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。

大语言模型Y-Mol在药物研发中展现出强大能力，解决了领域知识不足和数据获取难题，提升了药物-靶标及药物-药物相互作用的预测性能，为药物研发提供了新工具。

本文探讨了大型语言模型（LLMs）在药物发现中的应用，评估其在生成化合物定义和识别化合物-真菌关系方面的能力。尽管模型流畅度有所提升，但事实准确性仍低。研究介绍了多模态模型InstructMol和专用模型DrugLLM，展示了它们在药物设计中的潜力。Tx-LLM作为通用模型，能够在药物发现的多个阶段进行有效预测，推动生化知识的编码。整体上，LLMs在药物开发中展现出颠覆性影响。

本文介绍了多种基于深度学习和生成模型的分子对接方法，如Re-Dock、DiffDock和DeltaDock等。这些方法通过引入灵活性和几何映射，显著提高了对接的准确性和效率，尤其在药物发现中展现出巨大潜力。研究表明，利用多样化的生成数据和深度学习技术，可以有效改善配体结合模式的预测，推动药物开发进程。

通过对梯度数据和卷积神经网络块的总和施加单调性约束，本研究旨在放松对卷积神经网络块的约束以提高性能，并仅将算子在图像流形附近的局部邻域内保持单调性约束，从而实现从稀疏测量恢复磁共振图像的创新方法。

该文介绍了一种新颖的离群分布检测模型，称为CAOOD，通过MOL在训练过程中学习到了一个良好初始化的离群分布检测模型。实验证明该方法在保持ID分类准确性和离群分布检测性能方面有效。

研究人员通过引入GIT-Mol和GIT-Former，提出了一种创新的分子翻译策略，提高了分子字幕生成和属性预测的准确性，同时提高了分子生成的有效性。