研究将 QSAR 解释为有效自由能景观的小形变理论
【摘要级】作者提出概念框架，把配体结合或化学取代视为有效自由能景观的扰动，并用 Zwanzig 型微扰公式表达自由能响应，使常规线性 QSAR 成为描述符空间低阶展开的首阶近似。
推荐理由：文章把 QSAR 重新解释为有效自由能景观的小形变理论，为适用域和活性悬崖提供了一层物理视角。
研发方向
虚拟筛选与分子对接 最新动态
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。
234 条精选近 30 天 145 条共收录 352 条
更新
精选归档 · 第 10 页
ACS JCIM (化学信息与建模)精选AI 评分6161
ACS JCIM (化学信息与建模)精选AI 评分6060 MultiRSF：融合分子表面特征的多模态深度学习模型预测RNA-小分子结合位点
【摘要级】研究提出多模态深度学习框架MultiRSF，整合分子表面指纹、预训练RNA语言模型的上下文序列嵌入和dot bracket二级结构编码，经分层Transformer编码器预测RNA上的配体结合位点。
推荐理由：该研究把分子表面指纹与RNA语言模型序列特征结合，为无配体RNA上的核苷酸级结合位点预测提供了可比较的基准结果。
Mohammed AlQuraishi精选AI 评分6262 OpenBind 发布首篇预印本，公开首批数据与新增虚拟筛选基准
OpenBind 发布首篇预印本，对首批 OpenBind 数据发布做更正式的分析，并扩展了此前的博客内容。该预印本补充了更多方法细节和额外分析，公开了输出与代码，并新增一个虚拟筛选基准。
推荐理由：OpenBind 首篇预印本公开首批数据与代码，并新增虚拟筛选基准，便于对照其数据与方法细节。
ACS JCIM (化学信息与建模)精选AI 评分7070 LinkLlama：基于微调 Llama 3 的化学合理连接子设计模型
【摘要级】研究提出 LinkLlama，一个在 ChEMBL 类药分子语料上监督微调的 Meta Llama 3 模型，可接受指定距离、角度及 Lipinski 规则、可旋转键上限等约束的自然语言提示，为输入片段生成连接子。
推荐理由：在片段连接任务中，该模型以文本提示约束几何与理化指标，化学合理设计比例较基线提升约两倍。
ACS JCIM (化学信息与建模)精选AI 评分6363 MAPViS：联合预测抗菌活性与细胞毒性的多模态预训练虚拟筛选框架
【摘要级】研究提出 MAPViS 任务自适应多模态预训练框架，联合预测化合物对金黄色葡萄球菌（SA）和淋病奈瑟菌（NG）的抗菌活性及对 HepG2、HSkMC、IMR-90 三种人细胞系的毒性风险。
推荐理由：该框架把抗菌活性与宿主细胞毒性放在同一模型里联合预测，为抗生素虚拟筛选的候选排序提供了一种可迁移的多模态思路。
ACS JCIM (化学信息与建模)精选AI 评分7070 基于ChEMBL数据系统评测图神经网络用于配体虚拟筛选
【摘要级】研究在覆盖5,368个靶点、159万条活性记录的ChEMBL数据集上系统评测多种图神经网络架构用于配体虚拟筛选。结果显示GIN在样本数超过100的数据集上表现最佳，平均ROC-AUC最高达0.94，而数据极度稀缺时更简单的架构更稳健；随机划分因结构重叠导致性能虚高，相似性感知聚类则暴露AUC下降超过0.3的泛化差距，多任务学习可缓解小靶点不稳定。
推荐理由：基于ChEMBL大规模数据系统比较GNN架构与划分策略，为配体虚拟筛选的模型选择和评测设计提供参照。
ACS JCIM (化学信息与建模)精选AI 评分6565 CTMD：用元动力学可逆功 c(t) 估计实现早期富集命中发现
【摘要级】作者提出基于可逆功估计 c(t) 的元动力学方法 CTMD，用少量短时独立 well-tempered 元动力学轨迹对结合稳定性排序，无需收敛的结合自由能，并在多类靶点与化学型上报告稳健的早期富集。研究还称共折叠方法 Boltz-2 的富集效果与训练集相似度成正比，且在活性位点显著改动时仍复现该现象。该工作为论文摘要，未提供具体靶点、数据集与量化指标。
推荐理由：该研究提出基于可逆功估计的物理筛选方法，并对比共折叠模型在早期富集上的表现。
ACS JCIM (化学信息与建模)精选AI 评分6363 PLLML：用持续局部拉普拉斯描述符预测蛋白-配体结合亲和力
【全文总结】作者提出基于持续局部拉普拉斯（PLL）的分子描述符，与梯度提升决策树结合构建蛋白-配体结合亲和力预测模型，并与序列语言模型特征做共识集成得到PLLML。
推荐理由：研究提出局部持续拉普拉斯分子描述符，在三个PDBbind基准上与持续同调等模型对比，给出可复用的亲和力预测参照。
Briefings in Bioinformatics精选AI 评分6060 DLRNA-BERTa：基于Transformer的分子-RNA结合亲和力预测模型
【全文总结】作者提出DLRNA-BERTa，将预训练的RNA-BERTa与ChemBERTa-v2通过交叉注意力结合，仅用RNA序列和SMILES预测分子-RNA解离常数pKd。
推荐理由：研究用RNA序列与SMILES直接预测分子-RNA亲和力，并如实报告外部基准泛化有限，为RNA靶向筛选提供参照。
ACS JCIM (化学信息与建模)精选AI 评分7373 闭环多目标优化设计受体选择性穿膜肽并在HeLa细胞中验证
【全文总结】研究提出闭环多目标优化框架，用于设计对CXCR4选择性高于NRP1的穿膜肽：以EvoDiff加LoRA微调生成100万个候选序列，用DiffDock对接、100 ps分子动力学与MM/GBSA计算按残基数归一化的受体结合分数，再由深度集成代理模型和qNEHVI多目标贝叶斯优化迭代选样。
推荐理由：研究把受体选择性穿膜肽设计写成双目标优化问题，并用细胞成像检验候选肽的富集差异。
ACS JCIM (化学信息与建模)精选AI 评分5858 结构热点条件化用于扩散式分子设计
【摘要级】研究提出并系统考察结构热点条件化，将相互作用相关的化学知识注入口袋条件扩散模型，用于基于结构的分子设计。作者以 MolSnapper 为统一生成模型，在标准化 CrossDocked2020 测试集上比较三种原子级参考点定义策略：基于对接得分的原子选择、基于结构的药效团定位和数据驱动的氢键位点预测，并评估对接衍生的亲和力估计、理化质量、结构合理性与化学多样性。
推荐理由：研究把结构热点条件注入扩散生成模型，比较三种原子级参考点策略在标准测试集上的取舍。
ACS JCIM (化学信息与建模)精选AI 评分7474 研究用共折叠模型 Boltz-2 筛选 AKR1B10 抑制剂，40 个候选化合物中 70% 具抑制活性
【全文总结】研究以共折叠模型 Boltz-2 对 AKR1B10 做约束引导的虚拟筛选，从 Enamine Discovery Diversity Set 的 50,240 个化合物中筛出 867 个候选。
推荐理由：研究用约束引导的 Boltz-2 筛选 AKR1B10 抑制剂，并给出前瞻性湿实验命中率与选择性证据。
ACS JCIM (化学信息与建模)精选AI 评分5858 CogNet-DTA：以不确定性感知记忆检索解析分子结合平衡
【摘要级】研究提出记忆增强框架 CogNet-DTA，用于药物-靶点亲和力（DTA）预测，通过化学图记忆网络检索历史结合基序进行类比推理。
推荐理由：该框架把历史结合先验与不确定性量化结合，并在冷启动划分下评测对新药与新靶点的泛化。
ACS JCIM (化学信息与建模)精选AI 评分7373 HPM-CKB：面向人传病原体的AI化学基因组学知识库与抗菌药物发现平台
【摘要级】作者发布人传病原体化学基因组学知识库HPM-CKB，覆盖267种微生物的7876个致病蛋白、13914个蛋白三维结构和234287个生物活性分子，支持大规模虚拟筛选、靶点识别与药物重定位，并接入大语言模型做交互查询。
推荐理由：该知识库把病原体化学基因组数据与虚拟筛选、深度学习模块整合，并用湿实验验证重定位候选，可作为抗感染药物发现的平台参照。
ACS JCIM (化学信息与建模)精选AI 评分6262 面向不平衡分子性质回归的基准研究与区间感知专家混合模型 IA-MoE
【全文总结】研究在 TDC 的 Caco2_Wang、Lipophilicity_AstraZeneca、PPBR_AZ、LD50_Zhu 和 Solubility_AqSolDB 五个分子性质回归基准上，评测了 SPECTRA、LDS、DenseWeight、FDS、QuanRel 等数据级、损失级和特征级不平衡学习方法，并提出可插拔的区间感知专家混合框架 IA-MoE。
推荐理由：研究系统比较了数据、损失与特征三类不平衡回归方法在分子性质预测上的迁移表现，并给出区间感知专家混合的替代思路。
AurekaBio 寻明生科精选AI 评分8383 寻明生科AuraIDE夺得首届AIntibody抗体设计盲测Challenge 1冠军，结果发表于Nature Biotechnology
首届国际AI抗体设计大赛AIntibody的结果发表于Nature Biotechnology，寻明生科自研抗体设计模型AuraIDE（参赛名AuraBind）在Challenge 1计算亲和力成熟任务中夺冠，其冠军抗体经KinExA测得KD为94.7pM，较亲本抗体提升约2000倍，优于第二轮组合文库湿实验筛选得到的最佳抗体（113pM）。
推荐理由：首届AIntibody盲测以统一湿实验验证抗体设计，冠军序列的亲和力优于实验筛选最优克隆，为模型能力提供了独立参照。
Valence Labs 官网资讯精选AI 评分6262 Valence Labs 作者运行 Boltz-2 一亿次，检验共折叠能否模拟细胞生物学
Valence Labs 的 Dominique Beaini 用可抢占 GPU 对 9,000 个靶点与 50 万配体运行 AlphaFold-Multimer 和 Boltz-2 共折叠及亲和力预测，累计 1 亿次，构建名为 affinity-prints 的数据集，并借助 Recursion 的表型组学图谱检验预测相互作用与细胞实验数据的对应关系。
推荐理由：作者用上亿次共折叠预测搭建亲和力指纹，并检验其与细胞表型数据的对应关系，为共折叠与虚拟细胞的衔接提供了一套可迁移的评测思路。
Amir Shanehsazzadeh精选AI 评分6767 Amir Shanehsazzadeh 发布蛋白结合剂设计数据并谈 ipSAE 指标
Amir Shanehsazzadeh 表示其数据发布中包含了用全部10个共折叠模型、每个模型5个种子重新打分所得设计的PAE，希望这些数据与湿实验数据能帮助发现更好的结合与亲和力指标。
推荐理由：作者公开蛋白结合剂设计数据时说明纳入10个共折叠模型各5个种子的PAE，为结合亲和力指标改进提供素材。
Ginkgo Datapoints · Updates精选AI 评分7070 GDPa5：基于大规模IgG数据预测VHH-Fc可开发性
Ginkgo发布GDPa5，一个含160个成员的VHH-Fc库，在PROPHET-Ab平台上用10项生物物理实验进行表征，并同步发布bioRxiv预印本。在559个IgG上训练的跨格式模型优于仅用GDPa5训练的模型，作者认为优势来自标准化IgG数据的规模而非格式本身。
推荐理由：该预印本公开VHH-Fc可开发性数据集，并比较IgG训练模型与格式内训练模型的跨格式迁移表现。
Amir Shanehsazzadeh精选AI 评分7878 Claude 编排开源蛋白模型，15 个靶点中设计出 14 个从头结合剂
Anthropic 测试 Claude 能否从头设计蛋白结合剂：在人类专家撰写的设计提示下，Claude 自主针对 15 个靶点中的 14 个完成了设计，随后由 Adaptyv Bio 与 Twist Bioscience 独立构建并测试，作者称成功率和亲和力均较高。
推荐理由：Anthropic 与 Adaptyv Bio、Twist 的实测显示，Claude 编排开源模型在 15 个靶点中设计出 14 个从头结合剂，可作为智能体驱动蛋白设计的参照。