研究团队提出了一种名为 AdsMT 的多模态 Transformer 框架，用于高效预测催化剂表面与吸附质之间的最低吸附能（GMAE）。该方法结合图结构和特征向量，利用跨模态注意力机制，简化了计算过程。AdsMT 在多个基准数据集上表现优异，展现出良好的泛化能力和可解释性，适合大规模催化剂筛选。

瑞士联邦理工学院等研究团队开发的AI系统DiffSBDD，能够灵活设计和优化药物分子的3D结构。该系统利用SE(3)-等变扩散模型处理分子对称性，提高药物研发效率，展现出多功能性和通用性，未来有望推动个性化药物研发。

洛桑联邦理工学院的研究团队开发了一种使用蛋白质语言模型的方法，可以预测蛋白质之间的相互作用。该方法在小型数据集上表现良好，并可改进蛋白质复合物的结构预测。研究人员已免费提供该方法，希望推动计算生物学的发展。该方法有助于了解疾病机制和开发治疗方法。