依意思最接近的 9 筆
Google DeepMind、Meta 與 AI 製藥公司 Isomorphic Labs 共同出資 3 億美元，投入由扎克伯格夫婦創立的非營利生物醫學機構 Biohub 牽頭的“虛擬細胞”專案。該專案屬於總額 18 億美元的“Virtual Biology”計劃，目標是建置可供 AI 使用的生物資料集與高精度預測模型，讓研究者能以數字化方式提出、預測並回答生物學問題，用於對抗疾病。Biohub 成立於 2016 年，長期以預測模型推動疾病防治研究。
文章主張借鑑製藥業分工，用預註冊收購讓前沿實驗室提前承諾買下 neolab 的研究成果。作者認為 neolab 同時被要求做出研究突破並長成風投級公司，兩個各約 1/100 的結果疊加只剩 1/10000；而製藥業讓小 biotech 承擔研發風險、成功後由大藥廠收購，2013–2022 年 FDA 批准藥物中營收低於 5 億美元的小公司貢獻 52%，大公司為 36%。
猶他州推出全美首個由 AI 獨立完成問診與開藥的試點專案，無需醫生直接監督。患者訂閱 Nolla Health 每月 4.99 美元的應用並掃描面部，AI 結合病史與個人資訊給出痤瘡嚴重度評分，從八種獲批外用藥物中推薦方案。試點為期一年，僅限輕中度痤瘡：前 100 張處方由醫生稽核，隨後 400 張改由 AI 直接提交藥房、醫生每週回溯，最終階段每月抽查至少 10% 的處方。
Periodic Labs 聯合創始人 Liam Fedus 與 Ekin Dogus Cubuk 在一檔播客中介紹了其「合成超級智慧」構想：以真實物理實驗作為強化學習環境，訓練能自主發現新材料的 AI 科學家。這家成立一年的公司正搭建自動化實驗室，希望讓每臺儀器擁有「140 IQ」，並用做科學的完整過程而非僅論文結果來訓練模型。他們認為失敗的實驗可能是最有價值的訓練資料，自主實驗可把數十年的試錯壓縮到數月，目標材料涵蓋室溫超導、磁體與電池。
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。
Google DeepMind 發布了一套可快速驗證生物設計是否內建安全防護的工具，並以開放形式供研究使用。該工具面向科研人員，目的是在 AI 加速科學發現的同時不拖慢關鍵研究進度。官方未披露具體工具名稱、技術細節與適用限制。
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。
一名軟體工程師用 Claude Code 搭建 AI 流水線，在一夜 12 小時內檢索 435 萬頁荷蘭東印度公司檔案與舊報紙，發現一份被遺忘的隕石記錄、三隻未記錄的犀牛和未定位的火山噴發。他把 570 萬段文字轉成語義向量檢索，再用每百萬詞僅幾美分的小型決策模型 Jev 初篩（讀 5.9 萬條大象記錄約 3 美元），由 Claude Haiku 精讀並核對原始掃描頁。靈感來自歷史學家 Benjamin Breen 用 Opus 5.5 找到的 1615 年渡渡鳥目擊記錄。
PostEra 正在招聘機器學習研究員，方向是用 agentic 系統推進藥物發現，崗位為遠端全職。工作重點包括自動化建置生化與生理過程的機制模型、分析生物資料用於靶點驗證，以及分子與表格資料的 in-context learning、基於公司自有多模態資料訓練基礎模型。要求機器學習或相關 STEM 博士、有 PyTorch 或 JAX 實操經驗，不要求藥物發現背景。