bioRxiv 2026年9月18日该工作提出 LLMsFold 计算框架，用几何方法识别靶蛋白结合口袋，由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子，再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化，在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子，其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72，CD19 Pocket 1 候选预测 pIC50 约 7.73。该工作提出 LLMsFold 计算框架，用几何方法识别靶蛋白结合口袋，由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子，再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化，在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子，其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72，CD19 Pocket 1 候选预测 pIC50 约 7.73。LLMsFold：将大语言模型与生物物理模拟结合用于从头药物设计该工作提出 LLMsFold 计算框架，用几何方法识别靶蛋白结合口袋，由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子，再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化，在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子，其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72，CD19 Pocket 1 候选预测 pIC50 约 7.73。该工作提出 LLMsFold 计算框架，用几何方法识别靶蛋白结合口袋，由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子，再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化，在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子，其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72，CD19 Pocket 1 候选预测 pIC50 约 7.73。