分子
AI赋能传统力场：字节跳动开发高精度通用小分子力场ByteFF
编辑 | ScienceAI小分子力场是药物发现中的重要工具，在计算机辅助药物设计中发挥关键作用。 化学空间覆盖广泛且高效精确的小分子力场将为药物发现奠定可靠的基础。 尽管基于机器学习的 MLFF（如 ANI-2x，MACE-OFF23 等）能够提供非常精确的小分子势能面预测，但它们的训练需要海量数据量，且推理速度较慢，还存在外推场景不确定度大等问题。
分子特性预测新框架来了！浙大侯廷军团队、匹兹堡大学联合提出跨通道学习，各大基准表现亮眼
编辑 | 萝卜皮可靠的分子特性预测对于各种科学研究和工业应用（例如药物研发）至关重要。 然而，由于数据稀缺，加上物理化学和生物特性与传统分子特征化方案之间的高度非线性因果关系，使得开发稳健的分子机器学习模型变得异常复杂。 匹兹堡大学（University of Pittsburgh）与浙江大学侯廷军团队合作开发了一种多通道预训练框架，可以稳健学习利用化学知识。
远程 “闻” 香，数字嗅觉公司 Osmo 用 AI 技术实现气味“传送”
一家名为 Osmo 的“数字嗅觉”公司宣布，已成功利用 AI 技术分析一个位置的气味，并在无需人工干预的情况下在其他地方复制它。 气味隐形传态使用传感器收集气味，并通过气相色谱质谱仪 (GC / MS) 进行分析。 然后，数据被传输到专门的分子打印机，它可以合成和组合精确再现气味所需的化学物质。
原子、分子、复合物级性质预测均最佳，清华分子预训练框架登Nature子刊
编辑 | KXAI 已广泛用于药物发现和材料设计中的分子筛选。当前的自监督分子预训练方法往往忽略了分子的基本化学特性和物理原理。为了解决这个问题，来自清华大学的研究人员提出了一种称为分数去噪（Fractional denoising，Frad）的分子预训练框架，以学习有效的分子表示。通过这种方式，噪声变得可自定义，允许纳入化学先验，从而大大改善分子分布建模。实验表明，Frad 始终优于现有方法，在力预测、量子化学特性和结合亲和力任务中，取得最先进的结果。改进的噪声设计提高了力准确性和采样覆盖范围，这有助于创建物理一
打开AI黑匣子，「三段式」AI用于化学研究，优化分子同时产生新化学知识，登Nature
编辑 | KXAI 工具的强大功能，令人难以置信。但如果你试图打开引擎盖并了解它们在做什么，你通常会一无所获。AI 常常被视为「黑匣子」。对于化学来说，AI 可以帮助我们优化分子，但它无法告诉我们为什么这是最佳的——重要的特性、结构和功能是什么？近日，伊利诺伊大学厄巴纳-香槟分校（UIUC）的一个跨学科研究团队打开了黑匣子，研究人员通过将 AI 与自动化学合成和实验验证相结合，找到了 AI 所依赖的化学原理，从而改进用于收集太阳能的分子。研究找到了比现有稳定四倍的捕光分子，同时给出了使其保持稳定的重要见解 ——这是
Nature子刊，优于AlphaFold，全原子采样，一种预测肽结构的AI方法
编辑 | 萝卜皮深度学习方法推动了生物分子结构单态预测的重大进展。然而，生物分子的功能取决于它们可以呈现的构象范围。对于肽来说尤其如此，肽是一类高度灵活的分子，参与多种生物过程，作为治疗手段备受关注。多伦多大学的 Philip M. Kim 和 Osama Abdin 开发了 PepFlow，这是一种可转移生成模型，它能够从输入肽的允许构象空间中直接进行全原子采样。研究人员在扩散框架中训练模型，然后使用等效流进行构象采样。为了克服广义全原子建模的成本过高，他们模块化了生成过程并集成了超网络来预测序列特定的网络参数。
分子100%有效，从头设计配体，湖南大学提出基于片段的分子表征框架
编辑 | KX分子描述符广泛应用于分子建模，但在 AI 辅助分子发现领域，缺乏自然适用、完整且「原始」的分子表征是一个挑战，影响 AI 模型的性能和可解释性。在使用先进的自然语言处理（NLP）方法解决化学问题时，会出现两个基本问题：（1）什么是「化学词」？（2）如何将它们编码为「化学句子」？近日，湖南大学研究团队提出了一种灵活的、基于片段的多尺度分子表征框架 t-SMILES 的框架来解决第二个问题。该框架使用 SMILES 类型的字符串描述分子，并且可以将基于序列的模型作为主要生成模型。t-SMILES 具有三种
击败25个分子设计算法，佐治亚理工、多伦多大学、康奈尔提出大语言模型MOLLEO
作者 | 佐治亚理工学院王浩瑞编辑 | ScienceAI分子发现作为优化问题，因其优化目标可能不可微分而带来显著的计算挑战。进化算法（EAs）常用于优化分子发现中的黑箱目标，通过随机突变和交叉来遍历化学空间，但这会导致大量昂贵的目标评估。在这项工作中，佐治亚理工学院、多伦多大学和康奈尔大学研究者合作提出了分子语言增强进化优化（MOLLEO），通过将拥有化学知识的预训练大语言模型（LLMs）整合到进化算法中，显著改善了进化算法的分子优化能力。该研究以《Efficient Evolutionary Search Ov
AI小分子药物发现的「百科全书」，康奈尔、剑桥、EPFL等研究者综述登Nature子刊
作者 | 康奈尔大学杜沅岂编辑 | ScienceAI随着 AI for Science 受到越来越多的关注，人们更加关心 AI 如何解决一系列科学问题并且可以被成功借鉴到其他相近的领域。AI 与小分子药物发现是其中一个非常有代表性和很早被探索的领域。分子发现是一个非常困难的组合优化问题（由于分子结构的离散性）并且搜索空间非常庞大与崎岖，同时验证搜索到的分子属性又十分困难，通常需要昂贵的实验，至少是至少是模拟计算、量子化学的方法来提供反馈。随着机器学习的高速发展和得益于早期的探索（包括构建了简单可用的优化目标与效果
自动识别最佳分子，降低合成成本，MIT开发分子设计决策算法框架
编辑 | 紫罗AI 在简化药物发现方面的应用正在爆炸式增长。从数十亿种候选分子中筛选出可能具有开发新药所需特性的分子。需要考虑的变量太多了，从材料价格到出错的风险，即使科学家使用 AI，权衡合成最佳候选分子的成本也不是一件容易的事。在此，MIT 研究人员开发了一个定量决策算法框架 SPARROW，来自动识别最佳分子候选物，从而最大限度地降低合成成本，同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。SPARROW 考虑了一次合成一批分子的成本，因为多个候选分子通常可以从一
为百亿参数LLM化学应用提供新范式，香港理工大学提出上下文分子微调
作者 | 香港理工大学李佳潼编辑 | ScienceAI去年，香港理工大学研究团队开发了一个基于检索的提示范式MolReGPT，利用大型语言模型探索分子发现，在分子和分子文本描述之间进行翻译。近日，香港理工大学、上海交通大学和上海人工智能实验室联合发表了题为《Large Language Models are In-Context Molecule Learners》的文章，也是MolReGPT[1]的续作。论文链接：：，大语言模型在生物化学领域展现出了优异的性能，尤其是分子-描述翻译任务[1]，这减小了自然语言描
效率高、成本低，从单一结构到平衡分布，微软AI分子预测框架登Nature子刊
编辑 | 紫罗近年来，深度学习技术在分子微观结构预测中取得了巨大的进展。然而，分子的宏观属性和功能往往取决于分子结构在平衡态下的分布，仅了解分子的微观结构还远远不够。获得这些分布的传统方法，如分子动力学模拟，但这些方法昂贵又耗时。在此，来自微软研究院科学智能中心（Microsoft Research AI4Science）的研究人员，提出了一种可用于预测分子结构平衡分布的深度学习框架，称为分布式图分析器（Distributional Graphormer，DiG）。DiG 框架能够有效生成不同的构象，并提供状态密度
辉瑞 AI 方法登 Science，揭示数以万计的配体-蛋白质相互作用
编辑 | X尽管蛋白质结构预测取得了重大进展。但对于 80% 以上的蛋白质，迄今为止尚未发现小分子配体。识别大多数蛋白质的小分子配体仍具有挑战性。现在，奥地利科学院分子医学研究中心 CeMM 的研究人员与辉瑞公司合作，开发了一种方法来预测数百种小分子与数千种人类蛋白质的结合活性。这项大规模研究揭示了数以万计的配体-蛋白质相互作用，通过探索这些相互作用，从而可以开发化学工具和治疗方法。此外，在机器学习和人工智能的支持下，它可以「公正」地预测小分子如何与活体人类细胞中存在的所有蛋白质相互作用。相关研究以《Large-s
药物分子设计新策略，微软条件扩散模型DiffLinker登Nature子刊
编辑 | 紫罗药理学领域的化学空间高达 10^60，在广阔的化学空间中进行搜索，给药物设计带来了巨大的挑战。基于片段的药物发现一直是早期药物开发的有效范例。然而，该领域面临的一个挑战是，如何设计断开的感兴趣分子片段之间的连接子（linker），生成化学上合理的候选药物分子。在此，来自微软研究院科学智能中心（AI4Science）、洛桑联邦理工学院、牛津大学和 MIT 的研究团队，提出了一种用于分子 linker 设计的 E(3) 等变三维条件扩散模型 DiffLinker。与以前只能连接分子片段对的方法不同，新方法
化学能力超GPT-4，首个化学领域百亿级大模型，思必驰、上交大、苏州实验室联合发布
编辑 | ScienceAI2024年3月12日，思必驰-上海交大智能人机交互联合实验室、苏州实验室共同发布了首个针对化学科学的百亿级专业化大模型ChemDFM。模型参数现已完全开源以帮助和促进大模型辅助化学科研领域的相关研究（）。此外，ChemDFM的研究论文也已作为相关领域的第一篇研究论文于arXiv预印本网站上公开发表。论文链接：，引入了海量的化学基础与前沿知识，充分学习并掌握化学科学的专有语言与表达方式，最终以130亿的参数量在大多数化学相关的能力上超越了公认最强大的模型GPT-4。此外，在进一步的评测中C
从300亿分子中筛出6款，结构新且易合成，斯坦福抗生素设计AI模型登Nature子刊
编辑 | 凯霞全球每年有近 500 万人死于抗生素耐药性，因此迫切需要新的方法来对抗耐药菌株。AI 方法可以发现新的抗生素，但现有方法有明显的局限性。性质预测模型很难扩展到大型化学空间。直接设计分子的生成模型可以快速探索广阔的化学空间，但生成的分子难以合成。在此，斯坦福大学和麦克马斯特大学（McMaster University）的研究人员发明了一种新的生成式 AI 模型 SyntheMol，可以设计数十亿种新的抗生素分子，这些分子价格低廉且易于在实验室中合成。SyntheMol 可以从近 300 亿个分子的化学空
优于SOTA，腾讯AI Lab开发双重扩散模型，实现靶标配体3D分子生成和先导化合物优化
编辑 | 萝卜皮基于结构的生成化学，通过探索广阔的化学空间来设计对靶标具有高结合亲和力的配体，在计算机辅助药物发现中至关重要。然而，传统的计算机方法受到计算效率低下的限制，机器学习方法则因自回归采样而面临瓶颈。为了解决这些问题，腾讯 AI lab、香港城市大学、锐格医药（Regor Therapeutics Group）的研究人员开发了一种条件深度生成模型 PMDM，用于生成适合特定靶标的 3D 分子。PMDM 由具有局部和全局分子动力学的条件等变扩散模型组成，使 PMDM 能够考虑条件蛋白质信息从而有效地生成分子
准确率 >98%，基于电子密度的 GPT 用于化学研究，登 Nature 子刊
编辑 | 紫罗可合成的分子化学空间是巨大的。要想有效地驾驭这一领域，需要基于计算的筛选技术，如深度学习技术，以快速跟踪感兴趣的化合物发现。然而，使用算法进行化学发现需要将分子结构转换为计算机可用的数字表示形式，并开发基于这些表示形式的算法来生成新的分子结构。近日，来自英国格拉斯哥大学（University of Glasgow）的研究人员，提出了一种基于电子密度训练的机器学习模型，用于生产主客体 binders。这些以简化分子线性输入规范 (SMILES) 格式读出，准确率 98%，从而能够在二维上对分子进行完整的