要点：DRUGONE 人工智能正在加速治疗性肽的发现，但现有方法主要集中于抗菌肽、抗癌肽和细胞穿透肽等拥有大量训练数据的领域。对于代谢、内分泌和组织再生等疾病场景，可用于训练的已验证活性肽数量有限，导致传统依赖“活性肽—非活性肽”监督数据的AI模型难以推广。针对这一问题，研究人员开发了 Deepeptide，一种无需针对每种适应证重新收集大量阳性肽数据的通用深度学习寡肽发现框架。 Deepeptide的核心思想是利用“疾病适应证—生物过程—分子功能”之间的内在联系。研究人员首先确定能够改善目标疾病的生物过程及相关分子功能，再从蛋白质组中寻找具有这些功能的内在无序区（IDR），构建大型功能性“原肽”库。随后，通过由蛋白质语言模型ESM-2、
要点：近日，由 Syneron Opal、同济大学、德州学院和阿卜杜拉国王科技大学（KAUST）组成的联合研究团队在 Advanced Science 发表题为“Similarity-Enhanced Representation Learning of Non-Canonical Amino Acids for Therapeutic Peptide Modeling”的研究论文。许陈成和魏乐松为共同第一作者，曾强成和高欣为通讯作者。该研究提出面向非天然氨基酸（non-canonical amino acids，ncAAs）的相似性增强预训练框架 SinCAA，通过“构象相似性引导的对比学习 + 掩码节点恢复”同时学习 ncAA 之间的
要点：最近，一项“AI 直接优化酶催化活性”的工作发表于美国化学会旗舰期刊 Journal of the American Chemical Society。这项名为 CatESO 的方法，由深圳理工大学/上海纽约大学张增辉教授以及中国科学院杭州医学研究所陈广勇联合团队开发；第一作者甘镇嘉来自华东师范大学与 NYU-ECNU 计算化学联合研究中心。相比单纯预测一个酶“好不好”，CatESO 更进一步：让预测模型直接参与酶序列的搜索与优化，把催化性能本身变成设计目标。 AI 蛋白设计正在经历一次角色反转。从 trRosetta 的深度网络幻觉，到 BindCraft 对 AlphaFold2 的反向调用，一条思路已经被反复验证：结构预测模型
要点：DRUGONE 干细胞衍生模型正在成为研究人类发育、疾病机制、药物筛选和再生医学的重要实验体系。类器官和干细胞衍生胚胎模型能够利用多能干细胞的自组织能力形成复杂三维结构，比传统二维培养更加接近体内环境，但其高度异质性和动态变化也给标准化分析带来困难。人工观察难以高通量捕捉细微形态、时间动态和罕见发育结局，因此图像分析逐渐成为该领域的重要瓶颈。 人工智能特别是卷积神经网络、深度学习和基础模型正在改变这一局面。AI可以自动完成分类、分割、目标检测和特征学习，并进一步用于干细胞质量控制、命运预测、类器官表型分析、疾病建模、药物筛选和机制发现。未来，通过结合生成式AI、多组学、物理模型和自动化实验平台，AI可能从实验后的分析工具发展为能够实
要点：前言 Schrödinger 套件是行业广泛使用的集成化计算药物设计平台，其独特优势在于深度融合了基于物理的精确算法（如FEP+自由能微扰、Desmond分子动力学、Glide对接）与数据驱动的机器学习模型，同时覆盖从靶点结构预测（同源建模、口袋检测）到虚拟筛选（对接、药效团、形状匹配），再到先导优化（Ligand Designer、骨架跃迁）和最终候选物评价（MM-GBSA、ADME预测）的完整链条。这一集成化工作流不仅大幅减少不同软件之间的数据转换误差，更能提供与实验高度吻合的预测精度，已被众多制药企业广泛采用。 本课程拒绝照本宣科，由具有多年工业级项目经验的讲师团队亲自设计案例，手把手带您穿透每一个关键决策节点——从蛋白结构精
要点：DRUGONE 生物材料是众多临床和技术应用的基础，包括骨科植入物、可吸收支架、软组织水凝胶以及生物传感界面等。然而，生物材料设计长期面临一个核心难题：材料性能并不是由单一因素决定，而是需要在组成、加工条件和多尺度结构之间，同时协调力学、化学和生物学性质。机器学习（ML）和深度学习（DL）为解决这一复杂多变量优化问题提供了新的技术路径，可以学习加工—结构—性能之间的关系，快速预测候选材料性质、生成新的材料设计，并优先选择最具信息价值的实验，从而将传统依赖经验和反复试错的材料开发转变为更加系统的数据驱动设计。 研究人员围绕机器学习驱动的生物材料设计建立了完整框架，首先介绍数据库建设、性质预测、优化、无监督学习和理性逆向设计等核心方法，
要点：DRUGONE 材料和结构失效的准确预测一直是工程力学中的核心问题，而裂纹萌生、扩展和分叉涉及高度局域化的应力场、位移不连续以及复杂的演化路径，使传统数值模拟面临较高计算成本。近年来，物理信息神经网络（PINNs）及其变分形式深度能量法（Deep Energy Method，DEM）为偏微分方程求解和断裂模拟提供了新的AI计算范式。然而，现有DEM通常需要在裂纹及裂尖附近布置大量加密配点，容易出现数值稳定性问题，而且离散裂纹模型与连续相场模型往往需要分别建立计算框架。 研究人员提出扩展深度能量法（Extended Deep Energy Method，XDEM），试图建立统一的AI驱动断裂力学框架。XDEM包含离散形式XDEM-D和
要点：临床阶段生成式人工智能（AI）驱动的药物研发公司 Insilico Medicine（“英矽智能”；HKEX: 3696）今日宣布发起成立开放药物研发联盟（Open Drug Discovery and Development Consortium，简称 O3DC）。这是一项旨在探讨如何评估计算药物研发方法的开放倡议，同时该联盟发布了首个共享资源：一个由社区共同维护、涵盖该领域所依赖各项基准的索引。 O3DC 基准索引收录了跨越 10 个类别的上百项基准测试，涉及15个联盟与倡议，涵盖分子性质预测、对接与姿态预测、结合亲和力、生成式设计、逆合成、靶点识别、临床预测以及 AI Agent 评估。对于每个基准测试，索引均记录了其衡量指标
要点：DRUGONE 高效蛋白质工程受到巨大序列空间与有限实验通量的双重限制，对于缺乏大规模突变数据的新型蛋白家族尤其如此。研究人员以真核来源的紧凑型RNA引导核酸酶Fanzor2（Fz2）为对象，将同源蛋白发现、ωRNA支架工程与一种名为 EvoMax 的稀疏数据模型引导蛋白进化方法相结合。EvoMax通过迭代实验测定，将高斯过程回归（GPR）、蛋白质语言模型ESM-2和逆折叠模型ESM-IF整合起来，在有限标注数据条件下探索复杂的序列—适应度空间。最终获得的 FanzMAX v3-hLa 在最佳内源位点实现高达97%的编辑效率，在19个内源基因组位点上的平均编辑效率约为33%，比已有紧凑型编辑器enNlovFz2和enCnCas12f
要点：DRUGONE 准确描述化学键形成与断裂是量子化学中的核心问题，但也是最具挑战性的任务之一。当分子接近解离状态时，电子结构往往从弱相关转变为强相关或多参考特征，传统单参考方法可能失效，而多参考量子化学方法虽然更加可靠，却通常具有很高的计算成本，并且每研究一个新体系都需要重新进行昂贵计算。研究人员提出了一种名为 Orbformer 的可迁移神经网络波函数基础模型，试图改变这种“每个分子从头计算”的传统模式。Orbformer基于深度量子蒙特卡洛（deep QMC），首先在超过2.2万个平衡及非平衡分子结构上进行预训练，使模型学习不同分子之间可重复利用的电子结构规律，随后通过可迁移微调获得新体系的高精度波函数。 在Diels–Alder
要点：近日，默沙东与 Moderna 公布，共同开发的在研个体化新抗原疗法 intismeran autogene（V940/mRNA-4157）联合 KEYTRUDA®，在 III 期 INTerpath-001 研究中达到无复发生存期（RFS）主要终点及无远处转移生存期（DMFS）关键次要终点。这一关键性临床信号引发全球医药产业与资本市场关注，表明个体化 mRNA 肿瘤疫苗正从技术可行性迈入关键性临床验证阶段。 在这一行业窗口下，生成式人工智能（AI）驱动的临床阶段药物研发科技公司英矽智能（Insilico Medicine, HKEX: 03696）今日宣布，与专注于下一代RNA创新药研发的元码智药（Byterna Therapeu
要点：DRUGONE 蛋白质并非静态结构，其催化、配体结合、变构调控和分子识别等功能往往依赖多个构象之间在微秒至毫秒（µs–ms）时间尺度上的转换。然而，与静态蛋白质结构相比，可用于机器学习的标准化动力学实验数据极为有限，这一直制约着蛋白质动力学预测模型的发展。研究人员整理了超过100套核磁共振（NMR）弛豫数据后注意到，一种潜在的动力学信息实际上长期存在于NMR数据中：当残基发生µs–ms尺度构象交换时，其NMR信号可能因交换展宽而弱化甚至完全消失，因此在化学位移数据中表现为“无法指认”的残基。基于这一认识，研究人员将BMRB中大规模存在的缺失主链酰胺指认作为µs–ms动力学的代理标签，并训练深度学习模型预测这些缺失信号。结果表明，模型
要点：本文介绍一篇来自浙江大学潘培辰研究员、侯廷军教授和车金鑫研究员发表在《Proceedings of the National Academy of Sciences》（PNAS）的研究论文，题为 “AI-driven PROTAC design overcomes oncogenic resilience by eliminating the CLIP1-LTK fusion protein”。该研究以非小细胞肺癌（NSCLC）中新发现的致癌融合蛋白CLIP1-LTK为研究对象，提出了一套人工智能辅助的PROTAC设计策略，成功开发出高效靶向降解分子DCL05，实现了对融合蛋白的精准清除，并有效克服传统激酶抑制剂因耐药突变导致的治疗
要点：DRUGONE Buchwald–Hartwig（BH）交叉偶联是现代合成化学，尤其是药物研发中构建芳基–氮键的重要反应。然而，机器学习对该类反应进行预测时仍面临一个核心问题：模型通常能够较好预测训练数据覆盖的化学空间，却难以可靠处理训练过程中从未出现的新底物和新反应条件。电子实验记录中的数据往往存在来源异质、噪声较大、实验条件不统一以及产率记录方式不同等问题，而公开的高通量实验数据虽然质量较高，却通常规模有限且化学空间覆盖狭窄，这些因素共同限制了模型的分布外泛化能力。 研究人员建立了一套以高质量数据、多源数据标准化、高通量实验（HTE）和主动学习为核心的BH反应预测框架。研究首先通过自动化实验产生11,300条高质量BH反应数据，
要点：2026年8月11日，Laguna Hills/上海 B系列融资将推动基座模型向世界模型演进 8月11日，寻明生科（Aureka Biotechnologies）宣布完成总额1亿美元的B系列融资。本轮融资分阶段完成，其中首轮由Granite Asia独家投资，后续轮次由知名产业投资人领投，弘晖基金跟投，启明创投、经纬创投及纽尔利资本等现有股东持续投资。至此，寻明生科累计融资近2亿美元。 寻明生科透露，本轮融资资金将重点投入新一代生物基座模型的研发及规模化训练，持续提升模型在分子从头设计、生物结构建模及功能预测等核心任务上的能力。同时，公司将进一步升级以实验为核心反馈机制的Lab-in-the-Loop体系，推动基座模型与专有单细胞功
要点：DRUGONE 随着通用人工智能聊天机器人被越来越多地用于情绪支持、关系咨询、陪伴以及心理健康相关交流，如何系统评估这些模型在心理脆弱用户中的安全性成为重要问题。传统人工智能安全基准通常依赖固定问题和单轮回答，能够发现明显的自伤鼓励、不当医疗建议等问题，却难以识别在多轮对话中逐渐形成的隐性风险。尤其值得关注的是，一些通常被认为具有支持性的行为，例如共情、肯定和安慰，在特定心理脆弱状态下可能反而强化异常信念、回避行为或对聊天机器人的情感依赖。 研究人员提出SIM-VAIL，即“模拟脆弱性放大交互循环”审计框架，通过人工智能模拟具有特定心理脆弱性和交互意图的用户，与待评估聊天机器人进行动态多轮对话，并利用自动安全评判模型从13个具有临床
要点：坚持化学家视角：面向从事药物、分析、工艺、材料与制剂工作的化学专业人员，不要求读者具备数据科学背景。 贯通研发与生产：从反应预测、路线设计和自主实验延伸至材料优化、过程控制、质量管理与 GMP 环境。 强调可靠实施：系统关注数据质量、模型验证、不确定性、适用域、放大应用、伦理偏差及监管治理。 化学一门决策学科。化学家每天都要决定检验哪项假设、合成哪个类似物、尝试何种条件、相信哪些信号，以及规避哪些风险。近年来，尤其自 2024 年以来，人工智能已逐渐成为辅助这些决策的实用工具：它能够加速检索、聚焦实验，并将分散的信息转化为可操作的指导。人工智不能取代化学专业判断；在适当控制下，它能够放大专业判断的价值。 本书面向从事药物化学、制药、
要点：2026年7月23日，北海道大学Satoshi Maeda教授与Tsuyoshi Mita教授团队在《Communications Chemistry》发表最新研究，题为“Identifying viable synthetic routes from side channels in automated reaction-path searches”。该研究提出了一种名为“网络编辑”的计算策略，通过主动删除反应网络中的优势路径，暴露原本被掩盖的潜在反应通道，并进一步将这些理论预测转化为可实验验证的新型合成路线。研究团队利用该方法成功开发了基于二氧化碳自由基阴离子（CO₂•⁻）介导的芳基羧化反应，实现了五元和六元含氮杂环结构的构建，
要点：DRUGONE 基因组包含了生命系统运行所需的完整信息，其功能并非由单个基因独立决定，而是由多个编码区域、调控元件、基因排列方式以及分子互作共同形成的复杂系统。然而，与蛋白质设计和基因线路工程相比，直接设计完整基因组仍然是合成生物学领域长期未解决的挑战。基因组中的微小变化可能破坏复制、表达调控或宿主互作过程，使得从头构建具有完整功能的新基因组极为困难。 近年来，基因组语言模型的发展为解析和生成DNA序列提供了新的计算框架。这类模型通过在大规模基因组序列上进行预训练，学习自然进化过程中形成的序列规律和功能约束，从而具备生成具有生物学合理性的DNA序列的潜力。然而，此前研究主要集中于设计单个基因、蛋白质或有限规模遗传系统，基因组语言模型
