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
研究提出一种级联DNA编码化合物库（DEL）策略，将光交联DEL筛选与共价聚焦DEL构建串联，用于Pin1共价抑制剂的从头设计。先用光交联DEL筛选识别低亲和力结合片段，再以其为起点构建共价聚焦DEL库，最终获得LWH-1和LWH-2两个命中化合物，二者在Cys113位点共价修饰Pin1，IC50分别为447.4 nM和273.7 nM。
推荐理由：该预印本把光交联DEL与共价聚焦DEL串联，为低亲和力片段向共价抑制剂演化提供了一条可迁移路径。
作者提出 ETALON，一个为通用编程智能体提供计算机辅助药物设计集成环境的框架，由 MolQuarry（化学与生物证据）、MolCascade（分子准备、筛选与对接）和 PRISM（分子生成与物理建模）三个可独立使用的系统支撑科学操作。
推荐理由：该工具把分子准备、筛选、对接与生成整合进统一执行层，并区分完成、验证与准入记录，为智能体辅助药物设计提供可复用框架。
Sean Lim 基于 32,971 个化合物-测定对的三点初筛与 11 点剂量反应数据，训练随机森林模型预测剂量反应实验能否得到可报告的 pXC50，AUROC 达 0.939±0.002，并可泛化到未见化学骨架和测定机制类别。
推荐理由：研究用三点初筛数据预测剂量反应能否定量效力，为化合物优先级排序提供了可迁移的建模思路。
作者提出 D2ML 测定感知模型，从单点筛选预测活性、从粗制剂量反应预测跨靶点相对效力、从纯化化合物数据预测绝对效力，并用跨阶段共享信息的联合模型提升预测。
推荐理由：针对直接到生物学筛选的粗混合物浓度不确定问题，提出分阶段联合建模，并用实验验证多目标优化。
研究评估了一种靶向马尔可夫链蒙特卡洛（MCMC）协议，结合局部与较大幅度侧链扭转提议及周期性MD弛豫，从apo结构生成受体构象集合。
推荐理由：在 apo 结构上做靶向侧链采样，为受体柔性下的对接位姿恢复提供了可对照的评测结果。
研究团队开发了生物活性基础模型 PSICHIC+，基于约8200万条蛋白-配体记录、以分布目标训练，可从蛋白序列与配体 SMILES 在毫秒级预测结合亲和力。在无靶点特异性训练数据的零样本虚拟筛选基准中，其富集效果优于回归和分类方法，并与领先的基于结构的方法表现相当。
推荐理由：该预印本用分布目标训练约8200万条蛋白-配体记录，为异构活性数据的利用和零样本筛选提供参照。
加州大学旧金山分校Kevan M. Shokat与Kevin Lou团队在Nature发表研究，以ABL1和EGFR为模型系统梳理双位点激酶抑制剂的设计原则，并开发出双位点ABL1抑制剂PonatiLink-2。
推荐理由：研究以ABL1与EGFR为模型系统梳理双位点激酶抑制剂的设计参数，为兼顾效力与选择性提供可迁移思路。
牛津大学Krish Ramadurai与Abhirup Banerjee在《npj Drug Discovery》发表综述，用TechBio 3.0概括将多模态AI、生成式化学与自动化实验接入同一反馈体系的研发方式，并区分1.0性质预测、2.0靶点发现与分子生成、3.0实验反馈持续更新模型与设计。
推荐理由：文章以综述框架梳理多模态AI、生成式设计与自动化实验的闭环，并借两个企业案例说明证据边界。
研究把来自12,255个蛋白的237,922个AlphaFold口袋放到其实验结构所张成的apo-holo轴上定位，发现多数口袋偏holo样（62%，apo与holo结构等量采样时为56%），与实验证据中apo/holo的分布比例一致。
推荐理由：研究把AlphaFold口袋放到apo-holo轴上比较，说明口袋状态如何影响结合位点识别与对接结果。
DUET是一种仅依赖序列的RNA-小分子结合位点预测方法，结合关系图模块与基于冻结RNA语言模型的两个卷积序列模块。
推荐理由：RNA-小分子结合位点预测方法在去冗余基准上对比基线，并区分测试重叠与训练内冗余两类评测偏差。
Gabriele Corso 表示，Ebolathon 黑客松团队使用 Boltz API 设计新分子，共测试 140 个分子，在埃博拉假病毒实验中筛出 11 个选择性命中。他称这体现了黑客松想法转化为实验结果，并附 muni.bio 的研究链接。
推荐理由：记录一场黑客松用 Boltz API 设计分子并在埃博拉假病毒实验中筛出选择性命中，呈现从计算到湿实验的转化路径。
该预印本研究比较AutoDock Vina对接与基于分子动力学的MM/GBSA重打分对29个中性p38激酶抑制剂的排序能力，结果显示两者与实验ΔG的相关性均较弱且无法区分。
推荐理由：复现基准比较短时分子动力学重打分与对接对同类抑制剂的排序能力，为方法选择提供参照。
【摘要级】研究构建了覆盖178种病毒、50,711对化合物-病毒活性数据的数据集，提出DeepMolVir模型，用ESMC-600M生成的病毒序列嵌入替代传统分类标签，与分子特征结合预测化合物-病毒相互作用。
推荐理由：研究用蛋白语言模型编码病毒序列替代分类标签，为病毒-化合物活性预测提供可复用的表示方法。
Molence 报告其从头设计的 BCMA 结合剂在零样本条件下取得 43 pM 的 SPR 亲和力。30 个设计中 12 个为结合命中，两个候选以 VHH-Fc 融合形式测得 SPR KD 分别为 43 pM 和 1.1 nM。两者结合细胞表面 BCMA 的 EC50 为 0.19 和 0.16 nM，同一实验体系中 belantamab 为 4.1 nM。
推荐理由：材料给出从头设计的 BCMA 结合剂从 SPR 亲和力到细胞表面结合的实测数据，并设了 belantamab 对照。
【摘要级】研究提出PRIDA，一个结合双线性注意力与条件域对抗学习的蛋白-RNA互作预测框架，借助预训练蛋白和RNA语言模型，在蛋白层面分布偏移和标注数据有限时提升互作预测表现。作者称其在跨域蛋白-RNA互作预测上达到当前最优性能，并将PRIDA与蒙特卡洛树搜索结合用于虚拟筛选流程，为特定靶点蛋白生成RNA适配体候选。数据与源代码已在GitHub和Zenodo公开。
推荐理由：该框架用条件域对抗学习应对蛋白层面的分布偏移，为跨域蛋白-RNA互作预测提供了一种可复用的思路。
【摘要级】RAVEN 用多个独立初始化后完全冻结的原子图神经网络作为非线性结构表示储层，再与确定性物理信息相互作用指纹结合，由异质神经与树模型读取并做基于验证的非负融合。
推荐理由：该工作用冻结随机图储层加物理信息相互作用指纹做亲和力预测，为免端到端训练提供了一种模块化思路。
上海交通大学朱芳芳团队与华南理工大学张译月团队等合作在《Journal of Advanced Research》发表研究，围绕P2Y12受体结合配体基与受体基双重虚拟筛选、分子对接、分子动力学模拟和MM/GBSA，从2.2万余个化合物中优选42个候选，并验证VS-5584和GNE-493的抗血小板与抗血栓活性。
推荐理由：该研究展示从2.2万化合物经双重虚拟筛选收敛到42个候选、再经血小板与斑马鱼实验验证的完整路径。
Molence 报告其计算设计的 VHH 以 VHH-Fc 融合形式结合表达 CXCR6 的细胞，EC50 为 39 nM。在 cAMP 实验中，30 nM CXCL16 使响应降至仅含 forskolin 对照的 70.6%，加入 167 nM 该 VHH 后恢复至 92.6%，作者据此认为该结合剂拮抗 CXCL16 诱导的 CXCR6 信号。
推荐理由：该设计通过细胞结合与 cAMP 回复实验，给出计算设计 VHH 拮抗 CXCR6 信号的具体证据。
Molence 称其 Mol-1 在 Runs N' Poses 配体预测评测中于全部八个相似度分箱领先所评估基线，成功标准为配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。在相似度最低的 0–20 分箱，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%；通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Molence 公布 Mol-1 在 Runs N' Poses 各相似度分箱的配体预测结果，可与 AlphaFold 3 直接对照。
Molence 的 Mol-1 在 MGBench 分子胶预测基准上报告联合成功率：已见条件 92.2%、高同源 74.6%、低同源 28.6%，最强评测基线在低同源条件为 19.1%。联合成功需同时满足配体 RMSD < 2 Å、lDDT-PLI > 0.8 和蛋白界面 DockQ > 0.23。作者同时引用的另一条内容称，在 Runs N' Poses 的 0–20 最低相似度区间，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%，通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Mol-1 在 MGBench 上同时考核配体位姿与蛋白界面，低同源条件下与最强基线的差距提供了具体参照。