目录
- UniDock-Pro 在一个统一的 GPU 加速平台上，首次整合了基于结构、基于配体和创新的混合虚拟筛选模式，实现了单 GPU 日筛百万分子的超高通量，同时显著提升了筛选的富集效率。
- XenoSignal 利用 AlphaFold3 实现了对异种移植模型中人 - 鼠细胞间相互作用的原子级精准预测，揭示了以往被忽视的物种特异性差异，这将深刻影响临床前研究的解读。
- TorchANI-Amber 通过一个巧妙的接口，让广泛使用的分子动力学软件 Amber，能无缝调用 ANI 系列神经网络力场，实现了在经典软件框架内进行「量子精度」的大规模生物分子模拟。
1. UniDock-Pro：GPU 加速的「三合一」虚拟筛选平台
药物发现的早期阶段，虚拟筛选（Virtual Screening）是最重要的「探路」工具之一。目标是从数百万甚至数十亿个分子的大型化合物库中，快速地「海选」出少数几个最有希望成为药物的候选分子。
传统的虚拟筛选，主要分为两大流派：
1. 基于结构的虚拟筛选（SBVS） ：这就像是拿着一把「锁」（靶点蛋白结构），去试成千上万把「钥匙」（小分子），看哪个能插进去。经典工具如 AutoDock、Glide 就是干这个的。它很直观，但前提是你得有一把高质量的「锁」。
2. 基于配体的虚拟筛选（LBVS） ：这更像是「照葫芦画瓢」。我们已经知道有几把「钥匙」能开这把锁，于是我们就去找和这几把「好钥匙」长得像的其他钥匙。经典工具如 ROCS 就是干这个的。它很快，但前提是你得先有几把「好钥匙」。
这两个流派，各有优劣，而且通常在不同的软件平台上实现。我们经常需要分别做一遍，再综合分析结果，流程繁琐。
UniDock-Pro 要打破这种壁垒，并把整个过程「开上高速」。
UniDock-Pro 的「三大法宝」
- 统一平台，GPU 加速 ：它把 SBVS 和 LBVS 这两个核心功能，都整合到了一个统一的、基于 GPU 的计算框架里。通过最大化 GPU 的并行计算能力，它把筛选速度提升了几个数量级。在 LBVS 模式下，它的速度比 AutoDock-GPU 快了 43 倍。单卡一天处理上百万个分子，成为了现实。
- 更 LBVS ：传统的 LBVS，在做形状匹配时，能量函数往往不够平滑，不利于高效的构象搜索。UniDock-Pro 实现了一种更平滑的、类似伦纳德 - 琼斯势的能量函数，让基于梯度的优化算法能跑得更顺畅。结果就是，在 DUDE-Z 这个「考场」上，它的早期富集率（EF1%）比传统工具高了 2.45 倍。
- 协同混合模式（Hybrid Mode） ：这是 UniDock-Pro 最大的亮点。它不再让 SBVS 和 LBVS 各干各的，而是让它们「协同作战」。
协同混合模式是怎么运作的？
你可以把它想象成一个更高级的「寻宝」游戏。
UniDock-Pro 的混合模式，就是在分子对接的每一步，都同时参考这两张「藏宝图」。它会去寻找那些，既能很好地嵌入到「风水宝地」里，同时形状又和「金币」很像的分子。
这种方法，充分利用了两种信息的正交性和互补性，在几乎所有的基准测试中都取得了最高的富集效率。它能更有效地把真正的活性分子，从大量的「路人」分子中给挑出来。
UniDock-Pro 提供了一个「更准」、「更高效」的虚拟筛选新范式。对于需要在巨大的化学空间里快速淘金的药物研发人员来说，这是一个非常强大的武器。
📜Paper: https://doi.org/10.26434/chemrxiv-2025-bf5g7
2. XenoSignal: AlphaFold3 重塑异种移植模型药物研发
做临床前研究，尤其是肿瘤研究，谁都离不开异种移植模型（xenograft）。
我们把人的肿瘤细胞种到免疫缺陷的小鼠身上，然后用药，看看效果。这套流程用了几十年，但其实一直有个疙瘩：人的肿瘤细胞，真的能和周围的小鼠微环境「愉快地聊天」吗？我们一直默认，只要人和鼠的配体 - 受体蛋白序列足够像，它们就能相互识别和结合。但这个默认假设，就像是只看了两个人的简历就断定他们能合作无间，风险不小。
过去我们评估跨物种相互作用，多半是靠比对序列同源性。同源性超过 90%？那大概率能结合。这种方法简单粗暴，但忽略了一个根本问题：蛋白质的功能由三维结构决定，而不是一维序列。一个氨基酸的微小差异，就可能在关键的结合界面上造成一个巨大的空间位阻。
XenoSignal 用 AlphaFold3 把成千上万对人 - 鼠配体 - 受体复合物的原子级结构都给你算出来。这就相当于从看简历升级到了直接观察这两个人的互动录像。研究者发现，很多我们想当然认为可以跨物种结合的蛋白对，实际上结合得并不好，甚至完全不结合。
假设你开发了一个靶向人肿瘤微环境某条信号通路的药物，它通过阻断一个配体（来自肿瘤细胞）与一个受体（在小鼠基质细胞上）的结合来起作用。在小鼠模型里，你看到了漂亮的抑瘤数据。但 XenoSignal 的分析可能会告诉你，你药物靶向的这对人 - 鼠蛋白，其亲和力远低于人 - 人之间的亲和力。这意味着，你的药物在小鼠模型里可能只是「碰巧」有效，或者其真实的作用机制和你设想的完全不同。到了临床，面对纯粹的人体环境，药物的效果就可能大打折扣。
这个框架的厉害之处还不止于此。它还考虑了蛋白复合物的化学计量比（stoichiometry）和翻译后修饰这些更复杂的因素。比如，有些受体需要两个亚基才能工作，如果人和鼠的亚基无法正确组装，那后续的信号传递就无从谈起。
最终，XenoSignal 给出的不是一个模糊的「可能结合」的结论，而是一个经过物理模型严格计算的、高置信度的相互作用列表。这对于做药的人来说，价值巨大。我们可以在投入昂贵的动物实验之前，先通过计算筛选一遍，剔除那些最不靠谱的跨物种靶点，把资源集中在最有希望的方向上。
📜Title: XenoSignal: Investigating Intraand Inter-Species Ligand-Receptor Interactions Using AlphaFold3
📜Paper: https://www.biorxiv.org/content/10.1101/2025.08.13.670200v1
💻Code: https://github.com/MorrissyLab/XenoSignal
3. TorchANI-Amber：让经典模拟软件用上 AI 力场
做计算生物学和药物设计的领域，Amber 可以说是无人不知的「老牌贵族」。几十年来，无数重要的分子动力学（MD）模拟工作，都是在这个强大的软件平台上完成的。但 Amber 和很多经典 MD 软件一样，其核心依赖于经验性的经典力场。这些力场速度快，但在精度上，特别是处理一些精细的化学反应或复杂的相互作用时，总显得有些力不从心。
另一方面，以 ANI（ANAKIN-ME）为代表的新一代神经网络（NN）力场，正以其接近量子化学的精度，席卷着计算化学领域。但这些新兴的「AI 新贵」，往往活在独立的 Python 生态里，很难被集成到像 Amber 这样用 Fortran 和 C++ 构建的、庞大而复杂的系统中去。
这就造成了一个非常尴尬的局面：我们手里既有功能最全面、生态最成熟的模拟软件，又有精度最高的力场模型，但这两者却无法结合在一起。
TorchANI-Amber，就是来打破这堵墙的。
核心思路：只搭桥，不拆庙
作者们没有重写 Amber 的底层代码，那将是一项浩大的工程。他们搭建一个外部接口。
这个接口的工作原理是这样的：
1. 在 Amber 的输入文件里，用户只需要做一个简单的设置，告诉 Amber：「这次模拟，不要用你自带的力场，请去问一个叫 TorchANI 的外部程序。」
2. 模拟开始后，Amber 在每一步，都会把当前体系所有原子的坐标，通过这个接口，发送给 TorchANI。
3. TorchANI 这边，是一个由 PyTorch 驱动的高效神经网络计算引擎。它接收到坐标后，会利用预训练好的 ANI 模型，快速计算出每个原子的能量和受力。
4. 然后，它再把这些计算好的能量和力，通过接口传回给 Amber。
5. Amber 拿到这些「外包」回来的结果后，就用它们来更新原子的速度和位置，继续下一步的模拟。
整个过程中，Amber 还是那个我们熟悉的 Amber，它负责处理积分、控温、控压、周期性边界条件等所有 MD 模拟的「杂务」。而最核心的、也是最耗时的能量和力计算，则被外包给了更专业的、精度更高的 AI 模型。
效果如何？是「花瓶」还是「利器」？
作者用一系列真实的、复杂的生物分子体系，证明了这套「混搭」系统不仅能跑，而且跑得很好。
TorchANI-Amber 的工作，为想用最先进的 AI 力场，去研究真实生物问题的研究者，提供了一极具示范意义的解决方案，在经典的、久经考验的软件框架上，通过巧妙的「嫁接」，可以催生出强大的新能力。
📜Paper: https://doi.org/10.26434/chemrxiv-2025-j0b7s