研究方向
计算与 AI 驱动的药物发现：靶点、分子生成、虚拟筛选与临床前研究。
103 条精选近 30 天 100 条共收录 339 条
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。
David Li 认为，未来 18–24 个月 AI 药物发现的最大瓶颈是实验验证与核实，而 36 个月后最大瓶颈将变成临床试验资源稀缺。
推荐理由：作者用 IND 审评与启动天数的对比，拆解美国临床试验基础设施的瓶颈，并给出未来 18–36 个月瓶颈迁移的判断。
Radical Numerics 宣布完成 5000 万美元种子轮融资，走出隐身状态，并预览基因组语言模型 Omnii。创始团队曾训练 Evo 和 Evo 2（40B 参数、完全开源），称 Omnii 已明显超过 Evo 2，在致病因果变异检测上达到 SOTA，可零样本排序阿尔茨海默病突变，并正与一家诊断公司合作用于胰腺癌和多癌种早筛、与美国国家实验室试点检测 AI 生成的病原体。本轮由 Emergence Capital 领投，Obvious Ventures、Triatomic 和 Patrick Collison 参与。
推荐理由：Evo 与 Evo 2 原班团队新公司获 5000 万美元种子轮，并预览基因组语言模型 Omnii，可对照其与 Evo 2 的定位差异。