💬 观点Latent Space

🔬 The Coolest Diffusion Research Isn't in LLMs — Evan — Genesis Molecular AI 用扩散模型攻克小分子药物发现，精度超越

Genesis Molecular AI 用扩散模型攻克小分子药物发现，精度超越传统基准。

2026-07-01原文

本文为要点摘要，完整细节以原文为准。

🧭 一图看懂

由原文自动提炼 · 以原文为准

点击任一分支，查看这一点的一句话解读

扩散模型攻克小分子药物发现

Genesis 旗舰模型 PEARL 能建模蛋白柔性，同时调整配体与蛋白构象
- PEARL 全称 Place Every Atom at the Right…
- 可处理 induced fit，传统对接方法难以建模
- 在 OpenBind 802 个未见复合物上零样本超越

STEP 1理解蛋白与配体结构

STEP 2扩散模型生成构象

STEP 3建模 induced fit 调整

STEP 4评估 RMSD 与 lDDT

STEP 5智能体迭代候选分子

STEP 6自动化实验室验证

小分子药物发现面临 10^60 种候选分子，且优化结合力与药代性质常相互冲突，传统方法难以兼顾。这意味着 AI 需要同时处理多目标优化，而扩散模型提供了新的建模路径。
Genesis 的 PEARL 模型通过扩散技术预测蛋白质柔性诱导契合，在 OpenBind 基准上显著超越传统对接方法。这展示了扩散模型在 3D 结构预测中的创新潜力，为药物设计工具链带来精度跃升。
社区常用的 2Å RMSD 基准被批评为“slop”，因为氢键有效范围仅 0.6Å，1.8Å 的模型可能误导化学家。这提醒开发者：领域基准需反映真实物理约束，否则会掩盖模型缺陷。

原文：🔬 The Coolest Diffusion Research Isn't in LLMs — Evan Feinberg & Sergey Edunov, Genesis Molecular AI · 作者 Latent Space

还没吃透？把这篇丢给 AI 助手，让它结合你的场景讲清楚。