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Mol-LLM，通过多模态训练和分子结构优化，克服了大型语言模型在分子任务中的局限性，表现优于大多数现有模型。

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。

Tx-LLM是从PaLM-2细调的大型语言模型，专注于加速药物开发。它能编码治疗模式知识，并在药物发现各阶段进行预测，表现优异，未来可能成为药物开发的端到端工具。

研究引入了一种新的分子对接方法HelixDock，利用大规模和多样化的生成数据，结合深度学习预训练网络和少量精确的受体-配体复合物结构，在挑战性测试中表现出优势。研究还发现，随着模型参数和预训练数据数量的增加，预训练分子对接模型的效果持续改进。这一研究有望推动以人工智能驱动的药物发现。

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。