AI Drug MapAI 药物发现地图
MASTER INDEX / 423 RECORDS

全部文章索引

按 12 个研发模块汇总，编号固定，适合连续学习、团队引用和快速定位。

01 入门 · 学习地图 30 篇
  1. 001 AI 药物发现是什么：从靶点到候选药物的全流程地图 →
  2. 002 AI DD 与传统 CADD 的区别：新手必须先理解的边界 →
  3. 003 AI 药物发现学习路线：生物、药化、算法三条主线怎么补 →
  4. 004 DeepChem 教程体系入门：适合新手的第一个 AI 制药工具箱 →
  5. 005 Therapeutics Data Commons 教程：AI 药物发现数据集怎么系统学习 →
  6. 006 Stanford CS224W 图神经网络：为什么 GNN 是分子建模核心技术 →
  7. 007 MIT 6.S191 深度学习课程：AI 制药入门需要掌握哪些基础 →
  8. 008 MIT Computational Biology 公开课：从计算生物学理解药物发现 →
  9. 009 Harvard TDC 资源导航：药物 AI 任务、数据集与评测方法 →
  10. 010 Deep Learning for Molecules and Materials：分子与材料深度学习路线 →
  11. 011 Practical Cheminformatics 博客：药物化学家的计算入门指南 →
  12. 012 TeachOpenCADD 教程：用开源工具完成 CADD 全流程 →
  13. 013 RDKit Cookbook：化学信息学实战的必备手册 →
  14. 014 OpenFF 教程：从分子力场理解小分子模拟 →
  15. 015 OpenMM 教程：分子动力学模拟入门路线 →
  16. 016 GNINA 教程：深度学习打分如何用于分子对接 →
  17. 017 AutoDock Vina 教程：免费 Docking 工具的核心用法 →
  18. 018 DiffDock 教程：扩散模型如何预测蛋白-配体结合姿势 →
  19. 019 AlphaFold Server 教程：如何快速预测蛋白结构和复合物 →
  20. 020 Boltz 教程：新一代生物分子结构预测工具怎么用 →
  21. 021 Chai-1 教程：从序列到复合物结构预测的完整流程 →
  22. 022 Uni-Mol 教程：分子表征、性质预测与 Docking 的统一框架 →
  23. 023 PaddleHelix 教程：国产 AI 生物计算平台入门 →
  24. 024 NVIDIA BioNeMo 文档：GPU 加速生物模型平台怎么理解 →
  25. 025 Hugging Face 生物模型区：哪些模型值得药物研发人员关注 →
  26. 026 Papers with Code 分子性质预测导航 →
  27. 027 Papers with Code 蛋白结构预测导航 →
  28. 028 Papers with Code 药物发现任务导航 →
  29. 029 Awesome Drug Discovery GitHub 列表：开源 AI 制药资源总览 →
  30. 030 AI 药物发现综述怎么读：从 NRDD、CSR 到 JCIM 的阅读顺序 →
02 分子表示 25 篇
  1. 031 SMILES 入门：AI 如何把分子变成字符串 →
  2. 032 SELFIES 入门：为什么它比 SMILES 更适合分子生成 →
  3. 033 InChI 与 InChIKey：化合物唯一标识怎么用于数据库检索 →
  4. 034 分子图表示：原子、键与图神经网络的连接方式 →
  5. 035 分子指纹是什么：从结构编码到相似性搜索 →
  6. 036 Morgan Fingerprint 入门：ECFP 为什么如此常用 →
  7. 037 ECFP 指纹详解：半径、位向量与分子特征 →
  8. 038 MACCS Keys：经典结构指纹在药物筛选中的用途 →
  9. 039 Tanimoto 相似性：分子相似度检索的核心指标 →
  10. 040 Scaffold 骨架：药物化学为什么重视母核 →
  11. 041 Bemis–Murcko Scaffold：标准骨架提取方法入门 →
  12. 042 R-group Decomposition：从取代基拆解理解 SAR →
  13. 043 MMPA 配对分子分析：如何发现结构变化与活性变化的关系 →
  14. 044 QSAR 入门：从分子结构预测生物活性 →
  15. 045 QSPR 入门：从分子结构预测理化性质 →
  16. 046 分子标准化：AI 建模前为什么必须清洗结构 →
  17. 047 去盐与去重复：化合物数据清洗的第一步 →
  18. 048 异常结构识别：训练集里哪些分子应该删除 →
  19. 049 构象生成入门：2D 分子如何变成 3D 构象 →
  20. 050 分子相似性聚类：如何整理大规模化合物库 →
  21. 051 Scaffold Split：为什么随机划分会高估模型能力 →
  22. 052 化学空间可视化：PCA、t-SNE 与 UMAP 怎么用 →
  23. 053 分子多样性评估：如何避免筛选库过于相似 →
  24. 054 药物片段与片段空间：FBDD 数据如何进入 AI 流程 →
  25. 055 化学信息学工具栈：RDKit、OpenBabel、Datamol 如何配合使用 →
03 成药性 35 篇
  1. 056 ADMET 是什么：AI 药物发现必须跨过的成药性门槛 →
  2. 057 hERG 风险：为什么心脏毒性是小分子优化的红线 →
  3. 058 CYP 抑制：药物相互作用风险如何早期预测 →
  4. 059 水溶性 Solubility：从理化性质到制剂可行性 →
  5. 060 膜通透性 Permeability：口服药物为什么离不开通透性优化 →
  6. 061 清除率 Clearance：决定体内暴露的关键参数 →
  7. 062 血浆蛋白结合率 PPB：游离药物浓度为什么更重要 →
  8. 063 口服生物利用度 F：口服药成药性的核心指标 →
  9. 064 Lipinski 五规则：什么时候有用，什么时候会误导 →
  10. 065 Veber Rule：旋转键和极性表面积如何影响口服吸收 →
  11. 066 QED 指标：药物相似性评分应该如何解读 →
  12. 067 SA Score：合成可及性为什么要进入分子生成模型 →
  13. 068 PAINS Filter：虚假阳性化合物如何识别 →
  14. 069 Brenk Alert：结构警示在先导优化中的价值 →
  15. 070 Lead-like 与 Drug-like：先导物和药物样分子的区别 →
  16. 071 配体效率 Ligand Efficiency：小分子优化不能只看 IC50 →
  17. 072 脂溶性配体效率 LLE：平衡活性与脂溶性的关键指标 →
  18. 073 SAR 构效关系：药物化学优化的核心语言 →
  19. 074 SPR 实验：结合动力学如何指导 AI 设计 →
  20. 075 ITC 实验：热力学参数如何解释蛋白-配体结合 →
  21. 076 DSF/TSA：快速评估靶点结合的热稳定性方法 →
  22. 077 NanoBRET：细胞内靶点结合如何验证 →
  23. 078 CETSA：从细胞热转移看靶点占有 →
  24. 079 Cellular Target Engagement：为什么细胞靶点结合比体外活性更关键 →
  25. 080 选择性面板 Selectivity Panel：避免脱靶风险的基础工作 →
  26. 081 Kinome Profiling：激酶项目为什么必须做选择性谱 →
  27. 082 ADME Cascade：先导优化中的 ADME 级联筛选 →
  28. 083 体外清除率 In Vitro Clearance：如何预测体内代谢稳定性 →
  29. 084 微粒体稳定性 Microsomal Stability：肝代谢风险早期判断 →
  30. 085 肝细胞稳定性 Hepatocyte Stability：比微粒体更接近体内的模型 →
  31. 086 Caco-2 通透性：肠道吸收体外模型怎么解读 →
  32. 087 MDCK 通透性：药物转运与渗透性筛选方法 →
  33. 088 CYP 抑制面板：临床 DDI 风险的早期筛查 →
  34. 089 Ames 试验：遗传毒性为什么影响候选药物命运 →
  35. 090 hERG Patch Clamp：心脏安全性验证的金标准 →
04 结构与模拟 40 篇
  1. 091 蛋白口袋 Protein Pocket：AI 设计分子前先看什么 →
  2. 092 药效团 Pharmacophore：从相互作用模式到虚拟筛选 →
  3. 093 形状互补 Shape Complementarity：分子与口袋匹配的第一原则 →
  4. 094 静电互补 Electrostatic Complementarity：为什么电荷分布影响结合 →
  5. 095 Docking Score：对接打分能不能代表真实活性 →
  6. 096 Binding Pose：如何判断一个对接构象是否可信 →
  7. 097 AutoDock Vina 论文精读：免费对接工具的算法基础 →
  8. 098 AutoDock Vina 1.2：新版本改进了什么 →
  9. 099 GNINA 论文精读：CNN 打分如何改变传统 Docking →
  10. 100 Smina：AutoDock Vina 分支工具的实战价值 →
  11. 101 DiffDock 论文精读：扩散模型如何做盲对接 →
  12. 102 EquiBind 论文精读：等变网络如何预测结合姿势 →
  13. 103 TankBind 论文精读：从几何建模到结合预测 →
  14. 104 Uni-Mol Docking：预训练分子模型如何进入对接任务 →
  15. 105 PDBFixer：对接前如何修复蛋白结构 →
  16. 106 Meeko：AutoDock Vina 配体和受体准备流程 →
  17. 107 OpenBabel 转格式：PDB、SDF、MOL2、PDBQT 怎么互转 →
  18. 108 PLIP：自动生成蛋白-配体相互作用报告 →
  19. 109 ProLIF：把相互作用变成可分析的指纹 →
  20. 110 PyMOL 可视化：药物设计图怎么画得清楚 →
  21. 111 NGLView 与 3Dmol.js：网页端三维分子展示方案 →
  22. 112 AlphaFold2 论文精读：蛋白结构预测的里程碑 →
  23. 113 AlphaFold3 论文精读：从蛋白到复合物建模 →
  24. 114 RoseTTAFold 论文精读：三轨网络如何预测蛋白结构 →
  25. 115 RoseTTAFold All-Atom：全原子建模为什么重要 →
  26. 116 ESMFold 论文精读：语言模型如何预测蛋白结构 →
  27. 117 OpenFold：开源 AlphaFold 复现项目怎么用 →
  28. 118 ColabFold：低门槛蛋白结构预测工作流 →
  29. 119 AlphaPulldown：蛋白复合物预测的实用工具 →
  30. 120 Boltz-1 技术报告精读：开放结构预测模型的能力边界 →
  31. 121 Boltz-2 技术报告精读：亲和力与结构预测能否统一 →
  32. 122 Chai-1 技术报告精读：多分子复合物预测的新路线 →
  33. 123 分子动力学 MD 入门：什么时候需要做模拟 →
  34. 124 RMSD 与 RMSF：MD 轨迹稳定性如何判断 →
  35. 125 MM/PBSA：从轨迹估算结合自由能 →
  36. 126 MM/GBSA：快速自由能估算的优势和局限 →
  37. 127 FEP、RBFE 与 ABFE：自由能计算到底在算什么 →
  38. 128 OpenMM 跑 10–100 ns MD：小分子复合物模拟流程 →
  39. 129 MDAnalysis 分析轨迹：从 RMSD 到相互作用统计 →
  40. 130 OpenFE 做 RBFE：先导优化中的自由能计算工作流 →
05 AI 模型 40 篇
  1. 131 Chemprop / D-MPNN 论文精读：为什么强基线比新模型更重要 →
  2. 132 MoleculeNet 论文精读：分子机器学习基准的价值和过时之处 →
  3. 133 TDC 论文精读：把 AI 制药任务放回研发链条里 →
  4. 134 DeepChem 平台解读：适合教学和原型，不等于生产级药企平台 →
  5. 135 GuacaMol 论文精读：分子生成评测为什么容易被刷分 →
  6. 136 MOSES 论文精读：分布学习基准能回答什么，不能回答什么 →
  7. 137 REINVENT 论文精读：强化学习生成分子的本质是奖励函数工程 →
  8. 138 REINVENT4 文档精读：从论文算法到可配置生成平台 →
  9. 139 GraphDTA 论文精读：DTA 预测为什么不能只换药物表示 →
  10. 140 DeepDTA 论文精读：序列模型为什么成为 DTA 早期基线 →
  11. 141 MolTrans 论文精读：Transformer 做 DTI 时“可解释”要谨慎看 →
  12. 142 Uni-Mol 论文精读：3D 预训练何时比 SMILES/GNN 更有意义 →
  13. 143 ESM-2 论文精读：蛋白语言模型为什么能预测结构，但不是 AlphaFold 替代品 →
  14. 144 ProtT5 论文精读：蛋白嵌入是特征工程，不是万能功能预测器 →
  15. 145 ChemBERTa 论文精读：SMILES Transformer 的价值和局限 →
  16. 146 MolBERT 论文精读：预训练任务比模型名字更重要 →
  17. 147 MolFormer 论文精读：十亿级 SMILES 预训练带来了什么 →
  18. 148 MegaMolBART 模型解读：BioNeMo 里的生成模型应怎样定位 →
  19. 149 MolMIM 论文精读：隐空间优化为什么不等于发现先导物 →
  20. 150 ProteinMPNN 论文精读：逆折叠模型为什么改变蛋白设计流程 →
  21. 151 RFdiffusion 论文精读：扩散模型怎样生成可设计蛋白骨架 →
  22. 152 PandaOmics 平台论文精读：靶点发现证据链要怎么拆开看 →
  23. 153 Chemistry42 JCIM 论文精读：商业生成平台的方法框架和审读边界 →
  24. 154 AI 靶点发现模型：从相关信号到因果假设的证据梯度 →
  25. 155 AI 活性预测模型：先定义决策，再选择分类、回归或排序 →
  26. 156 AI ADMET 预测模型：多任务学习有用，但不能掩盖实验体系差异 →
  27. 157 AI DTI 预测模型：序列、图、结构和知识图谱各解决不同问题 →
  28. 158 AI 分子生成模型：VAE、GAN、RL、Diffusion 不是同一种工具 →
  29. 159 图神经网络 GNN：分子图模型强在哪里，为什么仍会输给指纹基线 →
  30. 160 等变神经网络：3D 分子模型必须尊重旋转和平移对称性 →
  31. 161 Transformer 在分子中的应用：从 SMILES 到图、3D 和多模态 →
  32. 162 扩散模型在药物设计中：从去噪生成到可验证假设 →
  33. 163 大语言模型与药物发现：让 LLM 做编排，不要让它装成实验仪器 →
  34. 164 多模态模型：结构、序列、文本和组学融合前先解决对齐问题 →
  35. 165 主动学习 Active Learning：少做实验的前提是知道该问哪个问题 →
  36. 166 不确定性估计：模型什么时候应该说“我不知道” →
  37. 167 模型外推性：药物发现真正考验的是新骨架和未来数据 →
  38. 168 可解释性 AI：解释要能帮助化学决策，而不是只画热图 →
  39. 169 Benchmark 陷阱：AI 制药论文高分是怎样被制造出来的 →
  40. 170 AI 制药论文阅读框架：任务、数据、模型、验证、落地五问 →
06 开源工具 55 篇
  1. 171 RDKit：化学信息学项目的事实标准工具 →
  2. 172 DeepChem：AI 药物发现开源框架实战价值 →
  3. 173 TDC：药物发现数据集和 Benchmark 工具箱 →
  4. 174 Chemprop：分子性质预测模型训练入门 →
  5. 175 TorchDrug：面向药物发现的深度学习库 →
  6. 176 PyTorch Geometric：GNN 分子建模的基础框架 →
  7. 177 DGL-LifeSci：生命科学图深度学习工具包 →
  8. 178 DeepPurpose：DTI、药物重定位与组合预测工具 →
  9. 179 MoleculeNet 工具链：分子机器学习数据怎么用 →
  10. 180 DeepChem Examples：从示例项目学习 AI 制药 →
  11. 181 TeachOpenCADD：CADD 教学项目如何变成内部培训资料 →
  12. 182 AutoDock Vina：开源对接工具部署指南 →
  13. 183 GNINA：GPU 加速 Docking 与 CNN 重打分 →
  14. 184 DiffDock：深度学习对接模型部署与使用 →
  15. 185 EquiBind：快速结合姿势预测工具评估 →
  16. 186 TankBind：蛋白-配体结合预测工具实测 →
  17. 187 Uni-Mol：分子预训练模型部署指南 →
  18. 188 Uni-Mol Docking V2：开源 Docking 工作流体验 →
  19. 189 PaddleHelix：国产开源生物计算框架介绍 →
  20. 190 HelixFold3：国产结构预测模型应用指南 →
  21. 191 OpenFold：训练和推理 AlphaFold 类模型的开源方案 →
  22. 192 Boltz：开放结构预测工具的安装与使用 →
  23. 193 Chai-1：复合物结构预测工具部署指南 →
  24. 194 ESM：蛋白语言模型工具箱怎么用 →
  25. 195 ESMFold：快速蛋白结构预测实战 →
  26. 196 ProteinMPNN：蛋白序列设计工具实战 →
  27. 197 RFdiffusion：蛋白骨架生成工具实战 →
  28. 198 Rosetta：经典蛋白设计平台为什么仍然重要 →
  29. 199 PyRosetta：用 Python 调用 Rosetta 的工程路线 →
  30. 200 OpenMM：分子动力学模拟开源引擎 →
  31. 201 OpenFE：自由能计算开源平台 →
  32. 202 OpenFF Toolkit：小分子力场参数化工具 →
  33. 203 Perses：炼金自由能计算工具介绍 →
  34. 204 YANK：结合自由能计算工具介绍 →
  35. 205 MDAnalysis：MD 轨迹分析工具 →
  36. 206 MDTraj：轻量级分子动力学轨迹分析 →
  37. 207 ProLIF：蛋白-配体相互作用指纹工具 →
  38. 208 PLIP：自动识别蛋白-配体相互作用 →
  39. 209 ProDy：蛋白结构动力学分析工具 →
  40. 210 Biopython：生物序列与结构数据处理基础 →
  41. 211 PyMOL 开源版：结构可视化和作图流程 →
  42. 212 NGLView：Jupyter 中展示三维结构 →
  43. 213 3Dmol.js：把分子结构嵌入网页 →
  44. 214 Meeko：Docking 文件准备工具 →
  45. 215 PDBFixer：蛋白结构修复工具 →
  46. 216 OpenBabel：化学文件格式转换工具 →
  47. 217 Mols2grid：分子表格可视化工具 →
  48. 218 Datamol：现代化学信息学数据处理工具 →
  49. 219 Molfeat：分子特征工程工具箱 →
  50. 220 DeepChem MolNet Loaders：标准数据集加载方法 →
  51. 221 REINVENT4：分子生成平台部署与任务配置 →
  52. 222 GuacaMol：分子生成模型评测工具 →
  53. 223 MOSES：分子生成基准评测工具 →
  54. 224 CLI Agent 调用 CADD 工具：AI Agent 如何驱动计算流程 →
  55. 225 AI 制药工具工程化：从脚本到企业内部平台 →
07 数据资源 45 篇
  1. 226 ChEMBL：药物活性数据的核心数据库 →
  2. 227 PubChem：化合物信息检索和批量下载指南 →
  3. 228 BindingDB：蛋白-配体结合数据怎么用 →
  4. 229 DrugBank：药物信息数据库的价值与限制 →
  5. 230 ZINC：虚拟筛选化合物库入门 →
  6. 231 Enamine REAL：超大可合成化合物空间怎么理解 →
  7. 232 Mcule：商业筛选库在虚拟筛选中的用途 →
  8. 233 eMolecules：采购导向化合物库怎么筛选 →
  9. 234 SureChEMBL：专利化学结构数据如何使用 →
  10. 235 CAS Common Chemistry：免费化学物质信息资源 →
  11. 236 PDB：蛋白结构数据库基础入门 →
  12. 237 RCSB PDB：结构检索、下载与质量判断 →
  13. 238 PDBbind：结合亲和力数据集怎么用于 AI 训练 →
  14. 239 Binding MOAD：蛋白-配体复合物数据库介绍 →
  15. 240 CrossDocked2020：深度学习 Docking 常用数据集 →
  16. 241 DUD-E：虚拟筛选 Benchmark 的优势和问题 →
  17. 242 LIT-PCBA：更接近真实筛选场景的 Benchmark →
  18. 243 MoleculeNet：分子性质预测标准数据集 →
  19. 244 TDC ADMET Group：ADMET 预测任务集合 →
  20. 245 TDC HTS Group：高通量筛选数据建模任务 →
  21. 246 TDC DTI Group：药物-靶点相互作用任务 →
  22. 247 TDC Trial Group：临床试验相关 AI 任务 →
  23. 248 TDC Genomics Group：基因组任务与药物研发连接 →
  24. 249 Open Targets Platform：靶点发现证据链怎么查 →
  25. 250 Open Targets Genetics：遗传学证据如何支持靶点选择 →
  26. 251 DisGeNET：疾病-基因关联数据库使用指南 →
  27. 252 GWAS Catalog：遗传关联研究结果如何转化为靶点证据 →
  28. 253 ClinVar：临床变异数据库在药物研发中的价值 →
  29. 254 OMIM：遗传病知识库如何辅助靶点研究 →
  30. 255 UniProt：蛋白信息检索的基础数据库 →
  31. 256 Pfam：蛋白结构域数据库怎么用 →
  32. 257 InterPro：蛋白功能注释整合平台 →
  33. 258 STRING：蛋白互作网络如何用于靶点分析 →
  34. 259 BioGRID：实验支持的互作数据资源 →
  35. 260 Reactome：通路数据库在机制研究中的用途 →
  36. 261 KEGG：通路、代谢与药物信息整合资源 →
  37. 262 Gene Ontology：GO 注释如何解释基因功能 →
  38. 263 MSigDB：基因集分析与药物机制研究 →
  39. 264 DepMap：癌症依赖性数据如何寻找靶点 →
  40. 265 CCLE：癌细胞系组学数据资源 →
  41. 266 GDSC：药敏数据如何支持适应症选择 →
  42. 267 PRISM Repurposing：大规模药物重定位数据集 →
  43. 268 LINCS L1000：转录组扰动数据如何用于药物发现 →
  44. 269 cBioPortal：肿瘤基因组数据查询指南 →
  45. 270 TCGA：癌症多组学数据在靶点发现中的用途 →
08 平台与公司 55 篇
  1. 271 Chemistry42：AI 分子生成平台适合解决什么问题 →
  2. 272 PandaOmics：AI 靶点发现平台如何组织证据 →
  3. 273 InClinico：AI 临床试验预测平台的应用场景 →
  4. 274 Schrödinger LiveDesign：药物设计协作平台怎么用 →
  5. 275 Schrödinger Maestro：商业 CADD 平台的核心能力 →
  6. 276 Schrödinger FEP+：自由能计算平台为什么昂贵 →
  7. 277 OpenEye Orion：云端分子建模平台介绍 →
  8. 278 OpenEye ROCS：形状相似性筛选工具的价值 →
  9. 279 OpenEye Omega：构象生成工具在筛选中的作用 →
  10. 280 Cresset Flare：场分析与 CADD 协作平台 →
  11. 281 Cresset Spark：生物电子等排替换工具介绍 →
  12. 282 Optibrium StarDrop：ADMET 与多参数优化平台 →
  13. 283 Optibrium Cerella：AI 辅助 DMTA 决策平台 →
  14. 284 AIDDISON：默克 AI 药物发现平台案例 →
  15. 285 Iktos Makya：生成式 AI 药物设计平台介绍 →
  16. 286 Iktos Spaya：逆合成规划平台如何辅助合成 →
  17. 287 Deep Origin Balto：生命科学 AI 工作空间介绍 →
  18. 288 Deep Origin DO Studio：建模、模拟与协作平台 →
  19. 289 NVIDIA BioNeMo：生物基础模型平台的商业定位 →
  20. 290 AlphaFold Server：免费结构预测服务的应用边界 →
  21. 291 Boltz Web Demo：开放结构预测工具的在线体验 →
  22. 292 Chai Discovery Platform：结构预测创业公司的产品路线 →
  23. 293 Tencent iDrug：腾讯 AI 药物发现平台观察 →
  24. 294 Bohrium Uni-Mol Docking：在线 Docking 服务如何定位 →
  25. 295 DP Technology RiDYMO：分子动力学平台案例 →
  26. 296 XtalPi ID4Inno：晶泰科技 AI 药物研发平台解析 →
  27. 297 Benchling R&D Cloud：生物医药研发数据管理平台 →
  28. 298 Dotmatics Luma：科研数据平台在药企中的作用 →
  29. 299 Certara D360：药物研发数据分析平台 →
  30. 300 CDD Vault：小团队如何管理化合物和活性数据 →
  31. 301 MOE：经典商业分子建模平台能力梳理 →
  32. 302 MolSoft ICM-Pro：结构建模和 Docking 平台介绍 →
  33. 303 BioSolveIT SeeSAR：可视化药物设计工具如何使用 →
  34. 304 BioSolveIT HYDE：打分函数与结合能解释 →
  35. 305 BioSolveIT FlexX：经典 Docking 工具的定位 →
  36. 306 BioSolveIT ReCore：骨架跃迁和核心替换工具 →
  37. 307 BioSolveIT infiniSee：超大化合物空间搜索平台 →
  38. 308 Insilico Medicine：AI 制药公司案例拆解 →
  39. 309 Schrödinger：软件公司如何切入新药研发 →
  40. 310 Recursion：工业化表型组学与 AI 药物发现 →
  41. 311 Exscientia：AI 设计小分子的经验和教训 →
  42. 312 BenevolentAI：知识图谱驱动药物发现案例 →
  43. 313 Isomorphic Labs：AlphaFold 之后的 AI 制药野心 →
  44. 314 Atomwise：基于结构的 AI 筛选公司案例 →
  45. 315 XtalPi 晶泰科技：AI、机器人与药物研发平台化 →
  46. 316 DP Technology 深势科技：AI for Science 在药物研发中的布局 →
  47. 317 Generate:Biomedicines：生成式蛋白药物设计案例 →
  48. 318 Absci：AI 抗体设计平台公司观察 →
  49. 319 Valo Health：AI 临床与转化医学平台公司 →
  50. 320 Owkin：联邦学习与多组学药物研发案例 →
  51. 321 Insitro：机器学习驱动靶点发现公司 →
  52. 322 Relay Therapeutics：蛋白动态结构如何指导药物设计 →
  53. 323 Genesis Therapeutics：生成式 AI 小分子设计公司 →
  54. 324 Iambic Therapeutics：AI 小分子设计公司的临床化路径 →
  55. 325 SandboxAQ：量子、AI 与药物发现公司观察 →
09 实战流程 30 篇
  1. 326 从 ChEMBL 拉取靶点活性数据：AI 建模第一步 →
  2. 327 清洗 SMILES：从原始数据到可训练数据集 →
  3. 328 RDKit 标准化分子：建立可靠训练集 →
  4. 329 去盐、去重复、去异常结构：数据质量决定模型上限 →
  5. 330 计算 ECFP4 Fingerprint：传统特征仍然有价值 →
  6. 331 用 Tanimoto 相似性做化合物聚类 →
  7. 332 用 Scaffold Split 评估模型真实外推能力 →
  8. 333 训练 Chemprop 活性预测模型：从数据到结果 →
  9. 334 训练 ADMET 多任务模型：一次预测多个性质 →
  10. 335 用 TDC Benchmark 评估模型：让结果可比较 →
  11. 336 用 AutoDock Vina 跑 Docking：基础虚拟筛选流程 →
  12. 337 用 GNINA 做 Rescoring：深度学习重打分实战 →
  13. 338 用 ProLIF 提取相互作用指纹：把 Pose 变成特征 →
  14. 339 用 PLIP 生成蛋白-配体相互作用报告 →
  15. 340 用 PDBFixer 修复蛋白结构：Docking 前处理流程 →
  16. 341 用 Meeko 准备 Docking 文件：PDBQT 文件怎么生成 →
  17. 342 用 OpenBabel 批量转格式：化学文件处理自动化 →
  18. 343 用 AlphaFold Server 预测无结构靶点 →
  19. 344 用 Boltz 或 Chai-1 预测蛋白-配体复合物 →
  20. 345 用 DiffDock 预测 Docking Pose：深度学习对接实战 →
  21. 346 比较 DiffDock、Vina、GNINA：什么时候相信哪个结果 →
  22. 347 用 REINVENT4 生成新分子：从规则到奖励函数 →
  23. 348 在分子生成中加入 SA Score 约束 →
  24. 349 在分子生成中加入 QED 约束 →
  25. 350 在分子生成中加入 ADMET 约束 →
  26. 351 在分子生成中加入 Docking Score 约束 →
  27. 352 Scaffold Hopping 实战：如何跳出原有母核 →
  28. 353 R-group Replacement 实战：如何系统替换取代基 →
  29. 354 Linker Design 实战：连接子设计的计算方法 →
  30. 355 建立 DMTA 闭环：自动生成项目进展报告 →
10 新药模态 28 篇
  1. 356 PROTAC 是什么：双功能分子如何招募 E3 连接酶降解靶点 →
  2. 357 分子胶 Molecular Glue：从偶然发现到理性设计 →
  3. 358 E3 连接酶选择：为什么 CRBN 和 VHL 最常用 →
  4. 359 三元复合物 Ternary Complex：降解剂为什么比抑制剂更难设计 →
  5. 360 PROTAC Linker 设计：连接子如何影响降解效率 →
  6. 361 AI 预测降解活性：从结构到 DC50 和 Dmax →
  7. 362 降解剂成药性：突破 Ro5 之外的口服与通透性挑战 →
  8. 363 分子胶发现：数据库挖掘与 AI 筛选策略 →
  9. 364 抗体结构预测：通用模型与抗体专用模型的差异 →
  10. 365 CDR Loop 建模：抗体可变区为什么最难预测 →
  11. 366 抗体亲和力成熟：AI 如何加速突变筛选 →
  12. 367 抗体可开发性 Developability：聚集、黏度与稳定性预测 →
  13. 368 免疫原性预测：T 细胞表位识别与去免疫化 →
  14. 369 纳米抗体与单域抗体：小型生物药的设计要点 →
  15. 370 de novo 蛋白结合物设计：RFdiffusion 走进生物药 →
  16. 371 抗体-抗原对接与表位预测 →
  17. 372 多肽药物设计：可成药空间与稳定性挑战 →
  18. 373 大环化合物 Macrocycle：跨越类药规则的分子设计 →
  19. 374 多肽通透性与口服化：从结构到递送 →
  20. 375 反义寡核苷酸 ASO：序列设计与化学修饰 →
  21. 376 siRNA 设计：靶向选择与脱靶预测 →
  22. 377 mRNA 序列优化：密码子、二级结构与稳定性 →
  23. 378 LNP 递送系统：核酸药物绕不开的瓶颈 →
  24. 379 共价抑制剂设计：弹头选择与可逆性权衡 →
  25. 380 共价对接 Covalent Docking：如何建模反应性结合 →
  26. 381 变构位点发现 Allosteric Site：超越正构口袋 →
  27. 382 PPI 抑制剂：蛋白互作界面为什么难成药 →
  28. 383 分子设计中的多模态趋势：小分子之外的统一表征 →
11 合成与工艺 18 篇
  1. 384 逆合成分析入门：AI 如何反推合成路线 →
  2. 385 AiZynthFinder：开源逆合成规划工具实战 →
  3. 386 ASKCOS：MIT 合成规划平台介绍 →
  4. 387 IBM RXN for Chemistry：反应与逆合成预测服务 →
  5. 388 反应产物预测：从反应物预测主产物 →
  6. 389 反应条件与产率预测：让路线更可行 →
  7. 390 合成可及性再讨论：SA Score、SCScore 与 RAScore 怎么选 →
  8. 391 自驱动实验室 Self-Driving Lab：闭环自动化合成 →
  9. 392 晶型预测 CSP：为什么固体形态决定开发成败 →
  10. 393 多晶型 Polymorphism：消失的晶型与开发风险 →
  11. 394 盐型选择 Salt Selection：改善溶解度与稳定性 →
  12. 395 共晶 Cocrystal：另一条固体形态优化路线 →
  13. 396 溶解度与溶出预测：连接结构与制剂 →
  14. 397 工艺路线优化：AI 辅助的放大与绿色化学 →
  15. 398 结晶过程理解：从实验室到工业放大 →
  16. 399 反应数据库：USPTO、Reaxys 与 Pistachio 怎么用 →
  17. 400 从设计到合成的闭环：DMTA 中 Make 环节自动化 →
  18. 401 合成与采购决策：自研合成还是订购化合物 →
12 决策与监管 22 篇
  1. 402 Hit Identification：如何从筛选命中物开始一个项目 →
  2. 403 Hit Expansion：命中物扩展的计算与实验策略 →
  3. 404 Hit-to-Lead：从命中物到先导物的决策标准 →
  4. 405 Lead Optimization：先导优化阶段如何平衡多参数 →
  5. 406 PK 参数入门：Cmax、Tmax、AUC、CL、Vd 与半衰期 →
  6. 407 PK/PD 关系：体内暴露、靶点占有与药效如何连接 →
  7. 408 药效模型 Efficacy Model：体内验证应该看哪些指标 →
  8. 409 毒理窗口 Toxicology Window：安全边际如何决定项目命运 →
  9. 410 IND-Enabling Study：进入 IND 前需要完成哪些研究 →
  10. 411 Clinical Candidate Nomination：候选药物提名的判断框架 →
  11. 412 靶点选择与验证：从生物学假设到可信靶点 →
  12. 413 靶点可成药性 Druggability：AI 如何为靶点打分 →
  13. 414 目标产品特征 TPP：项目一开始就要回答的问题 →
  14. 415 化合物优先级排序：多参数优化 MPO 实战 →
  15. 416 决策中的概率思维：用贝叶斯更新看 DMTA 进展 →
  16. 417 计算与实验的差距：什么时候该相信 AI 预测 →
  17. 418 FDA 对 AI 的监管框架：药物研发中的可信 AI 指引 →
  18. 419 AI 模型的监管验证：用于申报需要满足什么 →
  19. 420 可信 AI Trustworthy AI：可解释、可重复、可审计 →
  20. 421 数据合规与知识产权：化合物与模型的法律边界 →
  21. 422 MLOps for 药物发现：实验追踪、版本管理与部署 →
  22. 423 失败复盘：AI 药物项目为什么会失败 →