RDKit
PulseAugur coverage of RDKit — every cluster mentioning RDKit across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
APEX协议可实现海量药物发现库的快速虚拟筛选
研究人员开发了APEX，一种用于高效搜索药物发现中使用的海量组合合成库（CSLs）的新型协议。APEX采用神经网络代理来预测化合物目标和约束，能够在不到一分钟的时间内，在消费级GPU上对包含数十亿化合物的库进行完全枚举。该方法能够精确检索近似的top-k集合，在准确性和运行时间方面均优于现有的虚拟筛选算法，并在一个超过1000万个化合物的基准库上得到了验证。
-
AI 联合科学家工作流针对 EGFR 抑制剂耐药性
研究人员开发了一个 AI 联合科学家工作流，用于发现新的 EGFR 抑制剂，特别是针对导致现有疗法耐药性的 C797S 突变。该过程包括使用 ChEMBL 和 UniProt 来识别生物靶点和生物活性数据，然后使用 RDKit 进行分子标准化和特征计算。在此数据上训练随机森林模型以预测抑制剂效力，并使用 SHAP 进行特征解释。最后，工作流通过 BRICS 重组分子片段进入生成设计，以创建新的候选药物，然后根据 PubChem 进行评…
-
新AI方法可从文本提示中恢复有效分子
研究人员推出AMREC，这是一种通过大型语言模型进行文本引导生成来恢复有效分子结构的新方法。与以往仅关注修复无效化学式或保留结构线索的方法不同，AMREC旨在在确保化学有效性的同时，保持描述所隐含的分子身份。该方法采用分子感知不匹配跟踪，探索多个候选解决方案，并选择最佳轨迹以在各种指标上实现卓越的恢复效果。
-
新框架利用大型语言模型和进化算法生成AI智能体
研究人员开发了使用进化算法和大型语言模型（LLMs）生成和优化多智能体系统（MAS）的新型框架。例如，EvoMAS在配置空间中采用进化生成来创建用于复杂推理和软件工程任务的MAS，其性能优于人类设计的系统和先前自动生成的方法。EvoSci将受生物启发的进化与知识图谱相结合，用于科学发现，使用基于角色的智能体来增强想法生成和同行评审。ToolMol将类似的进化智能体框架应用于药物发现，优化分子特性，并在结合亲和力和自由能得分方面取得了最先进的结果。
-
AI模型从分子数据中学习化学性质，控制序列捷径
研究人员开发了一种新的方法来评估分子生成模型，特别是基于SELFIES训练的Transformer-VAEs。他们的方法解决了表观性质可预测性可能源于序列捷径而非真实化学组织的问题。通过引入混淆感知评估，他们可以更准确地评估潜在空间在化学上的意义，并展示对多种化学性质的稳健引导。
-
Bolek模型将AI推理与分子结构相结合，用于药物发现
研究人员开发了Bolek，一个紧凑型多模态语言模型，专为分子推理而设计。该模型将分子结构嵌入整合到指令微调的文本解码器中，使其能够将自然语言解释与具体的分子特征联系起来。在各种分子对齐和推理任务上，Bolek的表现优于Qwen3-4B-Instruct和TxGemma-9B-Chat等现有模型，能够生成更具可审计性和更可靠的解释。
-
机器学习模型预测天然化合物中的阿尔茨海默病候选药物
研究人员开发了一种机器学习方法，用于从天然化合物中识别阿尔茨海默病潜在疗法。该研究利用化学信息学提取分子描述符，并训练了包括随机森林、XGBoost和支持向量机在内的各种分类模型。随机森林模型表现出最高的预测准确性，突显了亲脂性和分子量等理化性质在神经保护活性中的重要性。这种集成方法通过高效筛选大型数据集，有望加速神经退行性疾病的早期药物发现。