从蛋白—配体建模，
到虚拟细胞空间评测

PATHNet 试图在解析打分函数与纯数据驱动模型之间取中间路线：以分子力学描述符为输入，用分段线性映射和受限神经网络学习蛋白—配体关系，并加入受最小作用量与谱约束启发的训练目标。

作者在七个 DUD-E 靶点上报告其平均活性分子—非活性分子/诱饵分类准确率高于三类对照架构。这仍是未经同行评审的计算预印本，验证范围局限于回顾性靶点与分类任务，尚不能证明对新靶点虚拟筛选或实验亲和力预测的普遍优势。

EzHit 把酶注释与“为目标反应找酶”统一为双向检索问题，并以轻量模型和几何置信度支持大规模候选排序。作者将其用于 OMG_Prot50 与 RHEA 的近万亿规模组合筛选，保留了覆盖三千余万条预测酶序列的候选关联。

论文还报告了一个稀疏注释反应上的候选酶活性实验验证，使工作不止停留在数据库回顾性指标。但目前实验覆盖仍有限，超大规模预测关联并不等于逐项功能确认；该稿未经同行评审，外部复现与更多反应类别验证仍是关键。

LigRNA 面向 RNA 小分子的位点预测，把结构引导的语言模型嵌入、RNA 理化特征和配体原子图放入联合编码框架，再通过交叉注意力让核苷酸权重随具体配体动态变化，而不是使用固定拼接表示。

作者在 TE9 与 TE18 两个数据集上报告了相对 GATRsite 的提升，并通过消融分析考察各模块贡献。结果仍来自规模有限的既有基准，没有新增结合实验或结构验证；作为未经同行评审的预印本，其对新 RNA 骨架和新化学空间的外推能力仍待检验。

RiboGRAM 从非编码 RNA 序列中学习跨尺度基序使用和 5′—3′ 位置梯度。模型不依赖结构监督进行预训练，其表征被用于 RNA 家族组织、碱基配对恢复、短 RNA 的无比对三维建模，以及 RNA—蛋白结合模式分析。

跨九个物种的结果支持“非编码 RNA 存在可学习序列语法”这一假设，但从注意力或表征中提取结构信号并不等同于揭示真实机制。论文未经同行评审，三维预测会随长度增加而退化，跨细胞环境的结合偏好迁移也显示出限制。

SubcellPert 把虚拟细胞的预测目标从基因计数推进到单 RNA 分子的二维亚细胞坐标。基准汇集 14 个成像数据集，并将“已知目标计数时预测空间位置”与“同时预测数量和位置”拆成两个任务，覆盖扰动和细胞环境外推。

基准显示，简单的高斯传输方法在多组环境外分布测试中仍可胜过更复杂模型，部分适配器甚至在验证后保留源细胞计数。它揭示了数量正确、质心接近与径向分布真实并非同一件事；但这是未经同行评审的评测预印本，并未提出已经解决空间扰动预测的新模型。

这项研究用 AlphaGenome 开发时未使用的两类证据检验其 Variant Impact 分数：模型所用 ClinVar 版本之后新增的分类，以及由实验而非预测器挑选的六组剪接测定。重点不是再报一个内部基准，而是检查模型发布后的真实泛化。

作者发现 AVI 在部分内含子变异上表现较强，但没有稳定优于 SpliceAI 或 Pangolin，在深内含子与实验剪接任务上还存在差距。该稿未经同行评审，分析本身也强调 AlphaGenome 输出仅供研究、不能直接用于诊断；这是一篇重要的外部审计，而非对临床效用的确认。