drug discovery
PulseAugur coverage of drug discovery — every cluster mentioning drug discovery across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的URSA基准评估AI在药物发现合成规划中的应用
研究人员推出了URSA，一个旨在评估药物发现中逆合成系统的新的基准框架。URSA不仅评估合成路线收敛到起始原料的能力，还评估其化学合理性，以反映专家化学家的评估。虽然大型语言模型在高层战略规划方面显示出潜力，但专门的深度学习模型在可靠解决合成规划任务方面目前优于它们。
-
生成式AI和物理学加速抗生素发现
研究人员正在探索利用生成式AI和物理学原理来加速新型抗生素的发现。这种跨学科方法旨在通过更有效地识别新的候选药物来应对日益严峻的抗生素耐药性挑战。AI和物理学的结合有可能彻底改变抗生素的药物发现流程。
-
Chai Discovery：先进药物和抗体设计的AI平台
Chai Discovery 被介绍为一个领先的AI药物发现、抗体设计和生物分子预测平台。评测涵盖了其功能、定价以及优缺点，旨在探索其超越自然生物极限的能力。
-
NVIDIA BioNeMo Agent Toolkit 为生命科学研究中的 AI 代理提供支持
NVIDIA 推出了 BioNeMo Agent Toolkit，旨在将其加速 AI 功能集成到生命科学研究工作流程中。该工具包允许 AI 代理（例如 Anthropic 的 Claude Science 平台中使用的代理）访问和利用专门的 NVIDIA 模型和微服务，以完成药物发现和蛋白质分析等任务。此次集成旨在简化复杂的科学流程，使研究人员能够使用自然语言来编排端到端工作流程并加速计算任务。
-
新的 NMO 基准通过量子模拟连接机器学习与纳米技术 · 跟踪 3 个来源
研究人员推出了纳米技术分子优化 (NMO) 基准，这是一个旨在推进机器学习在纳米技术和材料科学领域应用的新工具。与以往专注于药物发现的基准不同，NMO 利用量子模拟和严格的科学协议，在基于真实物理的任务上测试生成模型。这种方法旨在防止以排行榜为导向的过拟合，并通过揭示与纳米技术相关的新结构基序和特性来推动真正的科学发现。
-
新的化学反应数据库上线，以促进AI药物发现
一个庞大的新型化学反应数据库已上线，旨在加速AI驱动的药物发现。该资源旨在为研究人员提供一个全面的工具，用于探索和预测化学相互作用，从而加快识别潜在新药的进程。
-
新的机器学习框架提升蛋白质-配体结合亲和力预测能力
两种新的机器学习框架RicciBind和CPES被引入，用于预测蛋白质-配体结合亲和力，这是药物发现中的关键一步。RicciBind利用Ricci曲率和最优传输来模拟分子相互作用，增强了结构感知和全局对齐能力。CPES结合了源自势能面的物理信息曲率表示，以考虑分子柔性和结合诱导的构象变化。两种方法在基准数据集上的结合亲和力预测准确性和可解释性方面均有所提高。
-
药物发现PPIs新RAG基准发布
研究人员推出了RAGPPI，这是一个旨在评估检索增强生成（RAG）系统在药物发现中识别蛋白质-蛋白质相互作用（PPIs）的生物学影响的新基准。该基准包含4,420个问答对，其中500对的黄金标准子集是通过专家注释创建的，而银标准集是使用集成自动评估LLM生成的。RAGPPI旨在通过提供一个针对该特定任务的专用资源，来推进用于药物发现应用的RAG系统。
-
新AI方法提高药物属性预测准确性
研究人员开发了一种名为概率对比预训练（PCP）的新预训练框架，以增强对药物发现至关重要的ADME属性的预测。该方法将特定化学的自监督与对比互信息学习相结合，将分子图编码为潜在变量并重建SMILES字符串。该框架将重建、对比判别和特定化学任务整合到一个概率目标中，在多个数据集上显示出比现有基线显著的改进。
-
AI药物发现综述探讨DRL模型的公平性
一篇新发表在arXiv上的综述论文综合了深度强化学习（DRL）应用于药物发现中的公平性定义和度量。研究重点关注数据集构成、奖励设计和评估度量如何影响不同疾病领域和化学结构（特别是与癌症相关的靶点）的公平性。该论文旨在为DRL驱动的分子生成中报告分布和结果的均等性提供实用指导，并确定了值得信赖的药物发现AI未来研究的领域。
-
用于药物发现的精调扩散模型，结合了强化学习和基因型条件
两篇新研究论文提出了在药物发现中使用扩散模型的先进方法。第一篇FTDiff采用强化学习来精调扩散模型，以生成具有特定类药特性和与目标蛋白结构兼容性的分子。第二篇论文介绍了一种基因型条件扩散模型，该模型基于预测的药物敏感性、可合成性和结合合理性，并以实验性癌细胞系数据为依据，来优化分子候选物。
-
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。
-
决策树增强大型语言模型在分子性质预测方面的能力
研究人员开发了一种名为TreeKD的新方法，以提高大型语言模型（LLMs）在分子性质预测任务中的准确性，这项任务在药物发现中至关重要。TreeKD通过将从基于分子特征训练的专业决策树中提取的知识，通过口头提示蒸馏到LLMs中。这种方法增强了LLMs的内部知识和预测能力。该方法还采用了一种称为规则一致性的技术，用于在测试时聚合预测，进一步提高性能。
-
新框架使AI代理能够进行原子尺度研究
研究人员开发了AtomisticSkills，这是一个开源框架，旨在使AI编码代理能够在材料科学、化学和药物发现领域执行复杂的原子尺度研究。该框架将科学工作流组织成模块化技能和工具，集成了超过100项精选功能，如数据库访问、热力学建模和模拟引擎。AtomisticSkills已通过多种科学活动得到验证，包括电解质的生成设计和催化剂筛选，使其成为开发自主AI科学家的关键基础设施。
-
LLM在高级化学任务中的评估，配备新基准
研究人员开发了新的基准和方法来评估和增强大型语言模型（LLM）在化学相关任务中的能力。其中一种方法，Speak-to-Structure（S^2-Bench），专注于开放域分子生成，超越了简单的“一对一”映射，以评估创造性和多样化的分子设计能力。另一种方法引入了原子锚定的LLM，它使用独特的原子标识符来锚定链式思维推理以进行分子转化，在逆合成等任务中取得了很高的成功率，而无需进行特定任务的训练。
-
人工智能彻底改变生命科学，加速药物发现和基因组学
人工智能正在彻底改变生命科学，其影响涵盖从药物发现到基因组分析的各个领域。人工智能驱动的研究正在提高生物学和医学领域突破的速度和精度。这一变革借鉴了顶尖科学期刊和教育资源的见解。
-
太空成为医疗研究和药物发现的新前沿
随着太空作为实验室的潜在用途，医疗研究的新纪元可能正在开启。这种转变可以通过利用地球以外的独特条件，为药物发现和开发解锁新的方法。
-
新的主动学习方法解决了复杂的玻尔兹曼分布问题
研究人员开发了一种名为 AB-SID-iVAR 的新基于高斯过程的主动学习采集函数。该方法解决了在自诱导玻尔兹曼分布下学习未知函数的问题，这在计算化学中很常见，但由于目标分布的未知性和难以处理性而变得困难。所提出的方法在无需估计配分函数的情况下近似贝叶斯目标分布，使其适用于离散和连续域。实验结果表明，在合成基准测试以及 PES 建模和药物发现的实际任务中，该方法优于现有方法。
-
人工智能为制药业运营节省数十亿美元，但药物发现影响滞后
人工智能为制药公司带来了显著的成本节约，尤其是在制造和后台运营方面，总计达数十亿美元。然而，与行业早期的预期相反，人工智能在关键的药物发现领域的影响仍然有限。这种差异表明，虽然人工智能在优化现有流程方面卓有成效，但其在创新研究中的变革潜力尚未完全实现。
-
数字孪生AI将于2026年将制药产量效率提升40%
由AI增强的数字孪生技术预计到2026年将显著提高制药生产效率，最高可达40%。虽然其对早期药物发现的影响仍然有限，但主要收益预计将体现在制造过程中。这一进步有望在药物生产方式上带来前所未有的效率。