MBFGNK：可解释多肽毒性预测的多模态几何学习框架
研究提出 MBFGNK，一个用于多肽毒性预测的可解释多模态几何学习框架，融合预训练蛋白语言模型的序列表征、基于等变图神经网络（EGNN）的 3D 结构特征，以及刻画全局、局部与残基协同作用的理化超图表征。
#药物发现
Journal of Chemical Information and ModelingAI 评分5252 Phys.orgAI 评分5858 韩国研究团队用 AI 设计 DHPS 抑制剂，3 个预测活性片段均获实验验证
韩国大学研究团队开发了一套 AI 引导的药物发现流程，以人源酶 DHPS 为靶点，系统评测了 13 个分子结合打分模型和 10 种分子生成方法，其中 OOF-Stacking 在预测模型中综合表现最好，RL-Design 的预测命中率最高，达 92.02%。
Journal of Chemical Information and ModelingAI 评分4040 SF-GA：将预测的 P-glycoprotein 底物重设计为可合成非底物的协同引导片段遗传算法
研究提出协同引导片段遗传算法 SF-GA，将片段协同分析嵌入遗传算法突变阶段，使片段替换偏向与非底物分类相关的共现子结构，从而把 P-gp 底物改造为预测的非底物。在固定函数评估预算下，SF-GA 优化性能与遗传算法和强化学习基线相当，且所生成分子的逆合成可及性在所有测试方法中最高。对两个人类 P-gp 结构的对接显示，预测非底物概率更高的分子预测结合更弱。
Briefings in BioinformaticsAI 评分5858 Bi-MHA 双向交叉注意力模型预测细菌特异性药物代谢
研究提出双向交叉注意力架构 Bi-MHA，整合预训练模型给出的原子级分子嵌入与蛋白级细菌嵌入，生成联合表示用于分类，以预测细菌特异性的药物代谢。模型在训练集上采用可靠性分层和 λ 缩放损失函数，在三个未见任务上表现一致：未见药物 ROC AUC 0.690、未见细菌 0.920、未见互作 0.949，在 rank-sum 指标上排名第一。注意力分析既指出此前研究实验验证过的酶促反应位点，也给出候选细菌蛋白，在原子和蛋白两个层面具备可解释性。
Cathy TieAI 评分4242 Cathy Tie 等人构建开源天然遗传等位基因全球图谱
Cathy Tie 表示与几位朋友共同构建了一个开源的自然发生遗传等位基因全球图谱，并征求将其用于预测药物反应、生物防御模拟或精准临床试验的方向建议。
PLOS Computational BiologyAI 评分6262 CLIMB 与 CLIFF 框架通过单细胞到 bulk 转录组映射计算解卷积药物敏感性
作者提出 CLIMB 和 CLIFF 两步机器学习框架，将 bulk RNA-seq 解卷积为细胞类型组成与表达，再把 bulk 药物敏感性测量解析为细胞亚型和单细胞特异的图谱。
Journal of Chemical Information and ModelingAI 评分5858 COMPRESS 框架用网格优化构建物理可解释的压缩化学空间
研究提出 COMPRESS（Compression Of Molecular Physical fields into Reduced Spatial Sites）框架，用固定数量的物理参数化空间位点表示小分子，每个位点由三个空间坐标和三个相互作用参数定义。
Journal of Chemical Information and ModelingAI 评分4242 CMA-DTI：面向冷启动药物–靶点相互作用预测的跨模态语义对齐框架
CMA-DTI 通过双向跨模态对齐模块建模药物官能团与蛋白结合区域的相互作用，提升冷启动药物–靶点相互作用预测的泛化能力。该框架先用预训练序列模型提取药物与蛋白表征，再以双通道编码器捕捉局部功能模式与全局上下文依赖。在四个基准数据集上，CMA-DTI 在热启动场景保持有竞争力表现，并在靶点冷启动与盲启动场景改善泛化，消融实验与结构可视化支持各模块贡献并提供残基级可解释性。
BMC BioinformaticsAI 评分3838 DHF-DTI：面向药物–靶点相互作用预测的双模态混合融合框架
DHF-DTI 是一个整合药物与蛋白序列信息和图结构的双模态神经网络模型，用于药物–靶点相互作用（DTI）预测。其 CABFusion 模块通过交叉注意力与双线性融合实现模态间细粒度特征融合，并引入监督对比学习优化特征空间分布。在域内、跨域和冷启动场景实验中，该模型在预测性能与泛化能力上显著优于现有方法。
Pranam ChatterjeeAI 评分6262 LFD 框架用 LLM 将自然语言目标蒸馏进分子生成模型
Pranam Chatterjee 介绍 LLM-to-Flow Distillation（LFD）框架，用 LLM 从“设计具有抗癌活性的多肽”这类自然语言目标出发构建自适应课程，再通过 DPO 和 LLM 的候选排序微调多肽与小分子 flow 模型。
euan ashleyAI 评分4747 实验室发布虚拟世界测试AI药物靶点推理
Euan Ashley 实验室展示新 AI 工作，构建虚拟世界用于测试智能体推理识别药物靶点的能力，并附 arXiv 链接。
Nature Computational ScienceAI 评分6262 主动学习结合几何深度学习提升数据稀缺药物发现中的化学反应预测
研究提出一套闭环工作流，将高效反应数据获取与高精度深度学习结合，用于数据稀缺条件下的化学反应结果与区域选择性预测。作者用基于树集成的主动学习策略挑选信息量最大的实验，由此获得一个多样化的 C–H 硼化基准数据集，并在此基础上训练和评测几何图神经网络。结果显示，为这类对称性感知模型加入自监督辅助任务后，反应结果预测和区域选择性预测的表现均稳定提升。在含 N-杂芳基等难处理基团的未见底物上前瞻测试中，该流程全部定位到正确的硼化位点，作者据此认为其可用于高效的药物优化。
BioinformaticsAI 评分5252 ProDTI：用先验引导的正样本-未标注学习提升药物-靶点相互作用预测
ProDTI 是一个先验引导的正样本-未标注（PU）学习框架，用于药物-靶点相互作用（DTI）预测，作者称其在五个基准上稳定优于现有基线。该框架把显式生化相似性与大规模预训练模型的隐式语义表示组合成混合先验，驱动软标签蒸馏以稳定优化轨迹，并用硬锚点正则惩罚可靠负样本、锐化决策边界。
Bluesky：Dr Javier Sánchez Utgés (@javierutges.bsky.social)AI 评分2222 预印本：用对比学习嵌入做基于结构的虚拟筛选——DrugCLIP 案例研究
一项新预印本考察对比学习嵌入在基于结构的虚拟筛选中的表现，以 DrugCLIP 为案例。该预印本已发布在 bioRxiv，DOI 为 10.64898/202。
Mohammed AlQuraishi精选AI 评分7878 OpenFold3p2 联合 Apheris 用五家药企内部数据训练蛋白-配体共折叠模型
Mohammed AlQuraishi 与 Apheris 合作，用五家药企内部的蛋白-配体复合物数据库训练 OpenFold3p2。作者称由于 PDB 中类药化合物相对稀少，这批数据使相关结构数据量增加 3-4 倍，并带来精度的大幅提升。引用内容提到，五家药企在数据不出内网的前提下共同训练了这一个共折叠模型，其表现明显优于最好的公开模型，Nature News 对此做了报道。
推荐理由：OpenFold3p2 在五家药企内部蛋白-配体结构数据上联合训练，为私有数据能否提升共折叠模型精度提供了一个可参照的案例。
Cell SystemsAI 评分6060 多类器官系统模拟生理吸收与代谢用于抗肿瘤药物评价
Xiao 等建立了一个整合肠道吸收、肝脏代谢和肿瘤反应的多类器官系统，用于评价抗肿瘤药物。该系统能捕捉仅用肿瘤培养时被忽略的药物活化与失活过程，为预测药物疗效和毒性提供了更接近生理条件的途径。
Barbara EngelhardtAI 评分4040 NeurIPS 2025：偏好引导扩散用于多目标科学发现
Barbara Engelhardt 在 NeurIPS 2025 展示其团队与 Yashas Annadani 等人合作的工作，提出 Preference-Guided Diffusion，利用离线数据集中的偏好对从扩散模型采样对应黑盒目标 Pareto 前沿的多样设计，并感谢 CIFAR 资助。