分子结构优化的精度直接决定了计算化学与分子设计任务的可靠性。研究人员提出了一种基于物理约束黎曼流形的去噪模型（R-DM），用于实现具有化学精度的分子结构优化。不...

加速材料与化学发现对于应对全球性挑战至关重要，但当前实验流程的开发高度依赖真实实验环境，严重限制了规模化与迭代效率。研究人员提出 MATTERIX，一个多尺度、...

蛋白–配体对接是结构生物学与药物发现中的核心问题。尽管近年来出现了大量基于深度学习的对接与共折叠方法，但这些方法在真实应用场景中的泛化能力仍缺乏系统评估。研究人...

研究人员提出了一种基于伪数据（pseudodata）的分子结构生成模型，用于探索真实世界中尚未被实验或数据库记录的未知化学物质。该方法通过从实验质谱谱图中自动构...

基因序列到功能的预测是人类遗传学的重要挑战，尤其是在从生物序列推断细胞类型特异性的多组学表型方面。研究人员开发了 UNICORN，一个基于多任务学习的计算框架，...

多重耐药菌的快速蔓延凸显了新型抗生素的迫切需求。研究人员将小分子高通量筛选（HTS）与深度学习虚拟筛选策略相结合，开发出一种名为 GNEprop 的图神经网络模...

计算机辅助药物设计依赖于准确的评分函数来预测蛋白–配体相互作用的结合亲和力。然而，PDBbind 数据库与评分函数比较评估基准（CASF）之间存在严重的训练–测...

随着蛋白质数据库规模的快速增长，对更快、更敏感的同源性搜索工具的需求愈发迫切。研究人员开发了 GPU 加速版 MMseqs2 (MMseqs2-GPU)，在单一...

发现全新候选药物分子是药物开发的核心步骤。深度生成模型能够从学习到的概率分布中采样新分子结构，但其在药物发现中的实际应用取决于能否生成针对特定靶点的化合物。研究...

翻译后修饰（PTMs）是蛋白质功能的重要调控因子，其受扰动是错义变异导致疾病的重要机制。深度学习能够帮助预测PTM位点并识别受变异影响的PTM，但受限于缺乏大规...

人工智能模型正借助语言模型和分子扰动策略，尝试解决RNA药物研发领域长期存在的数据稀缺难题。

单细胞测序技术正在以惊人的速度生成海量数据，但如何从中提取有意义的生物学信息仍是挑战。批次效应、技术噪声和高维稀疏性让传统方法难以同时兼顾细节分辨率和全局结构。...

分子动力学模拟在药物发现中承担着理解蛋白–配体结合过程的关键角色，但真正限制其应用的往往不是方法本身，而是计算代价与时间尺度之间的结构性矛盾。传统数值 MD 在...

在 AI 辅助药物设计的赛道上，3D 分子生成模型常陷入 “两难困境”—— 要么结构离谱（比如出现能量不稳的三元环），要么类药性拉胯（结合力强却难合成）。【现在...

在肿瘤药理学与精准治疗领域，天然产物因其结构多样性和生物活性广谱性，始终是创新药物研发的核心领域之一。然而，天然产物作用靶点模糊、机制解析困难的问题，长期制约着...

人工智能正在深刻改变精准有机合成领域。数据驱动方法，特别是机器学习和深度学习，在反应性能预测与合成规划方面展现出巨大潜力。然而，数值回归驱动的反应性能预测与基于...

该论文提出 GeoDirDock（GDD）方法，创新地将领域先验知识通过Geodesic引导融入扩散模型，解决传统盲扩散对接的结合位点定位与构象物理合理性问题。...

期刊: Nature Communications 链接: https://doi.org/10.1038/s41467-025-62235-6 代码: htt...

期刊: Nature Communications 链接: https://doi.org/10.1038/s41467-025-61833-8 代码: htt...

期刊: Nature Biomedical Engineering 链接: https://doi.org/10.1038/s41551-025-01455-z...