从自进化药物 Agent，
到可解释生物模型

ADMET-EvO把科学 Agent 的工作对象从一次性建模扩展到持续研究：它先形式化终点和可证伪假设，再沿数据、特征与模型三个轴设计干预，并将支持、否定和不确定的结果带入下一轮决策。ADMET 多任务场景在这里既是应用对象，也被用来检验跨异质任务积累证据的能力。

作者在 Therapeutics Data Commons 的 22 项 ADMET 任务上报告 96.77 的任务归一化得分，并称在预设非劣效边界内将累计拟合时间降低 72.2%；系统还形式化了 43 项毒性相关任务。上述结果来自未经同行评审的 arXiv 预印本，仍需结合任务归一化方式、搜索预算和独立复现实验理解其适用边界。

ProMeta将不同 E3 连接酶之间的 PROTAC 降解活性迁移改写为少样本元学习问题。模型以图神经网络学习分子表示，在源连接酶任务上进行情景式训练；面对新的连接酶时，只用少量支持样本动态估计类别原型，而不更新编码器。

论文报告 CRBN→VHL 与反向迁移在若干 K-shot/query 设置下均优于对应监督式 GNN 基线，同时也显示迁移方向和数据规模会显著影响表现。该研究是未经同行评审的 arXiv 预印本；当前证据限于给定连接酶和抽样协议，尚不足以证明对更广泛 E3 空间或真实优化周期的通用性。

这项工作系统审计 PPI 预测数据集中的学习捷径。作者分析 HIPPIE、IntAct、STRING 以及两个 PDB 衍生数据集，指出随机划分会留下强拓扑线索；即使去除训练—测试蛋白重叠，自互作、物种身份与功能相关性仍可能被模型利用。

作者进一步发现，从高置信非互作集合采样负例这一看似稳妥的做法，反而可能放大功能相关性捷径，并提供基于 Nextflow、相似性感知划分和整数线性规划负采样的开放流程。这是未经同行评审的 arXiv 预印本，但它提出了一个重要方法学提醒：PPI 高分未必等同于学到了可迁移的生物机制。

这篇综述以完整生成工作流为主线，梳理 82 种从 RNN/Transformer、VAE、GAN、流模型到扩散模型的方法，覆盖分子表示、常用基准、通用生成与口袋条件生成，并比较文献中常见指标和经实验验证的代表案例。

文章将标准化三维数据、显式相互作用建模、受体柔性和多目标设计列为提高实验相关性的关键方向，同时开放整理后的基准与模型索引。arXiv 页面注明这是已被 Journal of Chemical Information and Modeling 接收稿件的未编辑作者版本；评价其结论时仍应以最终出版版本为准。

XAI-Refine把可解释性从模型训练后的说明工具变成迭代更新机制。它聚合多次训练中的后验解释，将稳定线索转写为中性的神经生物学问题，检索并核验文献，再把可采纳知识映射回同一解释空间，形成可微约束。

候选更新只有在多随机种子下朝目标解释移动、预测性能保持在预设护栏内且非目标漂移受控时才会被接受。该研究是未经同行评审的 arXiv 预印本；目前实验集中于静息态功能连接的脑龄预测，文献核验质量和闭环在其他生物任务上的泛化仍待检验。

CDT-II在架构上对应中心法则：分别建模 DNA 与 RNA 的自注意力，再以 DNA→RNA 交叉注意力连接调控信息，只使用基因组嵌入和单细胞原始表达。作者希望注意力与梯度图能够直接对应可检查的调控元件和网络，而不只给出预测值。

在 K562 CRISPRi 数据上，作者报告模型对五个完全留出的基因仍能预测扰动效应，并在 GFI1B、ENCODE 调控元件和 TFRC 案例中得到与已知生物学相符的归因。arXiv v4 注明论文已被 Bioinformatics Advances 接收；当前链接仍是作者稿，具体数值与解释性主张应结合最终出版版及独立验证审慎判断。