字节Seed通过化学思想重新定义AI长链思维，提出深度推理、自我反思和自我探索三种思维行为，形成稳定的推理结构。这些行为在推理过程中相互作用，提升模型的逻辑聚焦和思维覆盖，进而提高推理效率。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出了MolLangBench基准，用于评估语言与分子交互任务，指出当前AI模型在分子识别和操作方面的局限性，旨在推动化学领域更高效的AI系统发展。

本研究提出了一种新颖的潜在评分匹配（PSM）方法，旨在降低传统分子结构采样的成本和复杂性。PSM通过潜在能量梯度引导生成模型，在有限和有偏的数据上有效去偏采样，生成的分子分布更接近玻尔兹曼分布，性能优于传统扩散模型。

本研究提出了一种改进的分数匹配方法，旨在生成具有高能量精度的分子结构。该方法通过在物理信息内部坐标定义的流形上进行去噪和去噪，显著提升了生成分子结构的准确性，达到了化学精度，具有在计算化学中的广泛应用潜力。

本研究解决了生物分子设计应用中，对大型3D分子结构进行高保真编码和表示的挑战。提出了一种量化自编码器，能够实现完整蛋白质、RNA和小分子结构的原子级标记，重建精度达到1埃以下。研究结果表明，Mamba状态空间模型在效率上优于其它方法，能够在更少的数据和计算资源下实现竞争性的精度，并且能够扩展到近10万个原子的系统。

AlphaFold 3是一种蛋白质结构预测工具，具有改进的模型架构和减少对多序列比对（MSA）的依赖，实现了原子级结构预测。它在配体对接、蛋白质复合物预测、翻译后修饰预测和DNA/RNA结构预测方面取得了显著进展。然而，它在RNA结构预测方面仍需改进。AlphaFold 3在预测共价修饰方面存在局限性，并可能产生幻觉。目前，AlphaFold 3在蛋白质修饰、DNA/RNA修饰、金属离子和配体方面存在一定限制。总体而言，尽管AlphaFold 3取得了重大进展，但仍需要进一步研究和努力来解决复杂问题。

本研究解决了AlphaFold3开放性不足的问题，通过开发HelixFold3，旨在复制AlphaFold3的预测能力。HelixFold3整合了前期模型的见解及大量数据集，实现了在常规配体、核酸和蛋白质结构预测中的高准确性，为生物分子研究提供了开源工具，促进了科学发现的加速。

本文探讨了持久同调在机器学习中的应用，特别是在分子结构分析和分类中的潜力。研究通过持久性图和持久性袋矢等方法，提高了对分子拓扑特征的识别能力，并在多个数据集上验证了其有效性。这些方法在预测分子性质方面表现优于传统技术。

该论文提出了一种基于Simplicial Message Passing框架的分子结构处理方法，利用深度学习进行量子化学性质预测，优于传统的MPNN。研究探索了MPNN的变体，强调未来应关注更大分子和更精确的数据集。通过改进的信息传递机制，模型在多个基准任务中实现了先进的预测精度。

薄层色谱（TLC）是分子极性分析中关键的技术。为了解决TLC预测模型的解释性问题，研究者引入了无监督的分层符号回归（UHiSR）方法，结合了分层神经网络和符号回归。UHiSR可以自动提取具有化学直观性的极性指数，并找到了将分子结构与色谱行为相关联的解释方程。

该研究利用基于配体的药物设计方法，开发了一种新型生成模型 ShapeMol，可以根据给定分子的形状生成 3D 分子结构。实验结果展示了 ShapeMol 在设计药物候选化合物方面的潜力，能够生成与给定形状条件相似的新型多样化的类似药物的分子。

ChemDraw 可以说是绘制分子结构2D图的不二之选，不过这个程序是付费软件。最近几年，随着各种免费竞品的兴起，Chemdraw也发布了免费的在线版本 (https://chemdrawdir...