依意思最接近的 13 筆
Google 為 agent 平台 Antigravity 推出化學資訊學 Skills，使其成為化學科研工作臺。這些技能以開源工具包 RDKit 為基礎，並接入 ChEMBL 與 PubChem 的整理資料，由語言模型負責任務編排、資料庫導航與科學推理，確定性化學工具執行分子計算。官方演示中，agent 幾分鐘內從文獻檢索並清洗出數千個化合物、完成匹配分子對分析，一小時內提出帶合成路線的新型剛性化大環分子，並標註其血腦屏障穿透性。
OpenAI 發布 GPT-Rosalind，用於幫助科研人員跨科學文獻與生物資料進行推理，由科學家提供專業判斷來評估證據。符合條件的實驗室可獲最多 12 個月的 OpenAI 工具贊助訪問，其中 GPT-Rosalind 需通過可信訪問審批。通過 Rosalind Academic Plan 共享的研究資料預設不用於訓練模型。
OpenAI 的 GPT-Rosalind 在 Perry 綜合徵相關基因 DCTN1 的小鼠腦資料中發現藥物研發新線索：膽固醇可能無法運到神經元需要的位置，進而引發退化。數千個 agent 並行工作，僅用 32 分鐘就把數百萬個小鼠腦細胞基因表達結果與科學文獻關聯起來，合作方為 PerturbAI 與 Scripps Research。雙方正擴大合作，繼續尋找新藥靶點。
10 月 21 日，OpenAI 聯合 PerturbAI 與 Scripps Research 公布：由新架構 GPT-Rosalind 驅動的數千個 AI 智慧體，在 32 分鐘內解析了約 772 萬行的小鼠全腦 CRISPR 擾動資料集，同類工作人類研究者需數月到一年。分散式叢集合計引用 700 餘篇文獻，而單智慧體受上下文視窗限制平均僅引用 11 篇；盲法專家比較中，75% 更偏好分散式報告。
2026 年 10 月 20 日，OpenAI 宣布收購藥物研發協作平台 Orchestra Bio，其團隊與技術將併入面向生命科學研究的 Rosalind（含 GPT-Rosalind 與 Rosalind Workbench）。Orchestra 的平台讓人與 AI agent 共同推進藥物專案：例如某批生產失敗時，agent 定位受影響的試驗與時間線、彙集資訊並比較應對方案。
OpenAI 發布 Rosalind Academic Plan，為符合條件的學術實驗室提供 GPT-Rosalind 的贊助存取權限，以及用於推進生命科學研究的配套工具。該計劃明確面向學術研究場景，公告未披露具體額度、資格細則與申請方式。
OpenAI 擴大 GPT-Rosalind 的學術研究存取權限，並推出新的 Rosalind Academic Plan。該計劃面向美國高校中符合條件的實驗室提供贊助訪問，用於理解生物學、探索想法並決定下一步測試什麼。OpenAI 稱，學術研究提出的問題往往需要數年才可能影響人類健康。
Mistral AI 公布了一個可在計算機上預測分子行為的量子化學工具，由 Le Chonk 從零編寫，官方稱它「能給出正確答案」。這一工具用於在實驗室驗證前模擬分子性質，是研發新藥、新材料與電池的第一步。推文未披露所用模型、程式碼或具體評測資料。
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。
Ricursive Intelligence 兩位創始人在 TechCrunch Disrupt 上介紹，公司正開發能自行設計晶片、從每次迭代中學習並改進後續設計的 AI，目標是自動化並加速晶片設計流程。創始人 Anna Goldie 與 Azalia Mirhoseini 稱未來五年算力需求至少增長 10000 倍，與其建 10000 倍資料中心，不如讓晶片和晶圓用得更高效；
OpenAI 開發者帳號發帖介紹，免疫學家 @DeryaTR_ 使用 Codex 模擬單個細胞對藥物作出反應。他是 OpenAI 社群九位開發者之一，這九人分別分享自己正在用 Codex 推進的工作，相關案例彙總在 codex-originals 頁面。帖文以執行緒形式逐條介紹並附上該頁面連結，但原文未披露具體模型版本、模擬方法和實驗結果。
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。
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。