标签
《自然综述·药物发现》的一篇观点文章对人工智能在药物发现中的应用进行了批判性回顾，指出其临床影响有限，并提出了提高转化相关性的建议。
EpiBench 是一个新的闭卷、基于序列的基准，用于评估 LLMs 在五项抗体药物发现任务中对表位的理解程度，结果发现当前模型能捕获部分信号，但在抗体特异性推理方面存在困难。
This paper introduces BBBP-GeoPEFT, a geometry-informed parameter-efficient fine-tuning framework for pre-trained molecular GNNs targeting blood-brain barrier permeability prediction, achieving competitive performance while updating only 10.1% of parameters.
Olio Labs 正在推出其体内平台，该平台旨在通过单一高通量实验预测多种人类临床结果，为药物发现带来预测有效性。
本文提出了 PhenMol，一个保持结构的表型感知分子表示学习框架，它在保留化学结构邻域组织的同时整合细胞表型信息，从而改进分子性质预测和药物发现任务。
一项新的《科学》研究报告了一种简化的途径，以获取一种尚未充分探索的共价弹头类型，该类型具有调节得当的反应性，从而能够在药物发现中实现实际应用。
讨论未来几年哪个医疗领域将因人工智能发生最大变革，包括诊断、药物研发、患者监测和医学影像等领域。
AI通过预测候选药物和降低成本加速药物发现，但成功依赖于高质量数据以及与实验室系统的集成，以实现数据闭环并验证预测。
清华大学和AIRTHU推出了GalaxyVS，该方法将蛋白质-配体对接转变为超大规模并行向量检索，为高通量药物发现树立了新的全球基准。
TriGlue是一种受生物学启发的生成模型，通过先预测蛋白质-蛋白质界面，再基于界面生成分子胶，来设计分子胶诱导的三元复合物，从而实现靶向蛋白质降解。
本综述调查了用于多药理学和多靶点药物设计的几何深度学习(GDL)方法，涵盖了从图神经网络到SE(3)-等变扩散模型等用于捕捉3D分子结构的架构。
本文提出ChemHyperMag，一种物理启发的磁性超图学习方法，用于多任务ADMET预测。该方法利用官能团超图和厄米磁性拉普拉斯算子捕捉非对称相互作用和方向信号，在更少标注样本下提高预测精度。
本文提出了一种基于偏好的学习框架，用于抗体表达排序，将稀缺的定量数据与来自免疫序列的大规模弱正监督相结合。该方法通过引入联合掩码对数似然近似和基于IMGT的比对，将直接偏好优化（DPO）适配到蛋白质语言模型，从而在多样化的内部数据集上实现了改进的排序性能。
百时美施贵宝正在部署其第二个基于 DGX Vera Rubin NVL72 系统的 NVIDIA DGX SuperPOD，打造生命科学领域最强大的 AI 集群，以加速药物发现，让所有科学家都能使用 AI。
本文提出了一种上下文增强提示框架，利用图神经网络专家模型提供预测提示和解释性子图，以改进小型语言模型中的分子性质预测。在MUTAG和Tox21上的实验显示，与仅使用SMILES的基线相比，准确率提升高达74%。
介绍了HEDGEHOG，一个用于评估药物发现中分子生成模型的分层基准，揭示只有0.65%的生成分子通过了所有药物化学和对接筛选。
Oculus联合创始人迈克尔·安东诺夫讨论了他通过Deep Origin转向药物发现的经历，强调将人工智能与基于物理的模拟和实验验证相结合，以实现更安全的疗法，以及VR在医学培训中的作用。
本文介绍了一种新颖的基于扩散的生成模型，用于基于结构的药物设计。该模型解耦了口袋和配体的表示学习，并融入了多尺度相互作用信号和属性感知优化，以生成具有更强结合亲和力和更优ADMET属性的可开发3D分子。
本文提出JoPMol，一种联合控制的精准分子生成模型，整合基因表达谱、分子结构文本和化学性质，生成个性化候选药物，性能优于现有最先进方法。
OpenAI 研究员 Miles Wang 将离职创办一家人工智能药物研发初创公司，该公司正在洽谈筹集 2 亿美元，估值为 20 亿美元，由光速领投。