DrugAI

招聘招聘岗位：科研助理教授1名、博士后2名、科研助理1名深圳理工大学合成生物学院王晓瑞课题组现公开招聘科研人员，重点围绕人工智能辅助合成规划、酶催化预测与智能酶设计、专业化科研智能体等方向开展研究。诚

在结构生物学与计算医药领域，研究人员长期面临着一个核心矛盾：以 AlphaFold 为代表的传统折叠模型虽然极其精准，但给出的往往只是尖锐、单一的“静态快照”（Snapshot）；而生命活动的本质却是

随着深度学习和计算蛋白质设计技术的发展，研究人员能够快速生成具有不同折叠结构和功能的人工蛋白质，但在蛋白质内部构建能够高亲和力、高选择性识别小分子的结合口袋仍是挑战。该研究提出DRUGONE方法，实现对配体化学互补性的快速评估。

前言Schrödinger 套件是行业广泛使用的集成化计算药物设计平台，其独特优势在于深度融合了基于物理的精确算法（如FEP+自由能微扰、Desmond分子动力学、Glide对接）与数据驱动的机器学习

DRUGONE随着AlphaFold等蛋白质结构预测方法的快速发展，越来越多的蛋白质获得了接近实验精度的三维结构，使基于结构的同源性分析逐渐成为蛋白质功能注释和进化研究的重要手段。然而，现有蛋白质结构

DRUGONE从头设计具有特定催化功能的人工酶是计算蛋白质设计的重要目标。然而，现有研究主要集中于反应能垒较低、底物相对简单的模型反应，对于天然蛋白质中高度稳定的肽键水解，仍然难以实现有效催化。在中性

2026年9月29日，Antibody Developability Consortium（抗体可开发性联盟）公布了创始成员。按照联合公告，参与其中的四家生物制药企业是AbbVie（艾伯维）、Arge

生物分子的催化、识别及其他复杂功能，本质上取决于多个原子在三维空间中的精确排列。然而，现有生成式蛋白质设计方法主要采用氨基酸残基级表示，难以直接控制催化残基、配体及核酸之间复杂的原子相互作用，从而限制

DRUGONE从头设计能够高效催化酰胺键水解的人工酶，一直是计算蛋白质设计领域的重要挑战。与相对容易水解的酯键不同，肽键具有较高的化学稳定性，其有效断裂不仅需要精确的催化活性位点，还需要对底物进行特异

DRUGONE大型蛋白质复合物的准确结构预测对于理解细胞信号转导、物质运输及基因调控等生物学过程具有重要意义。然而，由于大型复合物通常包含大量蛋白质亚基及复杂的链间相互作用，AlphaFold等端到端

Chemistry World 是由英国皇家化学会出版的化学杂志，主要发布化学相关最新的新闻、观点、评论和科研进展。为助您快速了解该杂志的最新讯息，我们特别开通了『今日 Chemistry Wor

2026年10月，英国Shift Bioscience公司与加拿大多伦多大学等团队在《Nature Biotechnology》发表论文，探讨AI虚拟细胞模型的真实性评测问题。研究指出当前评测指标存在失灵风险，可能导致模型真实性被低估，对药物研发中计算模拟工具的可信度评估提出警示。

2026年10月，Nat. Rev. Clin. Oncol. 发表综述，提出抗体偶联药物（ADC）生物标志物的模块化评估框架。当前超300种ADC在临床开发，20余种已获监管批准，但生物标志物验证缺乏统一标准。该框架旨在为临床研发和监管申报提供系统性参考。

Nature Medicine 发表研究介绍 DRUGONE 开放式视觉–语言模型，可处理医学影像、电子健康记录、临床文本及生物医学知识等高度异质性医疗数据，支持疾病识别、临床推理、影像报告生成等多种医疗任务，为多样化临床应用场景提供统一 AI 基础框架。

DRUGONE噬菌体因可精准杀灭特定细菌，被视为应对耐药菌感染和开展微生物组工程的重要工具。但其宿主范围高度菌株特异性，限制了应用。该研究开发基于机器学习的系统发育无关预测模型，可准确预测噬菌体与细菌菌株的相互作用，为噬菌体疗法的精准应用提供新工具。

2026年9月，Nature Machine Intelligence发表研究，提出利用生成式大语言模型引导分子结构编辑序列，以优化分子的可合成性。研究指出，当前AI生成的大量候选分子虽在计算结合或性质评分上表现优异，却面临实际合成困难的问题。该研究尝试在前端筛选而非事后过滤不可合成分子，有望提升AI驱动药物发现的效率。

2026年9月，Nature Reviews Bioengineering 发表综述文章，系统探讨人工智能技术如何赋能传统随机对照临床试验（RCT）。文章指出，尽管 DRUGONE RCT 仍是评价新药获益与风险的金标准，但其长期面临成本高、样本量受限、入排标准复杂、患者招募困难及随访周期长等瓶颈。AI 技术有望通过优化试验设计、智能招募、真实世界数据整合等路径突破上述限制，重塑临床研发范式。

Nature期刊发表GPN-Star研究，聚焦如何通过大规模DNA序列自监督学习捕获进化约束，以判断遗传变异是否具有功能及是否可能导致疾病。该研究探索基因组语言模型在全基因组功能约束解码中的应用。

2026年9月，Nature Biotechnology 发表文章介绍英矽智能（Insilico Medicine）研发的 AI 驱动抗衰候选药 Rentosertib。该药是全球首个进入临床阶段并完成抗衰老效果评估的 AI 创新候选药物，其靶点发现由生成式 AI 驱动，并结合了衰老时钟、衰老标志物等研究手段进行临床评估。

据Chemistry World报道，一项研究发现AI药物发现模型可能因训练与测试数据集重叠而出现表现被高估的问题。该问题涉及引用过万的高频数据集，可能导致模型在公开基准上的成绩虚高，影响其在真实场景中的可靠性。此报道引发对AI药物发现评估方法和数据治理的讨论。

2026年8月25日，临床阶段生成式AI药物研发公司英矽智能（Insilico Medicine，HKEX: 3696）宣布发起成立开放药物研发联盟（O3DC），聚焦AI药物研发基准与质量。该联盟旨在通过开放合作制定行业标准，提升AI驱动药物研发的可信度与可重复性，推动行业规范化发展，具体参与方式及标准细节暂未披露。

2026年8月，英矽智能与元码智药宣布从战略投资迈向联合研发，共同布局下一代mRNA肿瘤疫苗。此前默沙东与Moderna公布了其个体化新抗原疗法intismeran autogene联合KEYTRUDA的III期INTerpath研究进展。此次合作将结合双方在AI药物发现与mRNA技术领域的优势，加速肿瘤疫苗研发。

英矽智能于2026年8月21日宣布上线虚拟衰老细胞页面，并发布多智能体驱动的多模态虚拟衰老细胞生成平台预览版。该平台以“生物学年龄”为核心维度，历经12年技术探索，通过生成式AI模拟衰老细胞，目前处于临床阶段。公开信息有限，具体性能和应用效果尚待验证。

2026年8月21日，据DrugAI报道，一项发表于Nature Communications的研究采用药物筛选联合机器学习策略，针对儿童痴呆（如黏多糖贮积症IIIA型）等神经退行性疾病，发现潜在神经保护药物。该研究聚焦溶酶体功能障碍、神经炎症等共享病理机制，为儿童痴呆治疗提供了新候选药物，尚处于临床前研究阶段。

本文发表于《自然·生物技术》，报道了一项针对计算抗体发现方法的盲法前瞻性基准评测。研究基于实验测定的亲和力与可开发性数据，系统评估了多种AI和生成式模型在真实药物发现场景中的表现，揭示了现有方法在回顾性数据集上的性能高估问题。2026年8月20日由DrugAI转载。

2026年8月18日，DrugAI发布对论文《BoltzMol-1: Towards Reliable Virtual Screening for Fast and Cost-Effective Hit Discovery》的深度解读。该研究提出BoltzMol-1方法，基于Boltz-2构建前瞻性虚拟筛选流程，旨在以快速、低成本的方式发现先导化合物，提升命中可靠性。本文梳理了技术要点、应用场景及对药物早期发现流程的潜在影响。

2026年8月，Nature Biomedical Engineering发表研究，利用深度学习对三维病理数据进行分诊，以克服传统二维切片仅覆盖活检样本不足1%的局限。该方法可高效识别肿瘤及癌前病变的三维异质性，提升病理评估全面性。研究由学术团队完成，目前处于技术验证阶段，尚未转化为临床常规应用。

2026年8月，上海中医药大学柯细松/屈祎团队在Cell Press旗下Trends in Biochemical Sciences发表综述，系统总结了基因组学与蛋白质组学加速靶点鉴定背景下，大规模靶向“不可成药”蛋白的最新策略，涵盖共价结合、PROTAC、分子胶等新型药物模式，为创新药物研发提供了系统性技术路线参考。

2026年8月16日，DrugAI报道了一项发表于《自然·生物技术》的研究，该研究开发了面向先导编辑（prime editing, PE）结果预测的机制机器学习方法。PE技术可在不产生DNA双链断裂、不依赖外源供体DNA的情况下实现精准基因编辑，具有重要的基因治疗潜力。该模型有望提高编辑效率预测准确性，推动精准医疗发展。

浙江大学潘培辰研究员、侯廷军教授和车金鑫研究员在PNAS发表研究论文，提出人工智能赋能的融合蛋白靶向降解策略，通过设计PROTAC分子降解CLIP1-LTK融合蛋白，克服非小细胞肺癌靶向治疗耐药。研究展示了AI在难成药靶点降解剂设计中的应用价值，为肺癌耐药患者提供了新治疗思路。

2026年8月10日，DrugAI报道了一项发表于《自然·医学》的研究，提出一种经临床验证的AI聊天机器人心理健康交互行为审计框架。该框架针对通用AI聊天机器人在情绪支持、关系咨询等场景中的安全性，系统评估模型对心理脆弱用户的响应，弥补传统安全基准的不足。

英国皇家化学会（RSC）出版的《RSC 基础系列》丛书第7卷《化学领域的人工智能革命》已正式发行。该书系统介绍了人工智能在化学研究、药物发现、材料设计等领域的应用，涵盖机器学习、深度学习等前沿技术，旨在为化学及相关领域的研究者提供基础知识和实践指导。

2026年8月7日，英矽智能发布业界首个药物研发基准评估，旨在为AI制药领域提供标准化评估体系。该基准覆盖药物研发关键环节，或将成为行业参考标准。具体评估指标、适用范围及对药企的影响尚待进一步披露。

2026年8月7日，据DrugAI报道，金凯团队在Cell Reports Medicine发表研究，构建了自主多模态眼科智能体AgentEYE。该智能体可实现循证、可追溯的眼科诊断，整合多模态数据，为眼科疾病诊断提供新工具。研究展示了其在临床决策支持中的潜力。

2026年8月6日，DrugAI报道了一项发表于《自然·通讯》的研究，提出排序引导学习方法，用于加速自动化酶工程。该方法通过排序策略优化酶突变体的筛选与设计，提高工程效率。研究团队展示了其在提升酶活性或稳定性方面的潜力，为工业酶应用提供新工具。

《自然·医学》发表综述，探讨抗体药物偶联物（ADC）在精准治疗中面临的毒性挑战。文章分析ADC设计、靶点选择及临床应用中导致毒性的关键因素，指出尽管ADC旨在精准杀伤肿瘤，但脱靶毒性和剂量限制性毒性仍常见，影响疗效与安全性。综述总结了现有策略及未来改进方向，为ADC研发提供参考。

2026年8月5日，DrugAI报道了一项发表于《自然·生物医学工程》的研究，介绍AI系统XunZi在识别可改变疾病进程的治疗靶点方面的应用。该系统通过分析生物医学数据，预测潜在靶点，为药物研发提供新方向。研究团队展示了其在多种疾病模型中的有效性，有望加速新药开发。

2026年8月5日，DrugAI报道了一项发表于Nature的研究，介绍了一种名为Raygun的新型蛋白质工程工具，能够同时实现对天然蛋白的替换、插入和删除操作，为蛋白质设计提供了更精准的编辑能力。该技术有望推动生物药研发，尤其在抗体工程和酶改造领域。

2026年8月4日，DrugAI发布文章介绍SciForge，一个旨在让科研Agent真正进入研究流程的系统。文章详述了SciForge的设计理念、架构及实践案例，强调其与现有科研工具的无缝集成，以提升研究效率。该平台面向科研人员，通过自动化辅助文献分析、实验设计等环节，推动科研流程智能化。

2026年8月4日，DrugAI报道了Ptarmigan-1，一种无需蛋白结构或预定义口袋即可进行超大规模虚拟筛选的新方法。该方法可能利用深度学习或计算技术，突破传统虚拟筛选对结构信息的依赖，有望加速药物发现早期阶段。具体技术细节和性能数据尚未披露。

2026年8月3日，据DrugAI报道，Nature Communications发表了一项研究，提出了首个活性悬崖感知的图学习框架，旨在解决分子活性预测中活性悬崖（即结构相似但活性差异大的分子对）这一盲区。该框架通过专门设计，提升了对活性悬崖的识别与预测能力，有望改善药物发现中的活性预测准确性。

2026年8月2日，DrugAI报道了一项发表于《自然·计算科学》的研究，该研究提出了名为MIRACLE的方法，用于实现单细胞多模态数据的持续整合。该方法能够处理不断增长的单细胞数据，整合多种模态信息，为生物医学研究提供新的计算工具。

2026年8月2日，DrugAI报道了一项发表于《自然·通讯》的研究，该研究通过机制驱动的方法定向挖掘新型广谱P450除草剂抗性基因。研究揭示了P450酶在除草剂代谢中的关键作用，并鉴定出多个具有广谱抗性的新基因，为作物抗除草剂育种提供了新靶点。该成果有望加速抗除草剂作物的开发，对农业生物技术领域具有重要影响。

2026年8月1日，DrugAI报道了一项发表于《自然·计算科学》的研究，提出一种基于结构比对驱动的跨图建模方法，用于功能性RNA设计。该方法通过整合RNA结构信息与图神经网络，实现跨物种或跨家族的RNA功能预测与设计，有望提升RNA药物的靶向性和稳定性。研究团队尚未公开具体代码，但论文已在线发表。

2026年8月1日，DrugAI报道《自然·生物技术》文章指出，AI驱动的新方法正在逐步改变动物实验模式，但全面替代仍需时间。该方法通过预测模型减少实验动物使用，提高研究效率，但面临验证和监管挑战。

2026年7月31日，DrugAI报道了发表于《自然·生物技术》的一项研究，提出一种面向蛋白质序列生成模型的性质引导框架。该框架旨在将特定性质（如稳定性、活性）融入生成过程，以提升设计蛋白质的实用性和准确性。研究团队通过该框架优化模型输出，使其更符合目标性质要求，为蛋白质工程和药物开发提供新工具。

2026年7月31日，DrugAI报道，Hatice Ulku Osmanbeyoglu团队在Nature Communications发表研究，开发了一种基于空间转录组数据的新分析方法。该方法旨在解析组织微环境中的细胞通讯和空间结构，可能提升对疾病机制的理解。研究团队来自某机构，具体技术细节和适用场景尚未披露。

2026年7月30日，DrugAI报道了一项发表于Patterns的研究，该研究开发了面向抗体CDR-H3区域的抗体语言模型，并提出了相应的抗体库分析方法。该模型可针对CDR-H3区域进行序列建模，用于抗体库的筛选与设计，可能提升抗体药物的开发效率。

据DrugAI报道，谷歌已解散其诺贝尔奖级别的AlphaFold团队，引发业界对AI制药未来走向的讨论。该团队曾因蛋白质结构预测突破而获诺奖，其解散可能意味着谷歌调整AI研发战略，转向其他应用领域。目前尚不清楚原团队成员去向及AlphaFold后续开发计划，但此举或影响AI药物发现领域的合作与竞争格局。

2026年7月29日，DrugAI报道了一项发表于《自然·通讯》的研究，该研究提出了一种基于AlphaFold预测结构的蛋白质功能注释流程。该方法利用深度学习模型从蛋白质三维结构推断功能，有望加速功能未知蛋白的注释。研究团队展示了该流程在多个数据集上的有效性，并讨论了其局限性与改进方向。

据DrugAI报道，人工智能技术正加速渗透医药研发全流程，覆盖从液体活检、靶点发现、临床试验设计到药物警戒等环节。该报道概述了AI在提升研发效率、优化决策及强化安全监测方面的应用趋势，并指出其已成为行业创新关键驱动力。

中南大学李敏团队与腾讯AI for Life Sciences Lab姚建华团队合作，在Cell发表UniPert-G2CP框架，该框架整合遗传扰动和化学筛选数据，实现统一表型建模，有望提升药物靶点发现和药物重定位效率。

2026年7月27日，DrugAI报道了一项发表于《自然·通讯》的研究，该研究利用大型语言模型构建多中心急性肾损伤预测模型，并实现可解释的风险归因。研究旨在提升临床决策支持系统的准确性与透明度，可能对药物安全性监测和临床用药管理产生影响。

2026年7月27日，DrugAI报道了一项发表于《自然·医学》的多中心随机试验，评估人工智能临床决策支持系统（AI-CDSS）在遗传性视网膜疾病（IRD）诊断中的辅助作用。试验涉及多个中心，比较了医生在有无AI-CDSS辅助下的诊断准确性。结果显示，AI-CDSS显著提高了诊断准确率，尤其对非专科医生帮助更大。该研究为AI在罕见遗传病诊断中的应用提供了高级别证据。

2026年7月27日，DrugAI报道了首个PTPN2/1抑制剂临床有效性数据。该药物作为PD-1的搭档，在临床试验中显示出初步疗效，为肿瘤免疫治疗提供了新方向。具体数据细节尚未完全披露，但这一进展标志着PTPN2/1靶点从理论走向临床验证。

据DrugAI报道，一项系统性证据综述显示，过去六十年药物研发的临床失败率仍高达90%，传统动物模型预测性不足。研究呼吁采用新型替代方法（NAMs），如器官芯片、类器官和计算模型，以提高药物研发效率和成功率。该综述发表于2026年7月，为监管科学和药物开发策略提供了重要参考。

2026年7月26日，据DrugAI报道，Science杂志发表研究，介绍通用生物医学AI智能体Biomni，其能自主执行科研任务，如文献分析、实验设计等，标志着AI在生物医学研究领域迈出重要一步。该智能体或可辅助药物研发中的靶点发现与机制研究。

2026年7月25日，DrugAI报道了一项发表于《自然生物医学工程》的研究，该研究提出一种融合临床概念的可审计放射学基础模型。该模型旨在提高医学影像分析的透明度和可解释性，通过整合临床知识增强模型性能，并支持审计追踪。研究团队展示了其在放射学任务中的潜力，但尚未进入临床应用阶段。

2026年7月24日，DrugAI报道了Nature发表的一项研究，利用AI重新设计蛋白质进化的起始序列，以促进蛋白质进化。该方法可能加速功能蛋白的发现和优化，对生物医药研发具有潜在应用价值。

DrugAI平台于2026年7月24日发布通知，将举办Schrödinger计算化学驱动的药物发现全流程实战研修班。该研修班旨在教授利用计算化学工具进行药物发现的完整流程，包括靶点识别、虚拟筛选、先导化合物优化等环节。具体时间、地点及报名方式未在摘要中提及，需关注后续通知。

2026年7月22日，DrugAI报道了一项发表在《Science》上的研究，该研究利用蛋白质结构和进化信息，设计出最小化的RNA引导核酸酶。该酶在保持功能的同时显著减小了分子尺寸，有望提高基因编辑工具的递送效率。研究团队通过计算设计方法，优化了核酸酶的结构域，并在体外和细胞实验中验证了其编辑活性。

2026年7月22日，DrugAI报道了一项发表于Cell的研究，该研究利用MSA Pairformer架构，将蛋白质语言模型从单体结构预测拓展至蛋白质相互作用预测。该方法通过多序列比对增强的Pairformer模型，提升了蛋白质复合物结构预测的准确性，有望推动蛋白质相互作用组学及药物靶点发现研究。

2026年7月22日，DrugAI报道了一项发表于《自然·通讯》的研究，该研究利用人工智能优化锌指蛋白，显著提升了微型碱基编辑器的编辑效率和靶向范围。研究团队通过AI设计改进锌指结构域，增强了编辑器的精准性和适用性，为基因治疗领域提供了新的技术工具。

哈佛大学团队在《Nature》发表研究，开发了一种零样本（zero-shot）设计小分子结合蛋白的方法，无需预先实验数据即可设计出高亲和力结合蛋白，最高亲和力达80 pM。该方法有望加速药物靶点蛋白的发现与优化，为药物研发提供新工具。

2026年7月21日，DrugAI报道了《自然综述·药物发现》发表的一篇观点文章，提出从设计到模拟再到优化的模拟指导临床试验新范式，旨在加速药物开发。该范式整合计算模型与真实世界数据，优化试验设计，提高效率，可能影响未来临床试验的开展方式。

据DrugAI报道，大型药企正在重新评估与AI公司的合作，考虑ChatGPT、Claude和Gemini等不同模型。该报道发布于2026年7月21日，反映了药企在AI应用上的战略调整，可能涉及研发、生产或监管事务等环节。具体企业及合作细节尚未披露。

第三届靶向蛋白降解药物开发论坛（TPD2026）与靶向离子通道药物开发论坛（Ion Channel 2026）将于2026年8月25-26日举行，会议邀请已发布。论坛聚焦靶向蛋白降解和离子通道药物开发领域的最新进展，旨在促进学术与产业交流。具体议程和参会方式详见官方通知。

2026年7月19日，DrugAI报道了一项发表于《自然·通讯》的研究，提出面向复合材料设计的序关系感知多模态表示学习方法。该方法整合多模态数据，利用序关系信息提升材料性能预测准确性，为复合材料设计提供新工具。

2026年7月19日，DrugAI发布文章指出，AI药物发现（AIDD）领域正从单纯生成分子转向接受合成、实验及人体数据的连续验证。文章强调，生成模型仅是起点，后续需通过多阶段数据反馈优化候选药物，以提高临床转化成功率。该趋势反映了行业对AI预测可靠性的更高要求。

2026年7月18日，DrugAI发布研究报道，介绍了一种基于流匹配的生成模型，用于化学反应路径预测。该模型可高效生成可行反应路径，有望辅助药物合成路线设计。研究发表于Nature Communications，但尚未提供具体方法细节或验证数据。

2026年7月18日，DrugAI报道了《药物化学杂志》上关于N-CF3羰基化合物作为先导分子修饰新选择的研究。该研究探讨了此类化合物对药物分子DMPK（药物代谢和药代动力学）性质的调节作用，为药物设计提供了新的结构改造思路。

2026年7月17日，Nature期刊发表了一项关于整合纵向电子健康记录（EHR）与遗传学数据的贝叶斯统计框架研究。该框架旨在提升遗传关联发现的准确性和效率，适用于大规模生物样本库数据。研究团队展示了其在识别疾病相关基因变异方面的潜在优势，为精准医学研究提供了新工具。

2026年7月17日，DrugAI报道了Nature Reviews Methods Primers发表的一篇综述，系统总结了面向G蛋白偶联受体（GPCR）的肽类配体发现方法。文章涵盖了从传统筛选到现代计算与实验技术，并讨论了该领域的挑战与未来方向。该综述为药物研发人员提供了方法学参考。

清华大学王童课题组应邀在《自然·计算科学》发表述评，针对蛋白质语言模型在生物医药预测中的过度自信问题提出警示。文章指出，现有模型在缺乏实验验证时可能给出高置信度但错误的预测，影响药物研发决策。该述评呼吁建立更严格的模型校准与不确定性评估机制，并建议结合实验数据验证。

2026年7月15日，DrugAI报道了一项发表于《自然化学生物学》的研究，该研究通过大规模突变分析发现，蛋白质稳定性主要由单个氨基酸位点的偏倚效应决定，而非位点间的协方差。研究结果对蛋白质工程和药物设计中的稳定性预测具有重要意义。

2026年7月15日，DrugAI报道了发表在《美国化学会志》上的一项研究，该研究将自动化平行合成与虚拟筛选相结合，用于加速苗头化合物的发现。该方法有望提高药物发现早期阶段的效率，减少人工合成的时间和成本。研究团队展示了该策略在多个靶点上的应用，并成功识别出具有活性的化合物。

2026年7月14日，DrugAI报道了一项发表于JACS Au的研究，该研究提出SynPROTAC模型，旨在实现可合成PROTAC分子的理性设计。该模型结合了合成可行性与活性预测，有望加速PROTAC药物开发。研究团队通过该模型筛选出具有高合成可能性的候选分子，为PROTAC领域提供新工具。具体技术细节及适用范围需参考原文。

2026年7月13日，DrugAI报道了一项发表于《Nucleic Acids Research》的研究，提出一种基于概率扩散模型的AI药物设计方法。该方法整合靶标结构感知、亲和力驱动及保守相互作用引导，旨在提升药物分子生成的准确性与有效性。研究展示了AI在药物设计中的新进展，可能对计算药物研发领域产生影响。

2026年7月13日，DrugAI发布文章，探讨病毒如何通过重编程宿主泛素连接酶系统，作为天然PROTAC设计师。文章揭示了病毒利用宿主泛素-蛋白酶体途径降解关键蛋白的机制，为药物研发提供新思路。该内容对理解PROTAC技术及病毒致病机制具有参考价值。

2026年7月11日，DrugAI报道Nature发表一项研究，提出通用细胞嵌入方法，用于构建细胞生物学基础模型。该方法可整合多组学数据，实现对细胞状态的统一表征，有望推动疾病机制研究和药物靶点发现。研究团队展示了模型在跨细胞类型、跨物种预测中的性能。

2026年7月11日，DrugAI报道了一项发表于《自然·计算科学》的研究，提出一种融合细胞学图像与空间转录组学的细胞分割方法。该方法旨在提高细胞分割的准确性，为空间转录组数据分析提供更精细的细胞边界信息。研究团队开发了新的算法框架，整合了形态学特征与分子表达数据，有望推动肿瘤微环境等研究领域的发展。

2026年7月10日，AI生物医药大会（AIBC2026）在上海成功举办。会议聚焦人工智能在生物医药领域的最新进展与未来趋势，汇聚行业专家、学者及企业代表，共同探讨AI赋能药物研发、精准医疗等热点议题。此次大会为促进产学研合作提供了重要平台。

2026年7月10日，DrugAI报道了一项发表于Nature Communications的研究，该研究提出利用智能体智能（Agentic AI）结合真实世界数据（RWD）优化临床试验设计。研究展示了AI代理如何通过分析RWD来改进试验方案，包括患者分层、终点选择和样本量计算，以提高试验效率和成功率。该研究为临床试验的智能化设计提供了新方法。

2026年7月9日，DrugAI报道了一项发表于《核酸研究》的研究，开发了名为DeepAden的深度学习工具，用于预测非核糖体肽合成酶（NRPS）中腺苷化结构域的底物特异性。该工具基于序列和结构特征，可提高天然产物生物合成基因簇中底物预测的准确性，有助于新药发现和生物合成途径解析。

2026年7月9日，DrugAI发布专题文章，探讨金属结合蛋白的计算设计方法。文章可能涉及基于结构预测、分子模拟或机器学习等手段设计具有特定金属结合能力的蛋白质，旨在推动生物技术、医学及材料科学等领域应用。具体技术细节和案例未在摘要中提供。

2026年7月8日，DrugAI报道了一项发表于《自然·机器智能》的研究，该研究利用强化学习引导生成模型，成功发现多种新型晶体结构。该方法结合生成模型与强化学习，通过迭代优化探索晶体结构空间，提高了发现效率和准确性。研究展示了AI在材料科学中的应用潜力，为药物晶型筛选和材料设计提供了新工具。

2026年7月7日，DrugAI报道了一项发表于《自然·生物医学工程》的研究，提出一种基于临床思维链引导的全身骨骼基础模型，用于骨转移检测。该模型整合影像与临床数据，旨在提升诊断准确性与可解释性。研究团队展示了其在多中心数据上的性能，但尚未提及具体上市或临床落地时间。

《npj Digital Medicine》发表观点文章，指出随着AI在医疗健康领域的应用日益强大，生物信息学专家的作用反而更加关键。文章强调，AI模型的训练、验证和解释需要深厚的生物学和临床背景，专家能确保AI系统的可靠性、可解释性和伦理合规性。该文发布于2026年7月7日，由DrugAI报道。

2026年7月6日，DrugAI报道了一项发表于《自然·机器智能》的研究，该研究利用深度知识图谱技术，实现生物医学证据的自动探索与综合。该方法有望提升文献信息提取和关联分析效率，为药物研发和监管决策提供支持。

2026年7月5日，DrugAI发布消息称，BioMatrix模型实现了生物序列、结构与语言的真正原生统一，采用单一模型和统一token表示。该模型旨在突破传统多模态融合的局限，为生物医药研究提供更高效的AI工具。目前该模型尚处于发布初期，具体应用场景和性能数据有待进一步披露。

2026年7月5日，DrugAI发布了一项名为MolSafeEval的基准研究，旨在系统评估人工智能生成分子的安全性风险。该基准通过多维度指标，检测AI模型在药物设计中可能产生的毒性、副作用等安全隐患，为AI辅助药物研发提供安全评估工具。研究团队呼吁药企和监管机构关注AI生成分子的潜在风险，并建议将其纳入药物开发早期筛选流程。