Admet
PulseAugur coverage of Admet — every cluster mentioning Admet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的评估方法揭示了分子性质模型中隐藏的失败
研究人员发现，常用的分子性质模型评估方法存在重大缺陷，特别是用于 ADMET（吸收、分布、代谢、排泄和毒性）预测的模型。一种新的“结构前沿”拆分方法，保留了化学上最偏远的支架组，揭示了标准的基于支架的拆分可能会隐藏重大的性能下降。与标准对照相比，这种前沿拆分将主要误差中值提高了 87.0%，表明当前的评估实践可能高估了模型对新化学结构的可靠性。
-
AI Agent TRACE 增强药物发现先导优化
研究人员开发了 TRACE，这是一种利用 LLM 推理进行药物发现中分子先导优化的新型代理。与之前一次性优化的方法不同，TRACE 将工具选择视为一个顺序决策问题，从而能够进行前瞻性优化并考虑结构约束。实验表明，与现有模型相比，TRACE 在保持分子相似性的同时，实现了更高的优化成功率、更大的属性改进和更高的有效性。
-
共折叠模型在蛋白质结构和小分子学习方面展现出潜力
两篇新研究论文探讨了共折叠模型在分子学习中的应用，特别是在药物设计方面。第一篇论文介绍了AIMS-Fold，一个整合了结构蛋白质组学数据和扩散模型以改进蛋白质复合物结构预测的框架，在诱导邻近靶点的预测方面优于现有计算模型。第二篇论文系统地评估了共折叠模型Boltz2，证明其学习到的配体表征对于小分子学习任务（包括ADMET预测和分子生成建模）是有效的，并且可以补充现有的独立分子监督方法。
-
研究发现小型人工智能模型在药物发现预测中表现优于大型模型
一篇新论文挑战了在药物发现中大型人工智能模型总是更优越的假设。研究人员发现，在分子性质和活性预测任务上，经典的机器学习模型和图神经网络的性能常常优于更大、更通用的模型。虽然大型模型可能在零样本推理等领域提供优势，但其预测优势并非普遍适用，并且在很大程度上取决于特定的任务匹配度。