人工智能加速靶点发现和药物设计，结合基因组数据推动生命科学变革。基础模型提高药物研发效率，但需解决数据安全和技术复杂性问题。Genesis Workbench为生物AI/ML提供开发蓝图，简化科学家使用复杂模型的流程。

麻省理工学院的研究人员利用人工智能设计了新型抗生素，针对耐药性淋病奈瑟菌和耐多药金黄色葡萄球菌（MRSA）。他们生成了超过3600万个化合物，筛选出具有抗菌特性的候选药物，这些新药通过干扰细菌细胞膜的合成发挥作用，展示了AI在药物设计中的潜力。

张海仓是上海交通大学医学院的研究员，专注于人工智能与生命科学的交叉领域，尤其在蛋白质和药物设计方面。课题组开发了多种AI算法，并发表了多篇国际期刊论文。目前招聘助理研究员、博士后和客座学生，要求具备相关背景及Python编程能力，提供竞争力薪资和科研支持。

浙江大学研究团队提出Delete模型，结合生成人工智能与结构优化，提高药物设计效率。该模型有效优化先导化合物，生成高效结合分子。实验表明，Delete设计的抑制剂CA-B-1在抗肿瘤方面表现优异，显示出在药物发现中的潜力。

MIT研究团队开发的MDGen模型能够高效模拟分子动态，帮助化学家设计新药物。该模型通过学习历史数据，快速生成分子运动的模拟，显著提升了模拟的速度和准确性，为药物研发开辟了新方向。

北京大学研究团队提出了一种通用病毒进化预测模型E2VD，基于进化论视角，解决病毒变异关键问题。该模型通过定制化蛋白质语言模型和创新设计，显著提高稀有有益突变的预测精度，助力疫苗和药物设计，增强应对新发病毒的能力。

G2PT是一种新型图生成模型，通过序列化表示提高计算效率，显著优于传统的邻接矩阵方法。该模型在药物设计和图属性预测等多个任务中表现出色，展现了广泛的适应性和优越性能，为图生成领域提供了新思路。

中国科学院与浙江大学的研究人员提出了SurfDock，一种深度学习方法，能够准确预测蛋白质-配体相互作用。该方法整合了蛋白质序列、三维结构和表面特征，优化结合姿势，性能优于现有技术。SurfDock在虚拟筛选中识别出七种新分子，具有广泛的应用潜力，推动药物设计和基础生物学研究。

近年来，人工智能（AI）技术正在改变科学研究模式，诺贝尔奖也认可了这一趋势。尽管面临计算能力和数据规模的挑战，NVIDIA推出了多种AI工具，显著提升药物设计和气候预测等领域的科研效率。AI与科学的结合推动了跨学科创新，未来将进一步拓展科学发现的边界。

AIxiv专栏促进学术交流，报道超过2000篇内容。斯坦福大学等机构提出的无训练指导框架TFG，解决了扩散模型的条件生成问题，提升了生成性能。TFG在多个领域表现优异，未来有望应用于药物设计等领域。

腾讯 AI Lab 提出的 Interformer 模型基于 Graph-Transformer 架构，旨在改进蛋白质-配体对接和亲和力预测。该模型通过交互感知混合密度网络捕获非共价相互作用，提升了预测性能和可解释性。研究表明，Interformer 在多个基准测试中表现优异，成功识别高效小分子，展示了其在药物设计中的潜力。