，得到纳摩尔级抑制剂。该筛选空间通过单步多组分反应获得，作者称此前基于此类模型的虚拟筛选多局限于商业化合物目录。材料仅为预印本摘要，未披露具体化合物数量、活性数值与实验验证细节。
推荐理由：预印本报告 Boltz-2 亲和力模块在自建四氢喹啉筛选空间中完成虚拟筛选与命中优化，为共折叠模型的前瞻性应用提供案例。
研究评估了扩展高内涵成像方法Cell Painting PLUS（CPP）与经典Cell Painting（CP）在化合物作用机制预测上的表现，CPP可对线粒体、溶酶体、肌动蛋白、高尔基体、RNA、DNA和内质网进行空间分辨成像。
推荐理由：研究在284个化合物上比较扩展成像与经典Cell Painting的机制预测，为表型筛选通道设计提供参照。