药物
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。
AI 驱动科学大爆发！从蛋白质到数学证明，2024 年最值得关注的科技突破
编辑 | ScienceAI2024 年对于 AI for Science 而言，可谓硕果累累：两个诺贝尔奖再度聚焦人工智能与科学的先驱性结合。 其一是诺贝尔化学奖，颁发给了在蛋白质设计与蛋白质结构预测领域做出开创性贡献的 David Baker 博士、John Jumper 博士以及Demis Hassabis 博士；其二是诺贝尔物理学奖，授予了 John J. Hopfield 博士与 Geoffrey Hinton 博士，以表彰他们在人工神经网络及其机学习核心原理方面的奠基性工作。
AI驱动的药物研发领域，AMD与Nvidia展开正面交锋
编辑 | 白菜叶AMD（Advanced Micro Devices Inc）正与更大的竞争对手 Nvidia 在人工智能支持的药物研发领域展开正面交锋，并有消息称该公司将与初创公司 Absci Corp. 建立新的合作伙伴关系并进行投资。 2025 年 1 月 8 日早盘，Absci 股价飙升逾 30%，此前该公司宣布已从新合作伙伴 AMD 获得 2000 万美元投资，以推进其产品线。
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。
ScienceAl 2024「AI+药物&医疗&基因组&细胞」专题年度回顾
编辑 | 白菜叶2024 年，药物、医疗、基因组学和细胞生物学领域迎来了前所未有的技术突破与创新。 从 AI 驱动的药物设计到基因编辑的精准控制，从单细胞分析到多模态医疗决策，这一年见证了科学与技术的深度融合，为人类健康带来了无限可能。 在药物研发领域，AI 驱动的分子设计与优化方法不断涌现，显著提升了新药发现的效率与精准度。
像拼乐高一样设计新药，EPFL、牛津团队AI方法精确设计优化分子3D结构
编辑 | 2049想象一下，如果开发一款新药就像积木搭建一样，可以自由组合不同的分子部件，并准确预测它们与目标蛋白质的结合效果。 这听起来可能很科幻，但最新发表的研究让这一愿景更近了一步。 瑞士联邦理工学院（EPFL）、剑桥大学、康奈尔大学、牛津大学的联合研究团队开发的AI系统 DiffSBDD ，就像是一位经验丰富的分子建筑师，能够精确设计和优化药物分子的 3D 结构。
分子表征从「图」到「视频」，1.2亿帧、200万分子，湖大分子视频基础模型登Nature子刊
编辑 | KX分子表征已经从「图」扩展到「视频」了。 两年前，湖南大学的研究团队，开发了具有化学意识的深度学习框架 ImageMol，用于从大规模分子图像中学习分子结构，可准确预测分子特性和药物靶点。 现在，该研究团队将 ImageMol 进行了重大升级，提出一个基于分子视频的基础模型，称为 VideoMol，该模型在 1.2 亿帧的 200 万个未标记的类药物分子和生物活性分子上进行了预训练。
为233种疾病推荐候选药物，中国科学院深度生成模型助力药物发现，登Nature子刊
编辑 | 萝卜皮了解转录对化学扰动的反应是药物发现的核心，但对疾病化合物组合进行详尽的实验筛选是不可行的。 为了克服这一限制，中国科学院、四川大学华西医院的研究人员提出了 PRnet，这是一种扰动条件下的深度生成模型，可预测转录对从未在体细胞和单细胞水平上进行实验扰动的新化学扰动的反应。 评估表明，PRnet 在预测新化合物、新途径和新细胞系的反应方面优于已有方法。
大语言模型如何助力药物开发? 哈佛团队最新综述
作者 | 莫纳什大学郑伊圳编辑 | ScienceAI大语言模型因其展现出类人般的推理、工具使用和问题解决能力而备受瞩目，此外，它在化学、生物学等专业领域也展现出深厚的理解能力，进一步提升了其应用价值。近日，哈佛大学、莫纳什大学和格里菲斯大学（Griffith University）组成的研究团队，发表最新综述《Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials》。论文
礼来公司投资 4.09 亿美元，进军人工智能领域
编辑 | KX近日，礼来公司与人工智能驱动药物发现的 Genetic Leap 达成一项人工智能药物研发协议，该协议价值高达 4.09 亿美元。总部位于纽约的 Genetic Leap 专注于在 AI 和 RNA 基因医学领域进行创新，旨在支持 RNA 靶向药物的发现。其 AI 平台可用于发现新靶点，并找到方法以对抗经过验证但无法用药的靶点。此前，安斯泰来（Astellas）制药公司与 Genetic Leap 合作，利用该平台在 2022 年寻找针对未公开的肿瘤靶点的 RNA 靶向小分子。现在，礼来公司已加入 G
SOTA性能，厦大多模态蛋白质-配体亲和力预测AI方法，首次结合分子表面信息
编辑 | KX在药物研发领域，准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而，目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此，来自厦门大学的研究人员提出了一种新颖的多模态特征提取（MFE）框架，该框架首次结合了蛋白质表面、3D 结构和序列的信息，并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明，该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外，消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「Surface-
登Science，药物亲和力增加37倍，AI对蛋白、抗体复合物进行无监督优化
编辑 | 萝卜皮蛋白质参与了细胞组成、肌肉收缩、消化食物、识别病毒等众多生物学功能。为了设计出更好的蛋白质（包括抗体），科学家经常在不同位置反复变异氨基酸（按一定顺序排列组成蛋白质的单位），直到使蛋白质获得所需要的功能。但氨基酸序列的数量比世界上的沙粒还要多，因此找到最佳蛋白质，进而找到最佳潜在药物，通常难度巨大。当面临这一挑战时，科学家通常会花费数百万美元，并在微型化、简化版的生物系统中进行测试。「这需要大量的猜测和验证。」斯坦福大学（Stanford University）化学工程助理教授兼 Arc 研究所创新
22个任务超越SOTA，43个任务媲美SOTA，Google推出医学治疗通用大模型
编辑 | 萝卜皮医生和科学家如果想开发一种新的疗法，这将是一个漫长且昂贵的任务，需要满足许多不同的标准，而能够加快这一过程的人工智能模型将是无价之宝。然而，目前大多数人工智能方法只能解决一组定义狭窄的任务，通常局限于特定领域。为了弥补这一差距，Google 团队提出了 Tx-LLM，这是一种通用大型语言模型（LLM），由 PaLM-2 微调而成，可编码有关各种治疗方式的知识。仅使用一组权重，Tx-LLM 可同时处理与自由文本交织的各种化学或生物实体（小分子、蛋白质、核酸、细胞系、疾病）信息，使其能够预测广泛的相关属
取代昂贵量子方法，南科大AI方法实现蛋白质-药物系统多尺度量子「精炼」
编辑 | 萝卜皮生物大分子结构对于药物开发和生物催化至关重要。量子「精炼」（Quantum refinement，QR）方法采用可靠的量子力学（QM）方法进行晶体细化，在提高结构质量甚至纠正生物大分子的结构方面显示出前景。然而，巨大的计算成本和复杂的量子力学/分子力学（QM/MM）设置限制了 QR 的应用。在这里，南方科技大学的研究团队将稳健的机器学习势（Machine Learning Potentials，MLP）融入多尺度 ONIOM（QM:MM）方案中，来描述核心部分（例如药物/抑制剂），取代昂贵的 QM
哥大和耶鲁团队开发新算法，阐明结肠癌耐药机制
编辑 | 萝卜皮信号通路活性异常是肿瘤发生和进展的标志，30 多年来一直指导着靶向抑制剂的设计。然而，由快速、特定环境的信号网络重新布线诱导的适应性抵抗机制继续挑战治疗效果。利用蛋白质组学技术和神经网络，哥伦比亚大学和耶鲁大学的研究团队引入了 VESPA（Virtual Enrichment-based Signaling Protein-activity Analysis），一种旨在阐明细胞响应和适应药物扰动机制的算法；并用它来分析用临床相关抑制剂和对照介质处理的结直肠癌细胞的 7-point 磷酸化蛋白质组时间
准确预测药物-靶点相互作用，江南大学提出深度学习融合GNN新方法MINDG
编辑 | 紫罗药物-靶点相互作用（DTI）预测在药物发现中发挥着重要作用。尽管药物靶点预测的智能计算方法受到了广泛关注，并取得了许多进展，但仍然是一项具有挑战性的任务，需要进一步的研究。为了解决上述挑战，江南大学研究团队提出了一种集成深度学习和图学习的多视图集成学习网络（MINDG）。MINDG 结合图学习和深度学习来提取药物和蛋白质的内在结构信息，以及它们之间的外在关系信息。因此，与之前的方法相比，MINDG 提高了模型预测的性能。相关研究以《MINDG: a drug–target interaction pr
体外命中率提高75%，Model Medicines&加州大学开发AI驱动的药物发现框架
编辑 | 萝卜皮在不断发展的药物发现领域，传统方法由于效率低和资源需求高而面临重大挑战。AI 药物公司 Model Medicines 和加州大学圣地亚哥分校的研究人员开发了 GALILEO AI 药物发现平台及其核心模型 ChemPrint，旨在提高药物发现的效率。为了解决命中率低和探索新化学空间困难的挑战，该平台采用自适应分子嵌入和严格的模型训练环境来增强预测能力并导航未知的分子领域。在针对 AXL 和 BRD4 肿瘤学靶标的案例中，ChemPrint 实现了 45.5% 的体外命中率，并鉴定了 20 种新型作
促进癌症治疗，之江实验室团队开发端到端深度学习模型 DeepAEG
编辑 | 白菜叶由于药物疗效的不确定性和患者的异质性，癌症药物反应的预测是现代个性化癌症治疗中的一个具有挑战性的课题。而且，药物本身的特性和患者的基因组特征可以极大地影响癌症药物反应的结果。因此，准确、高效、全面的药物特征提取和基因组学整合方法对于提高预测精度至关重要。之江实验室的研究团队提出了一种名为 DeepAEG 的端到端深度学习模型，它基于完整图更新模式来预测 IC50 值。并且，研究人员提出了一种新方法，通过采用序列重组来增强简化的分子输入行输入规范数据，从而消除药物分子单一序列表示的缺陷。DeepAEG