Axcelis Technologies, Inc.将成为2026年亚洲化合物半导体大会的钻石级赞助商，会议定于3月24日至27日在上海举行。Axcelis的CEO Russell Low和全球应用总监Hongchen Zhao将发表演讲，介绍离子注入系统的关键应用。

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。

本研究提出了一种人工智能引导的抗生素发现管道，以应对抗生素耐药性危机。通过结构聚类分析病原体的预测蛋白组，识别重要靶标，并评估六种3D结构生成模型的实用性，为抗生素开发提供参考和蓝图。

该研究提出了EquiCPI，这是一个结合结构建模和SE(3)等变神经网络的几何深度学习框架，旨在提高化合物-蛋白质相互作用预测的准确性。EquiCPI在BindingDB和DUD-E评估中表现优异，超越了现有的深度学习方法。

本研究解决了药物发现和材料设计中水溶性预测的关键问题。通过简单确定性图论描述符和多重线性回归 (MLR) 的创新性结合，提出了一种新的统一方法，实现了高精度的水溶性预测，准确率达到了[0.7191, 0.9377]。该方法为理解化合物水溶性提供了新的思路，减少了对复杂化学描述符和计算代价高的机器学习模型的依赖。

本文介绍了一种基于Transformer的分子生成模型微调方法，利用其优越的序列学习能力生成具有特定属性的化合物。与传统RNN模型相比，该方法在生成多种生物目标活性化合物方面表现优异，能够有效捕捉分子结构的长期依赖关系。此外，研究结合了VAE模型，成功预测分子性质，展示了在生成新型分子方面的优势。

当前药物发现的生成模型主要使用分子对接来评估生成化合物的质量，但这种模型在实践中往往无用，因为即使具有较高对接分数的化合物也未必总是显示实验活性。我们提出了一种多保真度的方法，Multi-Fidelity Bind (MFBind)，以实现准确性和计算成本之间的最佳权衡。MFBind...

NASA在最近的任务中遇到了挫折。旅行者1号失去了通信，但可能仍在运行。机智号火星直升机坠毁，任务结束。毅力号探测车的激光发生故障，影响了岩石分析。NASA正在调查并增加伺服电机的功率。SHERLOC仪器无法收集光谱数据。

本文综述了基于深度学习的化合物-蛋白质相互作用预测方法，如MCPI、DrugCLIP、PTM-CMGMS等模型，通过整合PPI、CCI网络及结构特征提升预测性能，并应用于SARS-CoV-2抑制剂筛选和药物研发。

本文研究了化合物的追溯合成，通过逐步分解化合物为分子前体，找到商业可获得的分子，提供合成路径。发现了单步表现与合成路线成功之间的断裂，并展示了单步模型对多步合成规划成功率的重要影响。