研发方向
面向药物发现的分子虚拟筛选、蛋白质—配体对接与结合自由能预测；区分计算分数、实际结合和功能验证，不含 AIVC 虚拟细胞。
232 条精选近 30 天 143 条共收录 350 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。
下一分子整理并发布 AI 制药 Benchmark 清单 AIDD Bench Atlas，收录 85 项覆盖通用科研、靶点发现、分子设计、临床前、临床分期、注册和上市后等环节的评测资源。
推荐理由：清单把分散在靶点发现到上市后的 85 项评测资源按阶段和对象归类，便于对照选用。
牛津大学 Charlotte Deane 在 Nature Reviews Drug Discovery 访谈中介绍其联合领导的 OpenBind 计划，目标是建成全球最大的开放获取药物-蛋白质相互作用数据集，以改进蛋白-小分子结合结构与亲和力预测。
推荐理由：OpenBind负责人谈蛋白-小分子结合数据缺口，并给出首组数据集与盲测挑战的具体规模。
作者以 GPR84 为例，介绍一套融合 OpenDDE 生成、Boltz-2 共折叠与亲和力快筛、Schrödinger 2026-4 膜显式 MD 与 FEP+ 的 GPCR 计算设计管线。
推荐理由：以 GPR84 为例拆解 AI 生成、共折叠快筛与物理终审的分级管线，并给出激动剂与抑制剂形态差异的实操约束。
【摘要级】研究提出一种化合物优先级排序策略，利用靶向物理对接与生成模型盲对接采样得到的构象，在LRH-1（NR5A2）正构配体结合口袋的多构象上训练两个多层感知机（MLP）预测结合剂或激活剂。在分布外化合物集上，MLP能识别与训练集化学结构不相似的化合物，并对单一骨架修饰敏感。将该方法用于一项前瞻性药物发现初步研究，识别出四个LRH-1潜在结合剂；评分与预测指标组合可在不同库规模下富集命中化合物。
推荐理由：该方法把两种对接采样与多构象信息用于训练排序模型，为减少结构筛选假阳性提供可迁移思路。
【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。
【全文总结】研究提出MultiMHC，一个将图卷积网络与双向GRU结合的深度学习框架，用于肽-MHC结合预测，在外部测试集、IEDB基准和TESLA新抗原数据集上取得与NetMHCpan 4.1、MHCflurry 2.0、TransPHLA等工具相当的性能。
推荐理由：该框架把序列上下文与残基接触拓扑结合，为pMHC结合预测提供了一种轻量结构先验的建模思路。
阿斯利康团队分析同一克隆家族的211个抗ST2抗体，按实测亲和力分组后找出高亲和力抗体中更常见的突变，将M33I与L100I引入亲本ST2_146后KD由10.5 nM降至3.17 nM，再加K37R降至1.03 nM。
推荐理由：两篇抗体亲和力优化研究分别从克隆家族统计与结构能量筛选入手，并给出各自失效边界。
研究在M2OR与iOBPdb数据集上评估VOC-OR结合预测的数据划分方法与模型表现，发现将特定化学或蛋白基序从训练集留出会使两层神经网络性能下降。作者采用由共享分子组分定义的对比学习目标与随机采样器后，模型在所有数据划分上达到0.88 AUCROC。研究指出成对生物相互作用数据集的性能可能因成分重叠导致的身份泄漏而被抬高，并强调需要更稳健的评测协议。
推荐理由：研究显示成对相互作用数据集的划分方式会因成分重叠抬高模型表现，并给出对比学习缓解该问题的做法。
作者发布开源平台 OpenASChem，为高通量 pull-down 亲和选择质谱（AS-MS）筛选提供带图形界面的化合物中心分析，整合标准品引导的峰匹配、跨轮定量与富集分析以及交互式色谱审阅。
推荐理由：开源工具把亲和选择质谱的峰匹配、跨轮定量与富集分析整合到图形界面，并给出与既有流程的对照评测。
Pallatom2 是一个全原子生成模型，可同时生成氨基酸序列、主链与侧链的原子构型，并能指定与靶点的结合界面。据该帖介绍，实验在210个候选中确认112个具有结合活性，10个靶点均获得结合剂，其中6个靶点经 BLI 测定报告了 pM 量级的结合亲和力（KD）。
推荐理由：介绍全原子生成模型同时生成序列与侧链并指定结合界面，附10个靶点的实验结合数据。
研究用QM/MM MD等多尺度模拟分析二氮杂双环辛烷（DBO）类抑制剂对OXA-48变体的抑制差异，发现nacubactam对OXA-48类酶共价抑制的能垒始终高于avibactam，差异源于活性位点电场的DBO特异性变化。
推荐理由：研究用多尺度模拟解释两种DBO对OXA-48变体效力差异的来源，并预测新变体的抑制效力。
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。
PharmAgents2 是面向端到端药物发现的自主系统，结合知识增强决策与并行智能体的大规模探索，并配套包含 121 道题、覆盖九类决策场景与三项端到端任务的 PharmAgents-Bench v0.1。
推荐理由：该预印本把自主智能体用于端到端药物发现，并给出三项经人实验验证的案例，可作为评估自主科研系统的参照。
研究以 DiffDock 为对象，在固定预算下比较广泛续训与聚焦扭转监督（按笛卡尔后果或条件目标一致性）及两者混合的效果。在小于 5 埃的阈值下，广泛续训在已训练策略中平均 Top-1 成功率最高，聚焦或混合监督在所测预算下没有一致优势；起始模型固定分数保真度更好，而广泛续训模型平均 Top-1 成功率更高，两者聚合 best-of-10 恢复率相同。
推荐理由：研究在固定预算下比较扩散对接的广泛监督与聚焦监督，为后训练策略选择提供对照依据。
【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。
一项预印本研究将 AlphaFold 3 的界面拓扑评分 ipTM 直接作为全蛋白质组药物重定向的亲和力指标，在 1,103 个双方均成功建模的蛋白上取得 nAIA 10.13、NDCG 0.056，十年前基于同源模板的 BANDOCK+ 为 nAIA 9.93、NDCG 0.054，两者总体近乎重合。
推荐理由：该预印本把 AlphaFold 3 的 ipTM 用于全蛋白质组药物重定向，并与十年前的经验算法对比，提供了打分机制层面的参照。
FoldAbS 是一个统一的有监督抗体筛选框架，把蛋白质折叠模型当作冻结的基础编码器，用轻量任务头在同一架构内评估抗体的特异性、亲和力和可开发性。以开源 Protenix 模型实例化的 FoldAbS-Px 相比基线在特异性、亲和力和可开发性上分别最高提升 13.1%、9.2% 和 6.2%。该结果为预印本摘要报告，代码已在 GitHub 公开。
推荐理由：该预印本把折叠模型冻结为编码器，在抗体筛选中同时评估特异性、亲和力与可开发性，提供了可复用的多任务框架思路。
作者提出RPI-Zero，一个仅用序列、可联合读取全长蛋白与RNA（最长4096 token）的零样本RNA-蛋白质互作预测模型，并用共享motif原型描述蛋白以覆盖未见蛋白。
推荐理由：该预印本构建了按序列相似性划分的RNA-蛋白质互作基准，并给出可处理未见蛋白的零样本模型。