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。
234 条精选近 30 天 145 条共收录 352 条
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。
研究基于 ChEMBL 37 构建骨架不重叠基准，含 10 万化合物、1979 个人类单蛋白靶点和 139789 条正关联，比较调优 KNN-20 与多任务 MLP 及混合模型。
推荐理由：研究用骨架不重叠基准比较调优相似性检索与多任务神经网络，并给出两者混合的排序增益。
作者提出Pev，一种从跨家族实验数据学习、在单次并行查询中决定下一步突变或停止的通用突变策略，无需针对目标家族拟合模型权重。在留出家族的十孔筛选实验中，Pev找到的有益突变数量为随机选择的3.3倍、为零样本ESM-2的1.8倍，并在留出的GB1景观闭环搜索中优于用目标测量重新拟合的岭回归替代模型。
推荐理由：该预印本提出跨蛋白家族的突变选择策略，并在留出家族与GB1闭环搜索中与随机选择、零样本ESM-2及岭回归替代模型比较。
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。
该工作发布覆盖 Protein Data Bank 中 72,199 个蛋白–配体复合物的检索资源，每个复合物含 1,280 维口袋嵌入、2,048 位 RDKit Morgan 配体指纹及 HDF5 坐标。
推荐理由：该资源把口袋嵌入与配体指纹分开建索引，并给出两种检索各自适用的场景，便于复用与比较。
Fox Chase Cancer Center的Roland Dunbrack在bioRxiv发表预印本，将原本用于蛋白—蛋白相互作用的ipSAE评分扩展到蛋白—小分子、蛋白—核酸体系，以蛋白为对齐参照评估整个配体位置并调整归一化方式。
推荐理由：预印本把界面置信度评分扩展到蛋白—小分子与核酸体系，并给出留出集上的分类表现与失效案例。
研究提出AbBiBench，以抗体-抗原复合物为评测单元，整合13种抗体、9种抗原的216,560条实验测量，在无任务特定训练或微调下比较20种计算方法。结果显示全局结构条件逆折叠给出最强且最一致的亲和力排序，抗体特异性微调未带来一致提升，模型排序更利于筛选潜在亲和力提升而非排除弱变体。
推荐理由：该基准以抗体-抗原复合物为评测单元，比较20种方法在亲和力排序上的表现，为功能导向的抗体设计评测提供参照。
研究提出用蛋白口袋共结合（COLIG）结构信号对210种药物的21,945个药物对打分，在未使用临床相互作用标签训练的情况下预测药物-药物相互作用。按置信度汇总的COLIG排序在DDInter和KEGG上分别取得49.3%和25.1%的top-5%精确率，对应背景流行率为29.6%和14.7%；合并top-pocket engagement的DDInter精确率为50.3%。
推荐理由：研究用蛋白口袋共结合结构信号排序药物对，为不依赖临床标签的DDI预测提供了一种可比较的评测参照。
研究提出Cluchagues-Marcus框架，将非绝热Marcus动力学与Hill型方程耦合，把水排除建模为局部介电常数从80.4降至2.0，用于KRAS G12C（PDB 6UT0）与STAT3 SH2（PDB 6NJS）两个深口袋。
Google DeepMind 为 Google Antigravity 发布 Cheminformatics Skills，基于 RDKit 并接入 ChEMBL 与 PubChem，让语言模型负责流程编排、确定性化学工具执行分子计算。
推荐理由：官方演示了智能体在真实肺癌药物数据上完成检索、配对分析与大环设计，可观察化学工作流的自动化边界。
研究以覆盖MET激酶域11种抑制剂条件的深度突变扫描数据，系统评测突变效应预测与药物-靶点亲和力预测模型。结果显示，尽管实验揭示的抑制剂依赖性适应度景观明显不同，当前AI模型在两类任务上大多给出配体不变的预测；LigandMPNN和LASErMPNN等配体感知几何模型部分找回实验验证的耐药相关热点，而深度学习亲和力模型低估突变引起的结合亲和力变化。
推荐理由：研究用MET激酶域11种抑制剂条件的深度突变扫描数据，系统评测突变效应与亲和力模型，指出配体不变预测的共性局限。
研究提出一种基于快速傅里叶变换（FFT）的方法，用于高效计算两个结合伙伴在多个相对平移下的溶剂可及表面积（SASA）变化，并通过网格化 SASA 与溶剂排除网格的互相关得到埋藏表面积（BSA）。
推荐理由：该方法把界面埋藏面积计算从逐姿态直接求和改为 FFT 互相关，为大规模生物分子界面扫描提供可迁移的加速思路。
作者提出SO3LR-SF，一个可实例化于四种预训练SO3LR机器学习力场模型的物理打分框架，用于评估蛋白-配体结合能。
推荐理由：该预印本提出基于SO3LR机器学习力场的打分框架，并在三个基准上与半经验量子方法及MMGBSA比较排序表现。
FoXSight是一种用于晶体学化合物筛选命中识别的计算方法，对多参考减影图施加高斯差分（DoG）滤波，检测与结合配体相关的重复出现、靶点特异的密度特征。
推荐理由：针对晶体学片段筛选中的弱结合信号识别，介绍一种可解释的密度图检测方法及其与PanDDA的比较。
研究以140个化合物对CK2α与CK2α′两个亚型的配对实测数据，检验标准结构导向流程能否设计并排序CK2α′偏好性化合物。GNINA对接与卷积神经网络重打分得到的五项计算指标均与实测选择性不相关（ρ = −0.19 至 +0.12），对仅差一个连接亚甲基的配对化合物还出现排序反转。
推荐理由：研究用140个化合物的配对实测数据检验结构导向选择性设计，显示对接打分难以区分两个相近亚型。
研究人员提出AF3-PTI-PAE方法，用AlphaFold 3预测MHC–抗原肽–TCR三元复合物结构，并以TCR–抗原肽界面预测排列误差判别抗原特异性，无需针对特定抗原训练。
推荐理由：研究用AF3预测三元复合物界面置信度推断TCR抗原特异性，并给出独立验证与敏感性限制。
麻省理工学院教授Regina Barzilay和James J. Collins获得2026年普利兹克AI科学研究卓越奖，其Antibiotics-AI Project已用AI虚拟筛选超过700亿个分子、对超过3.8万个分子开展抗菌实验，发现或设计出9种新型抗生素候选物。
推荐理由：梳理MIT团队从虚拟筛选到生成式设计抗生素的多年路径，并点出合成与临床环节的落差。
该预印本在 LIT-PCBA MTORC1 靶点（PDB 4jsx）上用 AutoDock Vina 1.2.7 和 60 个配体（20 个活性、40 个非活性）审计默认对接流程的决策稳定性。
推荐理由：该预印本量化了默认对接流程在随机种子与搜索盒扰动下的决策翻转，为自动化流程的稳定性评估提供参照。
该预印本提出一种ML/MM框架，将极化校正的机械嵌入（PCME）与静电嵌入（EE）引入端点自由能计算，并在气相能量和极性溶剂化项中使用依赖结合状态与构象的ML电荷。
推荐理由：该预印本把极化校正电荷引入ML/MM端点计算，为蛋白-配体亲和力排序提供可对照的基准结果。