BioTender / 论文速递

Daily Digest — 2026.07.03

AI × 生物 每日论文速递

本期聚焦能量挫折引导蛋白质替代构象恢复、3D 药效团约束可合成分子生成、分子优化自适应强化学习、癌症药物响应多元可解释框架，以及神经元选择性分析工具包与 LLM 认知组织映射。

6
今日论文
6
arXiv
0
bioRxiv
3
研究方向
01

蛋白质结构与分子生成

2 篇
arXivq-bio.BM · cs.LG · ICML 2026 AI4Science oral

SF-Cluster: Frustration-Guided MSA Subsampling for Alternative Protein Conformation Recovery

Cao H, Gao Z, Gu C, Liu G, Heng PA, Chatterjee P
TL;DR：利用预测局部能量挫折（frustration）模式对 MSA 进行亚采样，引导 AlphaFold 等结构预测器恢复蛋白质替代构象。48 个基准案例（折叠切换、变构、寡聚体耦合、本征无序）上全面优于 AF-Cluster，变构场景提升 15.5 个百分点。ICML 2026 AI4Science 口头报告。
  • 方法：计算各序列局部能量挫折模式（与序列相似度相对独立），以挫折协方差为距离度量对 MSA 聚类亚采样，再送入 AlphaFold 生成构象集合
  • 结果：高挫折残基与深度突变扫描和 NMR 验证的功能位点高度重合；挫折协方差富集于状态切换接触区域
  • 亮点：挫折是蛋白质序列空间之外的独立信号层，专门编码构象多样性——这是纯序列相似度做不到的
编者按 AlphaFold 的核心局限是默认预测最稳定的单一构象，但变构调控、药物靶向往往恰恰依赖那些"不稳定"的替代态。SF-Cluster 引入能量挫折作为结构多样性的代理信号，思路简洁但物理基础扎实。对变构药物设计特别有价值——变构位点天然就是高挫折区域。
局限：挫折计算依赖 AWSEM 力场，计算成本高于纯序列方法；大型多域蛋白质和膜蛋白的泛化性待验证。
蛋白质构象能量挫折AlphaFold变构药物
arXivcs.LG · q-bio.BM · q-bio.QM

SynLaD: Latent Diffusion for Generating Synthesizable Molecules Conditioned on 3D Pharmacophore Profiles

Cretu M, Bradshaw J, Suriana P
TL;DR：SynLaD 将 3D 药效团条件生成与合成路线设计统一在一个潜在扩散框架内。双解码器架构同时输出全原子 3D 结构和反应合成路线，解决了"生物活性 vs 可合成性"难以兼顾的长期矛盾。
  • 方法：潜在扩散模型以 3D 药效团轮廓为条件，几何解码器重建原子坐标，合成解码器生成基于反应的合成记号（reaction SMILES），共享潜在空间
  • 结果：在分子类似物生成基准上超越现有基线，产生形状对齐且具有可行合成路线的候选分子
  • 亮点：不是先生成结构再评估可合成性（两步解耦），而是在生成过程中同时约束两个目标——根本上改变了问题结构
编者按 药物分子生成领域有个老问题：AI 生成的结构往往漂亮但合不出来。SynLaD 的双解码器设计是个务实的工程选择——让两个目标共享同一个潜在表示，强制模型学习"既有效又能合成"的分子语言。真正的挑战在于合成路线质量：自动生成的路线有多少是化学家真正愿意用的？
局限：合成路线质量依赖训练数据中反应库的覆盖度，复杂多步合成路线的准确性有待湿实验验证。
分子生成药效团扩散模型合成路线
02

药物优化与精准肿瘤学

2 篇
arXivcs.LG · q-bio.QM · q-bio.BM

Active-GRPO: Adaptive Imitation and Self-Improving Reasoning for Molecular Optimization

Liu X, Cao M, Huang Q et al.
TL;DR：提出 Active-GRPO，解决分子优化中 RL 反馈稀疏和参考质量天花板两个痛点。模型动态决定何时模仿参考、何时自我改进：超越参考后切换 RL，同时持续将最优自生成分子替换参考，循序渐进提升目标上限。在 TOMG-Bench MOLOPT 上 SRxSim 从 0.096（GRPO）提升至 0.177。
  • 方法：主动模仿-强化：策略劣于参考时模仿，超越后转强化学习；主动参考更新：用策略最优输出持续替换参考分子，动态提升目标
  • 结果：LogP、MR、QED 多个约束指标统计显著改善，SRxSim 较 GRPO 基线提升 84%
  • 亮点：突破了参考数据质量的硬上限——模型可以生成比训练参考更好的分子，而不受初始参考分布约束
编者按 用 LLM 做分子优化是个热门方向，但"参考数据质量决定上限"是个根本性约束。Active-GRPO 的自我改进机制把这个上限变成了动态可移动的目标，思路类似 AlphaGo Zero 的自我博弈。下一步的真正考验是：能否在真实成药性约束（ADMET、毒性）上保持性能，还是只在基准指标上好看？
局限：目前在 TOMG-Bench 合成基准验证，真实药物发现流程中多目标约束（ADMET）的测试缺失；自我改进的稳定性和过拟合风险需要更充分评估。
分子优化强化学习LLM推理自我改进
arXivcs.LG · q-bio.QM · q-bio.MN

Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions

Ciaperoni M, Lalli M, Piaggesi S, Varisco M, Carli F, Guidotti R, Pedreschi D, Raimondi F, Giannotti F
TL;DR：提出 ILLUME+，突破癌症药物响应可解释分析中"单基因归因"的局限，捕捉基因表达的协同作用与多元特征交互。在稳定性和已知药物-基因关联验证上均超越现有可解释方法，并揭示新的交互型分子信号。
  • 方法：后验可解释框架，从基因表达数据中提取多种互补形式的解释（单基因 + 基因集合 + 交互），集成进端到端精准肿瘤学流程
  • 结果：基因重要性评分稳定性提升；成功验证已知药物-基因关联（如 EGFR 抑制剂相关靶点）；提出新型交互驱动假设
  • 亮点：单基因归因本质上假设基因独立作用，ILLUME+ 拥抱基因网络的现实——药物响应本就是系统性的
编者按 癌症药物响应预测的可解释性研究大多停留在"哪个基因最重要"的层面，但肿瘤生物学告诉我们靶点很少单独起作用。ILLUME+ 向交互型解释迈出了一步，但也带来新问题：交互解释的验证标准是什么？如何避免高维交互空间的过拟合？这些是这个方向还需回答的问题。
局限：交互特征空间随基因数量组合爆炸，计算成本随维度快速增长；交互关联的因果性验证需要功能实验支持。
癌症药物响应可解释AI基因表达精准肿瘤学
03

神经科学计算工具

2 篇
arXivq-bio.NC · cs.LG

DRIADA: A Python Toolkit for Cross-Scale Analysis of Single-Neuron Selectivity and Population Dynamics

Pospelov N, Plusnin V, Rogozhnikova O et al.
TL;DR：DRIADA 是一套 Python 工具包，将单神经元选择性分析与神经集群动力学研究统一在跨尺度框架内。提供从单细胞调谐曲线到整体种群几何的完整分析链，填补现有神经科学软件生态中多尺度整合的空白。
  • 方法：统一 API 覆盖单神经元调谐分析（方向选择性、时间调谐）、种群降维（PCA/UMAP/流形学习）、动力学轨迹解码等多个分析层
  • 结果：在多个公开神经科学数据集上验证，跨尺度分析结果与文献一致；模块化设计便于扩展自定义分析
  • 亮点：神经科学数据分析长期碎片化——单神经元分析和种群动力学往往用不同工具，DRIADA 提供统一入口
编者按 这类工具论文很难出高引用，但对领域基础设施的价值不容低估。神经科学正在进入大规模多区域同步记录时代（Neuropixels、千通道 ECoG），急需能跨尺度整合分析的标准化工具。DRIADA 的定位类似 scanpy 之于单细胞——如果社区采纳，价值会随时间积累。
局限：目前主要面向电生理数据，对钙成像、电压成像等光学记录模态的支持需要扩展；大规模数据（百万神经元级）的计算效率未充分测试。
神经科学工具种群动力学神经编码Python
arXivq-bio.NC · cs.AI · cs.CL

NeuroCogMap Reveals Cognitive Organization of Large Language Models

Sun Z, Lu H, Ma Q et al.
TL;DR：NeuroCogMap 借鉴神经科学认知图谱方法，系统映射大型语言模型内部的信息组织方式，揭示 LLM 与生物认知系统在功能模块化方面的相似性与差异。为跨领域"AI 神经科学"提供新的分析框架。
  • 方法：将神经科学中用于分析脑区功能分工的映射技术迁移到 LLM 层级，探测不同层和注意力头的功能专化
  • 结果：发现 LLM 存在类似生物认知系统的功能模块化组织，但拓扑结构和层级化程度存在显著差异
  • 亮点：双向研究价值——既为 LLM 可解释性提供新视角，也为计算神经科学提供对照系统
编者按 把神经科学工具用于分析 AI 系统是个有趣的方法论反转。这类研究面临的核心质疑是：功能相似性是否意味着实现机制相似？LLM 里的"语义区域"和脑里的语言皮层，相似性究竟到什么程度，目前还远没有定论。但作为启发性框架，值得持续关注。
局限：功能映射方法的有效性依赖探针任务选择，跨模型架构的可重现性有待系统验证；LLM 与生物脑的类比存在根本性的机制差异风险。
LLM可解释性认知神经科学功能映射AI神经科学