结构预测、生成式设计与虚拟细胞：AI 在药物发现和临床中的可验证进展。
Nature 发表 SynthIDBio 方法族，可在不损害蛋白功能的前提下为 AI 生成的蛋白序列和结构嵌入水印，用于建立 AI 生成生物分子的可追溯性。研究者设计出带水印的功能性蛋白结合剂，其结合力与无水印版本相当，水印检测准确率接近完美；其中 SynthIDBio-structure 基于微调的 AlphaFold3，在生物分子结构中嵌入不可感知水印，作为 AI 驱动生物工程溯源的概念验证。
推荐理由：原文给出在保持蛋白功能前提下嵌入水印并实现近完美检测的具体方案，读者可据此与现有 AI 生成内容溯源手段直接比较。
该工作提出动态范围分数（DRF）标定框架和插值重复基线，用于评估扰动预测度量对生物学信号灵敏度。在14个数据集、18个度量上测试9个深度学习模型（scGPT、GEARS、PRESAGE、scLambda、CellFlow等）和4种基础模型嵌入探针，结果显示标定度量下多数模型可超越无信息基线，PRESAGE在Wessels23组合扰动任务上于15/18个度量超过加性基线。
推荐理由：该工作提出 DRF 标定框架与插值重复基线，说明先前基准因度量未标定而低估了深度学习模型在遗传扰动预测中的真实表现。
一项基于分数阶微分方程的肿瘤-免疫-药物模型分析表明，降低分数阶导数阶数仅改变动力学瞬态过程，并不影响模型的最终平衡状态。研究还指出，单次推注给药后药物浓度的峰值即为初始浓度，且当阶数α<1时，浓度-时间曲线下面积会发散。所有模拟参数均为无量纲示例，源代码已公开以确保结果可重现。
研究者开发了SynthIDBio-sequence和SynthIDBio-structure两种水印方法，分别用于AI生成的蛋白质序列和结构。通过体外实验验证，水印蛋白结合剂对SARS-CoV-2受体结合域（SC2RBD）保持低纳摩尔结合亲和力，对VEGF-A和PD-L1保持亚纳摩尔结合亲和力。水印检测在0.1%假阳性率下达到100%真阳性率，且不影响关键结构指标如LDDT和模板建模分数。
推荐理由：研究者开发了两种功能保持型水印方法，通过体外实验验证了水印蛋白结合剂在SC2RBD、VEGF-A和PD-L1靶点上保持纳摩尔级结合亲和力。
可重复性是可信科学的基石，但在生物医学研究中其规范实践尚未得到一致落实。本文综述了当前在统一术语与实施方案方面的努力、持续存在的障碍以及整个科研生态系统的应对举措。
推荐理由：热度：X 浏览 8114 · 2 个信源报道同一事件
研究人员开发了用于细胞学的通用基础模型CROWN。该模型旨在支持跨器官、疾病和临床场景的广泛诊断应用，突破了现有AI系统通常仅针对特定任务和样本类型的局限。
指数加权集成深度学习模型在肺腺癌组织学生长模式分类中达到kappa值0.9648和96.52%准确率，显著优于最佳单模型（McNemar检验p<10^-12）。
AGENT框架结合高通量实验与贝叶斯优化，可快速设计热稳定的固态mRNA疫苗。这些制剂在37°C储存两个月后仍保持完全生物活性，在啮齿类和非人灵长类动物中通过微针贴片引发与新鲜疫苗相当的免疫反应。
FRANK 机器学习模型利用 11,467 个转录组数据对 181 种儿童肿瘤及正常组织类型进行分类，在包含 16,398 个样本的九个数据集中实现 98.3% 的总体准确率。该模型在长读长 RNA 测序数据以及噪声和低质量数据中保持准确性，并在外部数据集上优于其他已发表的儿童泛癌种 RNA-seq 分类器。
SHERLOCK 是一个用于单细胞扰动分析的可解释深度生成框架，它将扰动效应表示为对潜在基线细胞状态的结构化干预。该框架学习相关且稀疏的扰动表征，能根据共享的转录反应对遗传和药理学扰动进行组织，并可量化不同条件下的扰动反应变化以及组合式建模组合扰动效应。在基因组规模CRISPR、化学和空间扰动数据集上的测试表明，SHERLOCK能够恢复与已知生物通路和药理学特性一致的扰动关系。
基因泰克支付 5500 万美元首付款，与 AI 生物技术公司 Earendil Labs 合作发现和开发多款双特异性抗体癌症疗法。这笔交易总额可能超过 15 亿美元，包含开发、监管和销售里程碑付款。Earendil 将负责抗体发现和早期临床研究，而基因泰克将主导后续全球临床开发和商业化活动。
一项涵盖130万项专利反应的分析显示，化学家仍高度依赖二氯甲烷（DCM）等有害溶剂，其使用比例从1976年的约60%升至2016年的70%以上。该研究还发现三氟乙酸（TFA）等持久性PFAS类溶剂使用量大幅增加，这类溶剂在药物早期发现阶段被广泛采用。分析基于1976-2016年美国专利数据库，未反映近年变化且未统计溶剂实际用量。
推荐理由：热度：X 浏览 5.9 万
FDA 专家委员会认定 Galleri 多癌种早期血液检测产品的临床获益超过其风险。此次投票是该产品推进 FDA 正式审批流程中的关键节点。
研究人员开发了深度学习框架 CMAC，用于估计心肌细胞的绝对转录成熟年龄。该模型整合了18个小鼠单细胞RNA测序数据集，在独立验证队列中对98,163个心肌细胞的预测误差仅为0.33天，并成功量化了PGC1{beta}双敲除模型中4.77至8.60天的成熟延迟。CMAC为量化心肌细胞发育偏离正常轨迹提供了统一工具。
Anthropic 与霍华德·休斯医学研究所 Janelia 研究园区合作开发的 Model Hardware Standard (MHS) 软件框架，可将具有可编程接口的实验室设备连接成一个无缝系统。该框架允许人工智能代理控制设备并协调实验，使研究团队能在数小时内完成实验设置，显著缩短了从实验构想到运行所需的时间。
推荐理由：热度：X 浏览 2.1 万
unZipro 是一种几何深度学习框架，可将通用蛋白质设计模型适配于特定蛋白质家族。该框架利用元学习高效探索家族特异性适应度景观，在基因编辑、荧光素酶报告、转录调控和抗病毒等多个领域实现了快速蛋白质进化，且仅需最少的实验筛选。
AlphaFold 蛋白质结构数据库于 9 月 24 日新增了 8,000 多个病毒蛋白二聚体的预测结构，涵盖 23 个能感染人类的病毒家族。此次更新是 AlphaFold 数据库内“大流行防范门户”启动的一部分，旨在弥补病毒蛋白结构数据的空白。研究人员分析了近 2,800 种病毒的蛋白质序列，但仅有约 8,000 个预测结果因准确性达标被纳入数据库。
推荐理由：热度：X 浏览 7.4 万
基于 482 名患者的 5390 万条 EHR 访问日志构建的新型团队内外信息共享测量指标，能显著预测未来急诊就诊和经急诊入院的住院情况。这一通过 EHR 进行的、可修改的团队信息共享维度，可减少急性护理利用率。研究获得了加州大学戴维斯分校 IRB 的批准（#1988738）。
一项研究显示，AI设计的IL-21模拟物可通过CD4 T细胞将KRAS抑制剂的短暂响应转化为胰腺癌的持久缓解，且该过程不依赖CD8 T细胞和肿瘤MHC I类表达。
推荐理由：该研究通过AI设计的IL-21模拟物，揭示了CD4 T细胞在胰腺癌中对KRAS抑制剂疗效的转化作用，为克服耐药提供了新视角。
研究团队利用基因组基础模型 Evo2 对软组织肉瘤患者的肿瘤基因组变异序列进行嵌入，生成患者水平的基因组表征。在包含102名患者的队列中，将Evo2特征加入临床病理模型SARCULATOR后，总体生存（OS）的C-index从0.620提升至0.770，无进展生存（PFS）从0.625提升至0.755。
推荐理由：研究将基因组基础模型与临床病理和转录组模型结合，在多个生存终点上展示了预后预测能力的提升。