drug discovery
PulseAugur coverage of drug discovery — every cluster mentioning drug discovery across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
AI 的下一个前沿：超越 Scaling Laws 的数据高效学习
BIMSA 的研究员王亚庆认为，AI 的 Scaling Law 范式正因数据稀缺和高昂的计算成本而触及极限。她提出“数据高效的智能体学习”（Data-Efficient Agentic Learning, DEAL）作为下一个前沿，并将其与人类智能通过遗传、文化和经验利用先验知识进行类比。她的工作综合了少样本学习、元学习到上下文学习的进展，并提出大型模型通过其架构和海量训练数据隐式地执行元学习。
-
AI框架通过可靠的分子性质预测增强药物发现能力
研究人员开发了一个新的共形预测框架，旨在提高AI在药物发现中的可靠性，尤其是在处理标签偏移时。该方法通过用边际标签概率比加权共形分数来生成统计上严格的预测区间，即使在分子性质分布发生变化时也能进行稳健的不确定性量化。该方法旨在增强对关键分子性质（如溶解度、效力和毒性）的AI驱动预测的信任度，从而支持药物开发流程中更明智的决策，并符合监管机构对透明度的要求。
-
人工智能在药物发现中的应用：进展、挑战与未来展望 · 跟踪 4 个来源
多个来源讨论了人工智能在药物发现领域的现状和未来轨迹。虽然人工智能在加速新药的识别和开发方面显示出潜力，但其对现实世界的影响和广泛采用仍在发展中。该领域在将人工智能驱动的见解转化为切实的临床成功方面面临挑战，需要持续的创新和合作。
-
人工智能通过先进工具和合作伙伴关系革新药物发现
人工智能在药物发现领域取得了重大进展，Google DeepMind的AlphaFold等工具加速了对蛋白质结构的理解。Insilico Medicine、BenevolentAI和Exscientia等公司正在利用人工智能识别潜在的药物候选物并优化开发流程。尽管挑战依然存在，但人工智能的整合有望缩短新药上市的时间和成本，其中NVIDIA的硬件和Microsoft的云支持发挥了关键作用。
-
AI 代理旨在简化 AlphaFold 以实现更广泛的访问
一种新方法旨在使复杂的蛋白质结构预测工具 AlphaFold 更易于访问。通过将 AI 代理与 Gemini 和 Claude 等模型集成，该项目寻求将广泛的蛋白质结构数据库转换为易于理解且可供更广泛受众使用的格式。这项举措可以通过普及先进的生物信息学工具的使用，对药物发现和基因组学等领域产生重大影响。
-
综述发现生成式AI在无机化合物设计方面取得进展
一篇发表在arXiv上的综述文章分析了生成式AI在无机化合物逆向设计中的应用。虽然生成式AI在有机化学和药物发现方面取得了进展，但由于这些化合物的复杂性，其在无机化学中的应用面临挑战。文章讨论了当前方法如何通过考虑成分、几何形状、对称性和电子结构来应对这些挑战，并提出了标准化基准和开发可合成性指标等未来方向。
-
新的机器学习框架增强药物发现筛选指标
研究人员开发了一个新的机器学习框架，以改进高通量筛选（HTS）分析中的性能指标估算，这对于早期药物发现至关重要。该框架通过从严格标准化均差（SSMD）这一成熟的效应量参数推导敏感性和特异性等分类指标，来解决HTS中极端数据稀疏的挑战。这种方法提供了统计上合理且可重复的性能估算，即使是单次重复测量也能做到，这一点已在丙型肝炎病毒筛选中得到证明。
-
GFlowNet可解释性研究质疑药物发现模型中学习到的化学知识
一项新近发表在arXiv上的研究，探讨了GFlowNets（一种用于药物发现的人工智能模型类型）的可解释性。研究人员开发了一个框架来分析SynFlowNet（一个在药物相似性方面训练过的GFlowNet），并发现尽管物理化学性质和官能团可以从其嵌入中解码，但这些信号主要来源于模型的架构和输入特征化，而非学习到的化学表示。该研究表明，高探针分数本身不应被视为分子模型中学习到的化学知识的决定性证据。
-
新基础模型通过准确的ADMET预测加速药物发现
研究人员开发了MEGA-CL，一种旨在预测小分子吸收、分布、代谢、排泄和毒性（ADMET）特性的新型基础模型。该图神经网络框架利用对比学习和外部注意力机制来有效建模分子结构和关系。MEGA-CL在多个基准数据集和下游ADMET任务中表现出卓越的性能，在外部验证中显示出强大的泛化能力，并实现了临床相关的预测准确性。
-
新的贝叶斯优化方法RAMBO解决了多模式搜索空间问题
研究人员开发了一种新的贝叶斯优化（BO）方法，称为RAMBO，旨在比标准BO更有效地处理多模式搜索空间。RAMBO利用高斯过程的Dirichlet过程混合模型自动识别数据中的不同模式，每种模式由独立的高斯过程建模。这种方法在分子构象优化、药物发现和聚变反应堆设计等应用中显示出改进。
-
新方法将生物动力学知识注入神经网络，用于数据稀疏的生物过程建模
研究人员开发了一种新颖的方法来解决药物发现和生物制造中生物过程建模的数据稀缺性问题。他们的工作系统地探索了将现有的生物动力学知识（通常由常微分方程 ODE 描述）整合到神经网络中的方法。研究发现，在处理有限的真实世界数据时，在模拟 ODE 曲线上的预训练通用解码器与直接将 ODE 嵌入神经网络架构中的效果一样好。
-
Meta AI 模型助力劳伦斯伯克利实验室的 Genesis Mission 项目
Meta 的 AI 模型，包括 Segment Anything Model 和基于 PyTorch 构建的模型，正在劳伦斯伯克利国家实验室的 Genesis Mission 的初始项目中得到利用。这些项目专注于计算生物学、药物发现和材料科学等领域，利用 Meta 的 AI 能力来推进科学研究。该计划突显了先进 AI 工具在复杂科学事业中的应用。
-
Lila Sciences 构建人工智能驱动的自动化实验室以进行科学发现
Lila Sciences 正在构建一个自动化实验室，旨在作为人工智能数据中心运行，生成大量经过实验验证的科学数据。他们的愿景是通过将实验室视为无限的 token 生成器来创造科学超级智能，同时解决生物学、化学、药物发现和材料科学领域的问题。该公司强调其自动化的灵活性和通用性，目标是优化快速迭代和广泛的科学探索，而不仅仅是原始吞吐量。
-
OpenAI 研究员瞄准 20 亿美元 AI 药物发现初创公司估值
据报道，OpenAI 的研究员 Miles Wang 正在洽谈启动一家专注于 AI 驱动药物发现的新初创公司。该企业旨在以 20 亿美元的估值获得约 2 亿美元的融资，据报道 Lightspeed 正在洽谈领投此轮融资。尽管 Wang 否认了具体的融资金额，但此举凸显了投资者对将人工智能应用于生命科学领域的浓厚兴趣，其他 AI 药物发现公司近期也获得了大量资本。
-
AI通过蛋白质折叠和模拟加速药物发现时间线
人工智能正在通过利用蛋白质折叠和先进的化学模拟来显著加快药物发现的速度。这项技术缩短了识别潜在候选药物所需的时间，提高了它们的质量，并使研发过程更加高效。
-
AI在药物研发领域面临华尔街时间表错配
人工智能在药物研发领域的整合面临重大障碍，这主要是由于制药开发所固有的长周期和高成本。虽然AI可以加速某些研究阶段，但华尔街对快速回报的要求与将新药推向市场所需十年的过程相冲突。这种错配为寻求投资和验证的AI驱动的制药企业创造了一个充满挑战的环境。
-
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。