生命科学

该文提出一个用于天然产物药物发现的框架，通过四层架构（来源鉴定、可重复化学指纹、正交优先级排序、确定性表征）与记录化的决策门，将证据转化为可审计的实验行动，并用“证据阶梯”区分分子鉴定置信度与化学新颖性、生物学新颖性和转化相关性，以应对样本元数据整合不完整、将分析检测等同于分子新颖性以及缺乏明确决策阈值这三类反复出现的缺口。

这篇综述系统梳理了AI驱动的药物-靶点相互作用（DTI）预测方法，从经典分子结合理论（锁钥模型、诱导契合、构象选择）出发，归纳了二元相互作用分类、结合亲和力回归与带不确定性评估的多任务预测等任务设定，整理了药物与靶蛋白的多模态表示（分子序列、图结构、3D构象、理化性质、生物扰动谱、蛋白序列与结构、生物医学知识网络）及交互标签与辅助数据资源，并按输入表示、编码器架构、交互建模机制、表示学习与预训练、学习目标、预测输出、数据获取或优化策略、泛化设定等正交维度对代表性方法进行比较，最后概述了其在疾病靶点挖掘、化合物虚拟筛选、亲和力与选择性优化、复合物结构预测及工业药物研发管线中的应用，并讨论了数据分

该工作提出 LinkLlama——一个在 ChEMBL 类药物分子语料上监督微调的 Meta Llama 3 模型，可接受包含距离、角度等几何约束以及 Lipinski 规则、可旋转键上限等理化目标的自然语言提示，为输入片段生成定制分子；在 ZINC 与 HiQBind 数据集上的基准测试显示，其几何保真度与严格三维感知模型相当，同时化学合理设计的比例提升约两倍（从 35% 升至 80% 以上，依据 PAINS、非类药物化学模式与复杂环系等结构过滤器判定），并通过小分子骨架跃迁与 PROTAC 连接子设计案例，经分子对接与分子动力学模拟对照已知晶体构象进行验证。

这篇综述梳理了微孔平台如何通过细胞加载策略、孔几何结构、平台架构与材料选择决定单细胞可获取的信息，并系统回顾其在细胞行为与细胞间相互作用、分泌组分析、基因组与转录组分析以及药物筛选与精准医学中的应用，同时区分了已在微孔研究中直接验证的人工智能方法与仍处于前瞻阶段的方法，指出微孔工程与人工智能驱动分析结合可将单细胞研究从测量推向预测与自主发现。

该研究将 mRNA 稳定性作为可调控的密码子优化设计参数，构建 IgG1 轻链同义编码序列组合文库并单拷贝整合到 CHO 细胞固定基因组位点，用 gDNA 与 mRNA 深度测序得到的稳态 mRNA 丰度作为稳定性代理指标，训练基于预训练核苷酸 transformer 嵌入的丰度预测模型，并将其与翻译指标一起纳入遗传算法进行多目标密码子优化；以 Trastuzumab 编码序列为概念验证，高丰度设计相对低丰度设计使胞内 mRNA 提高 41%、蛋白滴度提高 59%、细胞比生产率提高 85%，相对两家商业供应商基准序列滴度提高 70%、比生产率提高 98%，而活细胞密度相当。

Pro-GAT是一个基于图注意力的几何保持分子图修复框架，针对扩散模型在固定锚点约束下生成的化学上断连的PROTAC候选分子，通过预测有界坐标修正和受约束的原子类型修改来修复分子图；在DiffPROTAC测试集上恢复了31.58%的断连结构，与DiffPROTAC和经PROTAC数据微调的DiffLinker联用时，将聚合输出中化学有效候选的比例分别从76.70%提升至83.92%、从63.16%提升至68.73%，同时在有效候选中的唯一性分别保持在80.18%和63.80%，并在7Z76（SMARCA2-VHL）、7JTO（WDR5-VHL）和6W8I（BTK-cIAP1）三个实验表征的三元

该研究提出一种新的基础模型预训练路径：在低噪声、可计算的分子描述符上以监督学习方式进行预训练，以获得丰富且高度可迁移的分子表征，并以约一千万参数的 CheMeleon 模型加以验证；在来自产业界 Polaris 基准计划的 58 个覆盖小分子药物发现相关性质的数据集上，CheMeleon 使有向消息传递神经网络在低数据区制下终于超过经典方法，并在严格统计比较中优于基于分子指纹与描述符的随机森林等经典基线以及已有基础模型，同时模型与预训练框架已开源。