AIDD

这篇综述系统地总结了机器学习如何让分子动力学模拟在保持量子化学精度的同时，把计算速度提升了几个数量级，让我们能研究更真实、更复杂的生物体系。

M2LLM：AI 会像化学家一样看分子吗?

AI 药物研发，分子动力学，大语言模型，"机器学习力场"
AI Agent

探索 AI 在药物研发领域的最新进展。M2LLM 通过多视角学习更深刻地理解分子；机器学习力场（MLFFs）以经典力场的速度实现量子化学精度，加速分子动力学模拟；HealthFlow 则展示了 AI 如何通过“复盘”机制，像顶尖研究员一样从失败中自主进化其研究策略。

Monday, the 8th of September, 2025
Jixing Liu, Ph.D.
Q-MOL 不再将蛋白质视为僵硬的「锁」，而是将其建模为一张柔性的「能量地形图」，从而能发现那些隐藏在平坦表面的变构「山谷」，并在真实世界的筛选中，取得了惊人的 36% 命中率。

Q-MOL：给蛋白质做「地形图」来寻找药物

AI 药物研发
蛋白质结构
计算药物设计
生物信息学

本文介绍了三项 AI 在药物研发领域的最新进展。CAML 模型通过分析基因的“邻居”来精准预测蛋白质功能；Q-MOL 将蛋白质建模为柔性的“能量地形图”，以极高的命中率发现隐藏的药物结合位点；同时，文章探讨了未来药物组合预测必须从二维信号通路图转向三维蛋白质结构战场，强调了 AI 在理解分子间相互作用中的核心作用。

Sunday, the 7th of September, 2025
Jixing Liu, Ph.D.
通过将分子对接建模成一场蛋白和配体相互适应的「博弈游戏」，一种新算法在柔性对接这个老大难问题上，实现了速度和精度的双重提升。

分子对接新博弈：让蛋白和配体对打

AI 药物研发
分子对接
医学 NLP
化学反应预测
AI for Science

本文探讨了 AI 在药物研发领域的最新进展。介绍了一个能理解复杂病历的医学 NLP 模型 MedTE，一种将分子对接视为博弈游戏的新算法，以及一个能预测三维化学反应的基础模型 Uni-Mol3，展示了 AI 如何从文本理解、分子对接到反应预测等多个维度加速新药发现。

Saturday, the 6th of September, 2025
Jixing Liu, Ph.D.
AgentD 试图将早期药物发现的繁杂计算工作打包成一个 LLM 驱动的自动化流程，想法很酷，但真正的考验在于每个模块的独立性能和组合后的化学直觉。

AgentD：AI 药研流水线，真能一键炼丹吗?

AI 药物研发
分子生成
大语言模型
结合位点预测
计算化学

本文速览三篇 AI 药物研发领域的最新研究。FRATTVAE 像化学家一样用片段和树状结构生成复杂分子；AgentD 利用大语言模型构建自动化药物发现流水线；VN-EGNNrank 则通过配体信息精准定位蛋白质结合位点，展现了 AI 在分子生成、流程自动化和靶点发现方面的巨大潜力。

Thursday, the 4th of September, 2025
Jixing Liu, Ph.D.
迄今最大规模的分子语言模型研究 NovoMolGen 发现，模型的预训练指标和下游任务性能关联不大，且一个仅 3200 万参数的小模型，效果竟不输大模型。

AI 驱动药物研发：五篇前沿论文深度解析

AI 药物研发
分子语言模型
多模态学习
属性预测
知识图谱

本文深度解析了 AI 药物研发领域的五项最新进展。内容涵盖利用多模态融合与对比学习构建生物医学知识图谱，通过多任务学习解决 ADMET 预测的数据稀疏问题，以及结合视觉语言模型提升分子属性预测精度。此外，还探讨了分子语言模型的规模效应，并介绍了一种融合多种分子数据的预测新框架。

Tuesday, the 2nd of September, 2025
Jixing Liu, Ph.D.
生成式 AI 是个想象力爆棚但毫无纪律的实习生，这篇综述讲的就是我们如何用强化学习等多重「紧箍咒」，逼它从胡乱涂鸦变成设计真正有用的药物分子。

AI 制药：合成数据、强化学习与自动化审稿的三大趋势

AI 制药
生成式 AI
强化学习
合成数据
自动化科学

探索 AI 在药物研发领域的最新进展。文章剖析了如何利用经过严格筛选的 AI 预测结构数据训练亲和力模型，其效果可媲美真实实验数据。同时，深入探讨了如何运用强化学习等策略约束生成式 AI，使其设计出真正有用的药物分子。最后，介绍了 aiXiv 平台，一个由 AI 自主审稿和发表论文的自动化科研新概念。

Tuesday, the 2nd of September, 2025
Jixing Liu, Ph.D.
计算和 AI 正在为那些曾被判死刑的「不可成药」靶点带来新武器，从变构调节到蛋白降解，游戏规则已经改变。

AI 制药：从老药新用到攻克「不可成药」靶点

AI 药物研发
老药新用
图神经网络
对比学习
不可成药靶点

探索 AI 制药领域的最新进展。DREAM-GNN 通过双通道图神经网络革新了老药新用；DecoyDB 利用高质量的「错题集」数据集，通过对比学习显著提升了分子结合亲和力预测的准确性；计算与 AI 正通过变构调节、靶向蛋白降解等新策略，将「不可成药」靶点变为可能。

Monday, the 1st of September, 2025
Jixing Liu, Ph.D.
「Prompt-to-Pill」框架利用一个中央协调的 AI 智能体群，试图将从分子设计到虚拟临床试验的漫长、割裂的流程，整合成一条自动化流水线。

从文献自动提取、全流程智能体到物理现实检验

AI 药物发现
大语言模型
AI 智能体
计算化学

ReactionSeek 框架利用大语言模型（LLM）和巧妙的提示工程，实现了化学文献信息的自动化、高精度提取。 “Prompt-to-Pill”框架则构建了一个由中央 AI 协调的智能体团队，试图将从分子设计到虚拟临床试验的漫长流程整合成一条自动化流水线。最后，一种嵌套学习框架通过引入物理学的“现实检验”，成功地让生成式 AI 设计出可合成且在湿实验中有效的全新药物分子。

Friday, the 29th of August, 2025
Jixing Liu, Ph.D.
Seekrflow 平台将机器学习力场与增强采样方法无缝整合，实现了端到端的药物 - 靶点结合动力学与热力学参数的自动化、高通量预测。

从拓扑视觉、动力学预测到企业化 AI 架构

AI 药物发现
计算化学
图神经网络
分子动力学

PACTNET 通过赋予 AI 模型看见分子整体“拓扑形状”的能力，显著提升了图神经网络的预测准确性。Seekrflow 平台则将机器学习力场与增强采样方法无缝整合，实现了药物 - 靶点结合动力学参数的自动化、高通量预测。最后，H-MoE 框架通过创建一套“企业化”的 AI 架构，智能地将不同分子分派给“专家模型”处理，以更接近人类化学家直 D 觉的方式解决了广阔化学空间的表征难题。

Wednesday, the 27th of August, 2025
Jixing Liu, Ph.D.
AlphaFold3 在预测能折叠成两种构象的蛋白质时，常常会把两种结构硬塞在一起，生成一个物理上不可能存在的“缝合怪”，暴露出其处理序列模糊性的根本局 ed.

从分子语言、虚拟实验室到 AlphaFold3 翻车

AI 药物发现
大语言模型
蛋白质工程
科研工具

SmilesT5 通过专为化学家设计的预训练任务，证明了“聪明”的训练远比“暴力”的数据更有效。一篇 Nature 论文展示了 AI 智能体主导的“虚拟实验室”框架，成功设计出新冠纳米抗体。同时，研究揭示 AlphaFold3 在处理构象模糊性时存在根本局限，而 SKiM-GPT 和序列预测模型则分别为文献假说验证和 PPI 药物发现带来了革命性工具。

Wednesday, the 27th of August, 2025
Jixing Liu, Ph.D.
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。

GPU 加速虚拟筛选、AlphaFold3 重塑临床前研究与 AI 力场赋能经典模拟

AI 药物发现
虚拟筛选
蛋白质结构预测
分子动力学

UniDock-Pro 利用 GPU 加速，在一个统一平台上首次整合了基于结构、配体和创新的混合虚拟筛选模式，实现了前所未有的筛选效率。XenoSignal 则利用 AlphaFold3 对异种移植模型中的人 - 鼠细胞相互作用进行原子级精准预测，深刻影响临床前研究的解读。最后，TorchANI-Amber 通过巧妙的接口，让经典分子动力学软件 Amber 能无缝调用 AI 神经网络力场，实现了量子精度的大规模生物分子模拟。

Wednesday, the 27th of August, 2025
Jixing Liu, Ph.D.
MEVO 巧妙地将分子生成与进化策略结合，用海量‘无主’配体数据训练模型，为结构化药物设计开辟了一条新路。

AIDD 前沿：从水分子对接到化学家语言

AI 药物发现
分子对接
计算化学
可解释 AI

Schrödinger 新发布的 Glide WS 通过显式处理结合位点的水分子，显著提升了分子对接的准确性。新方法利用神经网络迭代式地发现反应路径，而 MEVO 则巧妙地将分子生成与进化策略结合。ChemDFM-R 让 AI 真正理解官能团，同时研究表明 LLM 能加速合成健康数据创建，但离不开人类专家的监督。

Wednesday, the 27th of August, 2025
Jixing Liu, Ph.D.
LABind 创新地在预测蛋白质结合口袋时，将配体信息也纳入考量，让预测不再是「盲猜」，而是能根据不同配体的「长相」来找到最适合它的「座位」。

三大前沿 AI 助力药物化学：GP-MOBO、LABind 与 B3clf

多目标贝叶斯优化
Tanimoto 核
交叉注意力
重采样技术
血脑屏障预测

三种创新算法在药物化学中的应用：GP-MOBO 引入 Tanimoto 核，实现高效多目标分子优化；LABind 利用交叉注意力机制，开展配体感知的蛋白质结合口袋预测；B3clf 通过智能重采样技术，提升血脑屏障预测准确性。助力化学家快速筛选高质量候选分子，加速药物研发进程。

Monday, the 25th of August, 2025
Jixing Liu, Ph.D.
GHCDTI 通过融合图小波变换和对比学习，不仅提升了药物 - 靶点相互作用预测的准确性，还首次在模型中考虑了蛋白质的动态柔性。

AIDD 三篇论文解读肝损伤、靶点预测与 ADME

AI 药物发现
图神经网络
计算化学
ADME 预测

DILIGeNN 通过引入精细的 3D 化学特征，显著提升了图神经网络在药物性肝损伤（DILI）预测上的性能。GHCDTI 则利用图小波变换和对比学习，首次在药物 - 靶点相互作用预测中考虑了蛋白质的动态柔性。最后，默沙东的研究证明，结合公共与内部数据并采用多任务学习，可以有效改善 ADME 模型的泛化能力。

Monday, the 25th of August, 2025
Jixing Liu, Ph.D.
通过从头计算设计，研究者成功将难搞的膜蛋白 CCR8 改造为水溶性蛋白，同时保留了关键的抗体结合位点，为 GPCR 药物研发扫清了一大障碍。

AI 制药前沿：从可溶性 GPCR 设计、可解释 GNN 到精准分子生成

AI 药物发现
蛋白质工程
可解释 AI
分子生成

研究者通过从头计算设计，成功将热门靶点膜蛋白 CCR8 改造为水溶性蛋白，为 GPCR 药物研发扫清障碍。SEAL 模型则通过创新的分段式归因方法，解决了图神经网络（GNN）在分子性质预测中的“黑箱”问题，使其结果直观可信。最后，CMCM-DLM 框架利用即插即用的控制模块，实现了在不重新训练模型的条件下，对分子生成进行结构和属性的双重精准控制。

Monday, the 25th of August, 2025
Jixing Liu, Ph.D.
NetMD 将图论和时间规整巧妙结合，为我们提供了一种无需预设的、能够自动对齐并比较多条分子动力学轨迹的强大新工具。

自动化智能体、多族裔靶点发现与分子动力学新范式

AI 药物发现
AI 智能体
计算生物学
分子动力学

FROGENT AI 智能体尝试打通从靶点发现到分子设计的自动化全流程；BLISS 框架则巧妙利用公开的 pQTL 摘要数据，构建了强大的多族裔蛋白预测模型，以解锁新的药物靶点；而 NetMD 通过图嵌入和时间规整技术，为比较和分析复杂的分子动力学轨迹提供了全新的无监督解决方案。

Sunday, the 24th of August, 2025
Jixing Liu, Ph.D.
ESM-LoRA-Gly 方法的概念图，展示了如何在 ESM2 蛋白质语言模型上，通过添加和训练微小的 LoRA“补丁”矩阵，来高效地微调模型以完成糖基化位点预测任务，既提升了精度又降低了计算资源需求。

大模型短板、轻量化微调与从头设计抗生素

AI 药物发现
大语言模型
生成式 AI
蛋白质工程

一项针对九大主流 LLM 的评测揭示，它们在理解复杂的生化反应网络方面仍存在严重短板。ESM-LoRA-Gly 则利用 LoRA 技术对蛋白质大模型进行高效微调，在大幅提升糖基化位点预测精度的同时降低了计算成本。最后，一项研究成功利用生成式 AI 设计出全新的、在动物模型上有效的抗生素，证明了 AI 在解决棘手耐药性问题上的巨大潜力。

Saturday, the 23rd of August, 2025
Jixing Liu, Ph.D.
CASP16 的模型质量评估（MQA）竞赛表明，在 AI 预测出海量高质量结构后，真正的挑战已经从「预测」转向「精选」——如何从万千相似模型中挑出那个最接近真实世界的构象。

从结构筛选、虚拟对接到小数据分子生成

AI 药物发现
蛋白质结构预测
虚拟筛选
分子生成

CASP16 的评估竞赛揭示，AlphaFold 时代后的新挑战已从结构预测转向如何从海量高质量模型中“精选”出最佳构象。HelixVS 则通过将深度学习重打分与传统分子对接相结合，显著提升了虚拟筛选的效率和准确性。最后，IBEX 框架巧妙融合信息论与物理优化，解决了在极度稀缺数据下进行高质量分子生成的难题。

Saturday, the 23rd of August, 2025
Jixing Liu, Ph.D.
Chem3DLLM 模型的概念图，展示了如何通过可逆压缩编码技术，将一个复杂的三维分子结构精准地翻译成大语言模型（LLM）能够理解和处理的文本序列，从而实现端到端的基于结构的药物设计。

交互式基因组学、3D 分子大模型与高效虚拟筛选

AI 药物发现
大语言模型
虚拟筛选
计算化学

ChemGenXplore 将复杂的化学基因组学分析流程打包成一个对实验科学家友好的交互式平台。Chem3DLLM 则通过创新的可逆压缩编码，首次让大语言模型（LLM）能够直接理解和生成 3D 分子结构。最后，AuroBind 通过对齐结构与生物活性数据，在虚拟筛选中实现了惊人的高命中率，成功发现了针对孤儿靶点的皮摩尔级活性分子。

Wednesday, the 20th of August, 2025
Jixing Liu, Ph.D.
一张概念图，展示了一个由大型语言模型（LLM）控制的自动化化学实验室。图中，一个中心大脑（代表 AI）正在分析数据，并通过机械臂在通风橱中精确执行化学反应，象征着 AI 从理论预测走向自主合成的闭环系统。

自主合成、开源结构预测与 690 亿分子筛选

AI 药物发现
自主合成
蛋白质结构预测
虚拟筛选

大型语言模型（LLM）正从理论预测进化为能够指挥机器人进行自主化学合成的“现场总指挥”。David Baker 团队的开源 AtomWorks 框架和 RF3 模型，在紧追 AlphaFold3 的同时，为整个领域提供了加速创新的模块化工具。最后，AdaptiveFlow 开源平台通过高效筛选 690 亿分子库，成功发现了针对困难靶点 FSP1 的纳摩尔级抑制剂并解析了首个共晶结构。

Wednesday, the 20th of August, 2025
Jixing Liu, Ph.D.
一张概念图，展示了一个蛋白质的结合口袋被一张三维的“靶点偏好图”所覆盖。图中，不同颜色的区域清晰地标示出该位置对不同化学基团（如氢键受体、疏水基团、带电基团）的偏好程度，为药物化学家提供了直观的设计指导。

自动化虚拟细胞、靶点偏好图与溶剂效应建模

AI 药物发现
计算生物学
药物设计
分子对接

CellForge 框架通过多智能体协作，实现了从生物学问题到高效计算模型的自动化“流水线”，解放了科学家的建模工作。一种新模型能为蛋白质口袋绘制“靶点偏好图”，直观指导化学家进行分子设计。最后，一个新框架通过引入“溶剂感知”的数据增强，迫使 AI 正视溶剂效应，显著提升了分子对接和虚拟筛选的准确性。

Sunday, the 17th of August, 2025
Jixing Liu, Ph.D.
ActivityDiff 模型的概念图，展示了一个扩散模型在分子生成过程中，同时受到“正向引导”（增强对目标靶点的活性）和“负向引导”（降低对脱靶靶点的活性）的共同作用，从而设计出更精准、更安全的药物分子。

精准分子调控、癫痫药物预测与深度学习的现实挑战

AI 药物发现
分子生成
精准医疗
化学信息学

ActivityDiff 模型通过正负向引导，实现了对药物分子活性的精准调控，如同调酒师般平衡药效与毒性。一项研究利用视觉 - 语言模型和专家知识树，通过分析 MRI 影像来预测抗癫痫药物的疗效，甚至对模型未见过的药物也有效。最后，一项大规模基准测试揭示，在分子表征任务上，传统化学指纹法（ECFP）的表现仍优于绝大多数新兴的深度学习模型。

Thursday, the 14th of August, 2025
Jixing Liu, Ph.D.
一个迁移学习框架的概念图，展示了一个 AI 模型首先在包含海量通用化学知识的数据集上进行“通识教育”预训练，然后再用少量专业的抗菌数据进行“专业课集训”微调，最终高效地发现新的抗生素。

解释活性悬崖、迁移学习发现抗生素与攻克数据不平衡

AI 药物发现
可解释 AI
迁移学习
化学信息学

ACES-GNN 模型通过学习人类化学家的解释，首次让 AI 能够理解和阐释棘手的“活性悬崖”现象。一种迁移学习框架通过“先通识，后专业”的训练模式，在超十亿分子库中成功筛选出亚微摩尔级的抗菌新药。最后，一种新方法利用 GFlowNets 生成罕见的药物相互作用样本，有效解决了 DDI 预测中的数据不平衡问题。

Thursday, the 14th of August, 2025
Jixing Liu, Ph.D.
一个多智能体 AI 药物设计平台的概念图，展示了多个不同角色的 AI 智能体（如首席研究员、药物化学家、AI 专家）像一个委员会一样协同工作，共同进行分子优化，并记录下所有决策过程以实现可审计性。

解码 GPCR 突变、可解释预测与 AI 团队协作的挑战

AI 药物发现
GPCR
可解释 AI
多智能体系统

BOLD-GPCRs 模型不仅能预测 GPCR 配体活性，还能评估蛋白突变的影响，为精准医疗提供新工具。AttriLens-Mol 利用强化学习，迫使 AI 在预测分子性质前先“讲理由”，解决了黑箱问题。最后，一个多智能体 AI 平台揭示了“专家团队”在优化单一目标时可能牺牲整体成药性的深刻挑战。

Tuesday, the 12th of August, 2025
Jixing Liu, Ph.D.
一种结合量子化学与机器学习新方法的概念图，展示了一个大型蛋白质 - 配体复合物被分解成多个小片段进行计算，然后通过机器学习模型修正关键物理作用力，最终在极短时间内得到高度准确的结合力排序结果。

加速分子模拟、破解溶解度与精准结合力排序

计算化学
分子动力学
机器学习
药物筛选

af2rave 利用 AlphaFold2 的不确定性为分子动力学模拟生成多样化起点，高效捕捉蛋白质动态构象。一种新方法将溶解度拆解为基本物理过程并用机器学习逐个击破，实现了更精准的预测。最后，一种结合量子化学与机器学习的新技术，能在 5 分钟内完成高精度的结合力排序，为药物筛选带来革命性提速。

Monday, the 11th of August, 2025
Jixing Liu, Ph.D.
通用大模型在专业领域就是个花架子，想让 AI 在药学上真正派上用场，还得靠 RAG 架构和高质量的专业数据库来“填喂”。

从序列拼图、拓扑关系到 RAG 赋能药学

AI 药物发现
计算化学
大语言模型
化学信息学

一种巧妙的“蛋白序列拼图”预训练方法，显著提升了 AI 在全新靶点和全新药物上的“零样本”预测能力。GLDPI 模型则通过强制 AI 尊重分子的化学“社交网络”，在海量“无效”数据中精准地找到了罕见的“有效”信号。最后，研究证明，通用大模型在药学领域只是“花架子”，必须通过 RAG 架构和高质量专业数据库“填喂”，才能成为可靠的工具。

Sunday, the 10th of August, 2025
Jixing Liu, Ph.D.
这款名为 Tripleknock 的 AI 模型，通过暴力破解三基因组合的致死效应，绕开了传统代谢模型的速度瓶颈，为我们寻找多靶点抗生素开辟了一条全新的快车道。

从 3D 分子雕塑到虚拟人模拟器

AI 药物发现
扩散模型
计算生物学
大语言模型

扩散模型正将 AI 分子生成从 2D 绘图带入 3D 雕塑时代。最新评测显示，LLM 编写生物信息学代码的能力已媲美人类顶尖水平。Tripleknock 模型则通过暴力破解三基因组合，为多靶点抗生素研发开辟新路。此外，研究者提出了构建“可编程虚拟人”的宏大蓝图，而 PairReg 则有效缓解了 EGNN 模型的过平滑问题。

Friday, the 8th of August, 2025
Jixing Liu, Ph.D.
DeepADR 用上了新潮的 KAN 网络，把药物结构、靶点和副作用的语义信息捏合在一起，想在药物研发的早期就揪出那些潜在的“雷”。

AIDD 前沿：从 KAN 网络预测副作用到自动化基因分析

AI 药物发现
计算化学
可解释 AI
多组学

DeepADR 模型利用新兴的 KAN 网络，融合多模态信息来预警药物不良反应（ADR）。一项研究揭示，在多组学分析中，深度学习解释工具 SHAP 的结果可能高度不稳定，提醒研究者谨慎使用。最后，GenoMAS 框架通过组建一个异构的 AI 智能体团队，成功实现了对复杂基因表达数据分析的自动化，展示了 AI 作为“合作者”的巨大潜力。

Wednesday, the 6th of August, 2025
Jixing Liu, Ph.D.
CellAtria 的 AI 框架试图将繁琐的单细胞数据处理流程，变成一场与聊天机器人的简单对话。

AIDD 三大新工具：精准代谢预测、多尺度生物网络与单细胞分析智能体

AI 药物发现
计算化学
生物信息学
单细胞分析

BioTransformer 4.0 通过智能过滤和模块化设计，将药物代谢物预测的信噪比提升至新高度，成为指导药物设计的实用地图。BIND 框架则利用知识图谱和两阶段训练，试图解决从分子到表型的多尺度生物网络预测难题。最后，名为 CellAtria 的 AI 智能体框架，旨在将繁琐的单细胞数据处理流程转变为与聊天机器人的简单对话，实现科研民主化。

Tuesday, the 5th of August, 2025
Jixing Liu, Ph.D.
用 nanoGPT 作为 AI 智能体优化代码的基准，这个想法很棒，但结果也给“AI 自我进化”的狂热泼了盆冷水：AI 目前还差得远。

AI 科研前沿：从代码优化、文献综述到分子动力学数据压缩

AI in Science
Large Language Models
计算化学
科研工具

一项基于 nanoGPT 的基准测试揭示，AI 智能体在代码优化上仍远未达到人类水平，给“AI 自我进化”的狂热泼了冷水。一个双 LLM 系统通过结合文献的“影响力”与“相关性”，极大地提升了科研文献综述的效率和质量。最后，MDZip 框架利用神经网络实现了超过 95% 的分子动力学数据压缩，为大规模数据归档与共享提供了革命性解决方案。

Wednesday, the 7th of August, 2024
Jixing Liu, Ph.D.
FARM 模型的概念图，展示了如何通过改造 SMILES 字符串（例如将'O'细分为'O_ketone', 'O_hydroxyl'等），并利用对比学习将其与分子图结构对齐，从而让 AI 模型真正理解官能团，像化学家一样思考。

教 AI 说化学、看全局、下真棋

AI 药物发现
可解释 AI
分子生成
强化学习

FARM 模型通过改造 SMILES 语言，首次强迫 AI 学习化学家的基础语言——官能团。ImageDDI 通过引入分子的全局“肖像照”，显著提升了药物相互作用（DDI）预测的准确性。最后，FragDockRL 框架将分子设计转变为一场强化学习“棋局”，确保 AI 生成的每个分子都具备现实的合成可行性。

Sunday, the 19th of May, 2024
Jixing Liu, Ph.D.
CROP 架构的概念图，展示了一个大型语言模型（LLM）如何通过一个高效的“前缀”机制，在处理一维的 SMILES 文本序列的同时，接收并整合分子的二维拓扑图和三维空间构象信息，从而获得对化学世界更立体、更深刻的理解。

从 3D 生成、数据配比到 AlphaFold 3 现实检验

AI 药物发现
计算化学
大语言模型
蛋白质结构预测

研究揭示，无条件 3D 分子生成虽有进步但仍缺乏物理现实感；在处理数据不平衡问题时，1:10 的活性与非活性化合物比例是提升模型性能的关键。同时，AI 正从单一黑箱进化为成熟的工具箱，CROP 架构赋予 LLM 看见分子 2D/3D 结构的能力，而对 AlphaFold 3 的现实检验则强调了提供准确生物学背景的重要性。

Saturday, the 18th of May, 2024
Jixing Liu, Ph.D.
FGBench 基准测试的概念图，展示了一个大语言模型（LLM）面对一张关于官能团化学推理的复杂考卷，显得困惑和挣扎，象征着当前 AI 在理解底层化学原理方面存在的巨大挑战。

基因组嵌入、官能团推理与一体化药物发现平台

AI 药物发现
基因组学
化学信息学
可解释 AI

一篇论文通过“降维打击”证明，在基因组预测任务中，直接提取大模型嵌入特征远比昂贵的微调更高效。新的 FGBench 基准则揭示，当前顶尖 AI 在理解化学家基本语言——官能团——方面集体“挂科”。最后，“百神来”（BSL）AI 一体化平台通过真实的湿实验验证，成功发现了针对困难靶点的全新活性分子，完成了从算法到实验的关键闭环。

Friday, the 17th of May, 2024
Jixing Liu, Ph.D.
通过「借用」大数据训练的模型，研究者们为数据稀缺的特定细菌菌株高效筛选出了潜在的新型抗生素，这为解决老大难的耐药性问题提供了新思路。

AI 药物研发前沿：揭示蛋白质动态、对抗超级细菌与破解活性悬崖

AI 药物研发
AlphaFold2
迁移学习
双曲空间
蛋白质构象

探索 AI 在药物研发领域的最新进展。CF-random 方法通过反向操作 AlphaFold2 揭示蛋白质隐藏的多重构象；迁移学习在数据稀缺情况下高效筛选新型抗生素；HypSeek 模型利用双曲空间几何特性，精准预测并解决了药物发现中的“活性悬崖”难题。

Friday, the 3rd of May, 2024
Jixing Liu, Ph.D.
No matching items
Back to top