标签
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。
丹麦技术大学的研究人员采用混合AI和量子计算方法，生成了能与特定蛋白质结合的新型肽，尤其在数据稀疏时表现出更优性能，可能加速疫苗和个性化免疫疗法的开发。
本文揭示了标准边际共形预测在不平衡虚拟筛选数据集中无法覆盖少数类，并展示了类条件（Mondrian）共形预测如何恢复每类覆盖。
DrugGen-2通过监督学习和强化学习（GRPO）微调GPT-2，在疾病本体和靶点蛋白质序列条件下生成小分子，实现了药物发现中更高的多样性和结合亲和力。
介绍OpenDDE，一个开源的全原子生物分子基础模型，该模型利用共折叠作为药物发现的共享结构推理层，实现了高精度，并识别出用于进一步改进的缩放定律。
Active-GRPO 引入了一个自适应模仿与自我改进推理框架，能够动态决定何时模仿参考、何时强化模型自身的发现以进行分子优化，在 TOMG-Bench-MolOpt 基准上取得了相较于先前方法具有统计显著性的改进。
介绍MolSafeEval，这是一个专门评估AI生成分子安全风险的基准，通过将异质安全知识整合到分子安全知识图谱中，并利用基于大语言模型的推理来系统检测不安全特征。
Anthropic推出了Claude Science，这是一款用于计算生物学和药物开发自主科学研究的新旗舰产品，所有付费Claude订阅用户均可使用。
本文介绍了一个通过强化学习训练的AI智能体，能够推理自1939年以来所有FDA批准的药物，进行治疗建议，并整合疾病背景、合并症和禁忌症。
Google Cloud 将提供 SandboxAQ 的大型定量模型（基于科学方程和实验室数据训练），用于药物研发、材料科学和半导体制造，同时提供 Gemini for Science 工具以加速研究工作流程。
Pepti-drift 是一种毒性感知的潜在空间精炼框架，用于生成抗原特异性肽，在保持结合亲和力的同时避免毒性。与现有方法相比，它实现了大幅加速，并产生了多样、有效且低毒性的肽候选物。
介绍了 BoBa，一种基于强盗引导的代理优化框架，通过自适应地在动作空间的分区上分配计算，消除了全库推理，从而实现对超大型化学库的高效虚拟筛选。
介绍了MEET，一种用于全原子肽设计的内存高效E(3)等变变压器，与VAE和潜在扩散管道集成，实现了线性内存缩放和改善的生成质量。
提出了两种互补方法，将预测不确定性融入化学语言模型的强化学习中，提高了鲁棒性，并在从头分子设计中将真实命中率提升了0.25。
本文介绍了Sesame，一个基于扩散的分子生成模型，该模型通过空间密度图对部分分子结构和蛋白质口袋进行条件化，从而实现从头生成和片段条件的先导化合物优化，用于药物设计。
TxBench-PP是一个用于评估AI代理在小分子临床前药理学任务上表现的基准测试。在16种模型-框架配置中，最佳系统仅达到59.3%的准确率，表明仍有很大的改进空间。
OpenAI 与 Molecule.one 合作，让他们的 AI 系统（GPT-5.4 和 Maria）自主选择研究领域、生成提案并在有机化学中运行实验，实现了 88% 测试反应的产率提升——这是 AI 驱动的开放式科学发现的首次。