本周值得看OptiPrime 是一套為 prime editing 挑選引導(dǎo) RNA 的機(jī)制型機(jī)器學(xué)習(xí)模型。本周論文報(bào)告了跨實(shí)驗(yàn)條件預(yù)測并把候選設(shè)計(jì)推進(jìn)到原代細(xì)胞和小鼠腦內(nèi)驗(yàn)證它離臨床應(yīng)用仍有距離但證據(jù)鏈比單純計(jì)算評測更完整。ConceptCLIP 是一個能把醫(yī)學(xué)影像判斷關(guān)聯(lián)到生物醫(yī)學(xué)概念的基礎(chǔ)模型。本周發(fā)表的研究覆蓋多種影像模態(tài)并用醫(yī)生用戶研究檢驗(yàn)解釋能否幫助復(fù)核。Anthropic 展示了由 Claude 編排蛋白設(shè)計(jì)工具并交給外部實(shí)驗(yàn)室測試的工作流。15 個靶標(biāo)中有 14 個獲得至少一個經(jīng)實(shí)驗(yàn)確認(rèn)的結(jié)合蛋白。技術(shù)突破高影響期刊與正式科研成果有些工作已經(jīng)走到原代細(xì)胞、小鼠、醫(yī)生用戶或跨站點(diǎn)驗(yàn)證另一些仍是計(jì)算基準(zhǔn)它們能支持的結(jié)論并不相同。OptiPrime用機(jī)制約束減少 prime editing 的試錯OptiPrime 是一套幫助研究人員為 prime editing先導(dǎo)編輯挑選 pegRNA 的機(jī)器學(xué)習(xí)模型目標(biāo)是減少逐條構(gòu)建和測試候選序列的實(shí)驗(yàn)成本。Nature Biotechnology 本周發(fā)表的研究用297,962 條編輯效率記錄、40 種實(shí)驗(yàn)條件聯(lián)合訓(xùn)練模型并在原代人和小鼠細(xì)胞中做了前瞻性測試在 KIF1A 疾病模型小鼠的大腦皮層中部分設(shè)計(jì)的總體編輯效率超過 40%。它沒有把編輯結(jié)果當(dāng)作純粹的序列分類問題而是用偽速率和常微分方程表示編輯過程中的生化步驟讓研究人員可以檢查換了細(xì)胞或編輯器后限制步驟是否也隨之變化。圖OptiPrime 的機(jī)制型模型結(jié)構(gòu)將異源雙鏈形成、切口與修復(fù)等步驟連接到編輯結(jié)果。來源Nature Biotechnology 原文。相關(guān)資源OptiPrime 網(wǎng)頁服務(wù)訓(xùn)練與推理代碼前端代碼原始測序數(shù)據(jù) PRJNA1314411。來源Mechanistic machine learning for prediction of prime editing outcomesNature Biotechnologyhttps://www.nature.com/articles/s41587-026-03261-72026-08-12訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型同行評議研究論文ArticleConceptCLIP讓醫(yī)學(xué)影像模型把判斷落到可核對的概念上ConceptCLIP 是一個面向醫(yī)學(xué)影像的基礎(chǔ)模型它不只匹配圖像和報(bào)告還把局部影像區(qū)域連接到可讀的生物醫(yī)學(xué)概念方便醫(yī)生追問模型依據(jù)。Nature Biomedical Engineering 本周發(fā)表的研究以MedConcept-23M 的 2,300 萬組“圖像—文本—概念”數(shù)據(jù)預(yù)訓(xùn)練模型并在 78 個數(shù)據(jù)集、10 種影像模態(tài)上比較分類、檢索、定位和分割等任務(wù)。三種影像模態(tài)上的醫(yī)生用戶研究進(jìn)一步顯示概念解釋能幫助參與者核對預(yù)測和發(fā)現(xiàn)錯誤這使“解釋是否有用”成為可以測試的問題.圖研究用醫(yī)生用戶實(shí)驗(yàn)比較有無概念解釋時(shí)的復(fù)核表現(xiàn)。來源Nature Biomedical Engineering 原文。相關(guān)資源MedConcept-23M 數(shù)據(jù)集ConceptCLIP 代碼模型權(quán)重。來源An explainable biomedical foundation model via large-scale concept-enhanced vision–language pretrainingNature Biomedical Engineeringhttps://www.nature.com/articles/s41551-026-01764-x2026-08-17訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型同行評議研究論文Article混合專家原子間勢讓不同“專家”分擔(dān)化學(xué)環(huán)境研究者把 mixture of experts混合專家MoE架構(gòu)放進(jìn)機(jī)器學(xué)習(xí)原子間勢 DPA3讓不同子網(wǎng)絡(luò)分別處理不同元素和局部化學(xué)環(huán)境同時(shí)只激活一部分參數(shù)。npj Artificial Intelligence 本周刊出的研究系統(tǒng)比較了非線性 MoE 與線性專家組合發(fā)現(xiàn)帶共享專家、按元素路由的方案在OMol25、OMat24 和 OC20M三組基準(zhǔn)上優(yōu)于 DPA3 基線學(xué)到的專家分工也與元素周期趨勢有一定對應(yīng)。這給擴(kuò)大勢函數(shù)容量提供了一種控制計(jì)算量的辦法路由結(jié)果也能用來觀察模型是否學(xué)到了可辨認(rèn)的化學(xué)結(jié)構(gòu)。目前證據(jù)來自計(jì)算基準(zhǔn)沒有新材料合成或?qū)嶒?yàn)性質(zhì)驗(yàn)證。來源Mixture of experts architectures for machine learning interatomic potentialsnpj Artificial Intelligencehttps://www.nature.com/articles/s44387-026-00144-92026-08-13訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型同行評議研究論文早期版本Article可遷移臭氧預(yù)測把 VOC 觀測帶進(jìn)異常排放環(huán)境研究團(tuán)隊(duì)用可解釋機(jī)器學(xué)習(xí)預(yù)測近地面臭氧并重點(diǎn)考察模型離開常規(guī)城市數(shù)據(jù)后還能否工作比如在疫情期間城市排放結(jié)構(gòu)分布與常規(guī)時(shí)期不同。npj Clean Air 本周發(fā)表的論文基于上海四年的氣象、常規(guī)污染物和 volatile organic compounds揮發(fā)性有機(jī)物VOC觀測訓(xùn)練自動化機(jī)器學(xué)習(xí)模型再用疫情期間的異常減排階段和中國北方一個獨(dú)立鄉(xiāng)村站點(diǎn)檢驗(yàn)遷移能力加入 VOC 的模型在這些環(huán)境中更穩(wěn)定。臭氧由多種前體物和氣象條件共同決定模型若只在原站點(diǎn)擬合得好很容易失效因此跨排放情景和跨站點(diǎn)測試比再提高一點(diǎn)隨機(jī)切分分?jǐn)?shù)更接近環(huán)境管理的實(shí)際問題。作者也提醒SHAP 給出的變量貢獻(xiàn)是統(tǒng)計(jì)關(guān)聯(lián)不是光化學(xué)因果機(jī)制這項(xiàng)工作不能替代過程模型或直接證明某個減排措施的效果。圖疫情期間排放結(jié)構(gòu)變化為臭氧模型提供了偏離常規(guī)訓(xùn)練分布的檢驗(yàn)場景。來源npj Clean Air 原文。相關(guān)資源上海 VOC 數(shù)據(jù)對應(yīng)的存檔研究研究采用的 FLAML 自動化機(jī)器學(xué)習(xí)框架。來源VOC observations improve transferable ozone prediction using interpretable machine learningnpj Clean Airhttps://www.nature.com/articles/s44407-026-00095-02026-08-15訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型同行評議研究論文Article行業(yè)資訊與應(yīng)用進(jìn)展從研究到落地通用模型正在從“回答科研問題”走向編排專用模型、讀取儀器數(shù)據(jù)和交付可實(shí)驗(yàn)驗(yàn)證的候選物。真正需要看的是外部實(shí)驗(yàn)?zāi)芊駨?fù)核結(jié)果以及一次成功演示能不能擴(kuò)展到更多靶標(biāo)和更復(fù)雜的研發(fā)決策。Claude 科研工作流蛋白設(shè)計(jì)交給外部實(shí)驗(yàn)室驗(yàn)收Anthropic 展示的是一種科研工作流Claude 負(fù)責(zé)拆解蛋白設(shè)計(jì)任務(wù)、調(diào)用公開的折疊與設(shè)計(jì)模型并組合候選而不是把通用語言模型包裝成新的蛋白基礎(chǔ)模型。公司 8 月 18 日發(fā)布的研究文章稱Claude Mythos Preview 和 Claude Opus 4.8 為 15 個靶標(biāo)生成設(shè)計(jì)Adaptyv Bio 與 Twist Bioscience 獨(dú)立合成和測試后14 個靶標(biāo)得到至少一個經(jīng)實(shí)驗(yàn)確認(rèn)的結(jié)合蛋白1,320 條訂購序列中確認(rèn)了 354 個結(jié)合蛋白。文章還給出一個分析化學(xué)小案例Claude Opus 5 讀取原始 NMR 和 LC–MS 文件后在兩次例程分析中給出的氫計(jì)數(shù)與純度接近實(shí)驗(yàn)室參考結(jié)果。這里真正新增的是編排環(huán)節(jié)通用模型開始承擔(dān)“選擇工具—運(yùn)行流程—讀回結(jié)果”輸出再交給濕實(shí)驗(yàn)或儀器數(shù)據(jù)驗(yàn)收。圖Claude 在不同任務(wù)中組合公開的蛋白設(shè)計(jì)與結(jié)構(gòu)預(yù)測模型輸出再交由外部實(shí)驗(yàn)室測試。來源Anthropic 官方研究文章。相關(guān)資源官方文章內(nèi)附蛋白設(shè)計(jì)提示詞、計(jì)算結(jié)果、體外實(shí)驗(yàn)數(shù)據(jù)、分析化學(xué)樣例和技術(shù)報(bào)告入口生命科學(xué)能力的最高訪問級別受 Anthropic 風(fēng)險(xiǎn)控制政策限制。來源How Claude is accelerating protein design and analytical chemistryAnthropichttps://www.anthropic.com/research/Claude-accelerates-protein-design2026-08-18訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型公司官方研究文章與技術(shù)報(bào)告未同行評議政策動態(tài)與專家觀點(diǎn)規(guī)則、資金與方向周期內(nèi)暫未見由監(jiān)管機(jī)構(gòu)原文發(fā)布的 AI4S 新規(guī)。更明確的討論來自科研共同體一邊在描繪多尺度數(shù)字生物體另一邊提醒支撐這些模型的生物數(shù)據(jù)庫仍缺少穩(wěn)定維護(hù)機(jī)制。AI 驅(qū)動的數(shù)字生物體一張多尺度路線圖而非現(xiàn)成系統(tǒng)AI-driven digital organismAI 驅(qū)動的數(shù)字生物體AIDO是一個把分子、細(xì)胞到個體層面的基礎(chǔ)模型連接起來用于模擬和設(shè)計(jì)生物系統(tǒng)的構(gòu)想由 Le SongGenBio AI、Mohamed bin Zayed University of Artificial Intelligence、Eran SegalWeizmann Institute of Science和 Eric XingCarnegie Mellon University、Mohamed bin Zayed University of Artificial Intelligence共同提出。Nature Medicine 8 月 13 日發(fā)表的 Perspective 描述了各尺度模型如何模塊化連接、接受實(shí)驗(yàn)反饋并把濕實(shí)驗(yàn)用于校準(zhǔn)預(yù)測。這個框架把 AI4S 的難點(diǎn)從訓(xùn)練單個大模型轉(zhuǎn)向跨尺度表示、模型接口和實(shí)驗(yàn)閉環(huán)對組織數(shù)據(jù)與驗(yàn)證任務(wù)很有參考價(jià)值。它是一篇路線圖式觀點(diǎn)文章不是已經(jīng)建成并驗(yàn)證的“虛擬生物體”期刊披露三位作者均對 GenBio AI 有經(jīng)濟(jì)利益進(jìn)行產(chǎn)業(yè)判斷時(shí)需要對此有所考慮。圖AIDO 路線圖將不同生物尺度的表示模型連接為可交換信息的模塊。來源Nature Medicine 原文。來源How to build an AI-driven digital organismNature Medicinehttps://www.nature.com/articles/s41591-026-04595-02026-08-13訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型同行評議專家觀點(diǎn)Perspective生物數(shù)據(jù)庫的長期維護(hù)AI4S 的底座不能只靠短期項(xiàng)目生物數(shù)據(jù)庫把基因名稱、功能注釋和實(shí)驗(yàn)知識整理成可以檢索、連接和復(fù)用的基礎(chǔ)資源Neil HallEarlham Institute、Katja R?per 與 Valerie WoodUniversity of Cambridge、Paul NurseThe Francis Crick Institute主張把它們按科研基礎(chǔ)設(shè)施而非短期項(xiàng)目管理。四位作者 8 月 18 日在 Nature 的 Correspondence 中列舉了PomBase 失去長期資助、FlyBase 削減整理團(tuán)隊(duì)等案例并呼吁建立更穩(wěn)定的維護(hù)機(jī)制。AI4S 訓(xùn)練與評測依賴這些資源里的標(biāo)識符、功能標(biāo)簽和出處由此可以推斷數(shù)據(jù)庫失修也可能把錯誤繼續(xù)傳給檢索、知識圖譜和模型。這是一封專家來函不是新的資助政策或效果評估文章沒有量化數(shù)據(jù)庫經(jīng)費(fèi)變化對具體模型性能的影響。來源Treat biological databases as infrastructure, not projectsNaturehttps://www.nature.com/articles/d41586-026-02575-52026-08-18訪問時(shí)間2026-08-19 09:16Asia/Shanghai來源類型專家來函Correspondence