ETH 與羅氏用主動學習結合幾何圖神經網路預測硼化反應位點
蘇黎世聯邦理工學院（ETH）與羅氏團隊在《Nature Computational Science》發表研究，把主動學習與幾何圖神經網路串成閉環，預測藥物分子 C–H 硼化反應能否發生、發生在哪個位點。模型從 518 種底物、2044 組高通量實驗資料起步，先用 XGBoost 判斷反應是否成功，再以 BALD 採集函式從羅氏 22,253 種芳香族化合物中挑樣做實驗；三輪共新增 50 種底物、4821 組結果，總計 6865 組，覆蓋 568 種底物。
把主動學習的實驗選樣與幾何圖神經網路的位點預測串成閉環，給出 6865 組反應資料，並列出 MCC 0.43–0.50 對 XGBoost 0.35±0.12 的實測對比，對化學資訊學與藥物合成研究者有參考價值。
原標題：Nature子刊丨药物分子会在哪里发生反应？ETH与罗氏用AI预测硼化位点
閱讀原文
| 評分 | 65 / 68（平均 66，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
ROMA 讓機器人主動互動探索物體，7B 模型比肩 GPT-6 Astra
人大高瓴 GeWu-Lab、智源研究院等提出 ROMA 系統，讓多感測器機器人主動與物體互動來補全物理理解，其 ROMA-7B 模型在 ROMA Bench 的 2100 道題上取得 72.9% 成功率，整體與 GPT-6 Astra 持平，並超過 GPT-5.4 與 Gemini 3.5 Flash。該工作同時開源了覆蓋近 2000 個真實物體、視聽觸力四模態同步採集的互動資料集 ROMI-2K，以及包含單鏈、多鏈和意圖驅動三類任務的評測基準。
5 家藥企用 2 萬份私有資料聯邦訓練改進 OpenFold3
2026 年 9 月 14 日《Nature》發表 5 家藥企合作研究：用超過 2 萬份未公開的蛋白質—小分子結構資料，以聯邦訓練改進 OpenFold3。在 1056 個留出結構測試中，新模型高精度預測超過一半，公開版 OpenFold3 約三分之一，兩項關鍵指標分別提升約 10% 和 11%。參與方為 AbbVie、Astex、BMS、強生與武田，資料無需外流；英國 OpenBind 專案獲最高 800 萬英鎊支援，計劃 5 年內建開放資料庫。
大衛·貝克團隊提出文字條件化蛋白質生成模型 Prompteina
華盛頓大學大衛·貝克團隊聯合新加坡國立大學提出文字條件化全原子蛋白質結構生成模型 Prompteina，用自然語言提示即可指定蛋白質的結構與功能特性。團隊同時建置了含 180 萬個結構、超 5000 萬條說明文字的 Prompteina-Data 資料集。在 18 項結構特性基準中 Prompteina 有 15 項領先基線，智慧體引導的結合體設計介面置信度比最強基線提高 14%；針對此前無已報導從頭設計結合體的 GM2A，90 個測試設計中有 9 個產生結合體。
7B 審計模型 AgentForesight 上線，多智慧體任務失敗前預警
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
Gemini 4 Argon 數小時設計出 5 種活性絲胺酸酯酶
Gemini 4 Argon 在數小時內完成絲胺酸酯酶的設計與篩選，產出 5 個全新設計，後續實驗室測試證實它們均具備穩定的催化活性。研究人員以 4MU-acetate 為基準分子，該分子酯鍵被切開後會在紫外光下發光；Argon 負責彙總相關資料、進行模型微調並給出一系列生物化學篩選條件。傳統酶工程常需數月的模型調優與候選篩選，這一流程有望加速生物製造、綠色化學與藥物研發。