PharmaDiff把三维药效团假设转成原子级子图，作为条件注入扩散生成过程，直接产出符合预设空间排布的三维分子。在GEOM-Drugs测试集随机抽取的250个药效团条件上，其平均匹配分数为0.8964、完美匹配率为0.6990，高于PGMG、TransPharmer、REINVENT4、ShEPhERD与PhoreGen；在四个靶点上平均对接分数也优于需要蛋白结构的DiffSBDD，但PoseBusters通过率低于ShEPhERD与PhoreGen。
该工作提出 TRACEDD 框架，以“工具优先”的多智能体架构让大语言模型充当推理与编排层、由领域验证过的计算工具提供结构、化学、药理与合成预测，并以 JAK2 为案例走通从靶点验证、结构获取或 AlphaFold 预测、可成药性口袋识别、基于强化学习的从头分子生成、先导优化、ADMET 与生物活性评估、文献证据整合到逆合成规划的端到端流程，使每一步决策都与显式工具调用和中间证据相连。
该工作提出 PockLigGPT，一个以蛋白质口袋氨基酸序列为条件、基于 GPT 的配体分子生成框架，采用四阶段训练（ZINC20 化学预训练、ChEMBL 生物活性适配、口袋序列条件微调、基于 AutoDock Vina 奖励的口袋特异性对接引导强化学习），在标准化评测协议下取得有竞争力的对接导向表现，同时保持化学合理性与基于 Lipinski 的类药性，并在阿尔茨海默病相关靶点的对接研究与 token 级分析中显示出实用性。
已读完全部报道