快速导读本周AI4S的学术进展集中在“让模型输出更接近科研人员真正需要的信息”从药物—蛋白相互作用类型、质谱对应的分子描述到环境有机物的全球分子资源都不只追求一个预测分数。产业侧的主线是科研算力与模型工作流继续向药物研发、材料和实验自动化靠拢。Bristol Myers SquibbBMS扩建专用 AI 基础设施日本的生命科学机构和药企集中披露部署进展Google DeepMind 与 Isomorphic Labs 则把重点放在生物安全与应急响应。它们都值得跟踪但多数仍是机构自述不能直接等同于药物成功、实验效率提升或公共卫生效果。规则层面欧盟首次把 AI 辅助共同临床评估JCA材料准备中的责任、披露和记录要求写得较具体与此同时面向特定 AI 系统的透明度义务即将适用。对做医疗和生命科学 AI 的团队来说模型能力之外过程记录、人工复核和证据生成正在变成同等重要的工程工作。本周值得看ENVnet 把环境溶解有机物做成可计算的全球资源。它同时给出大规模分子网络、开放数据和持久性预测模型为环境化学中的跨生态系统比较提供了一个可继续验证的起点。LINKER 尝试解释药物与蛋白“如何相互作用”。模型不只判断是否结合还预测氢键、π 堆积等有生物意义的相互作用类型不过金属介导作用和别构位点仍是明显空白。欧盟为 AI 辅助 JCA 申报划出责任边界。核心不是禁止使用 AI而是要求人持续负责、说明 AI 用在了哪里并保留工具版本、提示词等可审计记录。技术突破高影响期刊与正式科研成果ENVnet从 419 份新样本构建环境溶解有机物的全球分子资源Nature Biotechnology 发表的 ENVnet 汇集13 类陆地与水生环境中的数据并加入 419 份新采样样本研究团队通过计算方法拆解嵌合 MS/MS 谱图得到超过 22,000 个不同的分子特征。研究者进一步训练模型预测 dissolved organic matter溶解有机物的环境持久性并在独立环境系统上检验了这种跨系统预测思路。它与 AI4S 的关系不只在“用了机器学习”更在于把难以直接比较的环境质谱数据整理成可复用的分子网络、预测任务与开放资源。相关资源MassIVE 数据集MSV000095785ENVnet 代码与分析流程GNPS2 工作流仓库已运行的 GNPS2 任务。来源ENVnet provides a global molecular resource of dissolved organic matterNature Biotechnologyhttps://www.nature.com/articles/s41587-026-03230-0发布时间2026-07-21访问时间2026-07-22 09:21北京时间来源类型同行评议期刊资源论文。LINKER从序列与 SMILES 推断有生物意义的药物—蛋白相互作用LINKER 在推理时只需要蛋白质序列和配体的 SMILES简化分子线性输入规范目标是预测氢键、π 堆积等功能基团—残基相互作用而不只给出一个结合标签。训练阶段仍使用三维复合物中的结构监督并加入化学知识与功能基团抽象因此它更像把结构信息压缩进可解释预测而不是绕开结构知识。对先导化合物分析而言这类输出可能帮助研究者定位该改哪个基团、该关注哪个残基但论文尚未证明它能直接提高后续药物发现成功率。作者也明确列出金属介导相互作用、质子化/电荷/立体化学、别构位点真值不足等限制。相关资源代码与数据仓库。来源LINKER: Learning Interactions between Functional Groups and Residues with Chemical Knowledge-Enhanced Reasoning and ExplainabilityJournal of Chemical Information and Modelinghttps://pubs.acs.org/doi/10.1021/acs.jcim.6c00527在线发布时间2026-07-16访问时间2026-07-22 09:21北京时间来源类型同行评议期刊论文。机器学习辅助解释溶剂极性如何改变共轭聚合物成膜Chemistry of Materials 的研究先用机器学习筛选与 DPP-DTT 有机场效应晶体管空穴迁移率相关的溶剂描述符归一化 Reichardt 极性参数E T N E_T^NETN被识别为关键变量。随后进行的 UV–vis–NIR、GIWAXS、光学显微镜和溶液 WAXS 实验显示较高的E T N E_T^NETN与更高迁移率、更低仲晶性以及液晶介导的溶液到薄膜组装路径相关。这里机器学习的价值是帮助从许多候选溶剂属性中提出可实验检验的机制线索而不是替代材料表征。结论目前主要建立在一种共轭聚合物和一类器件体系上能否迁移到其他聚合物、溶剂窗口和制造条件尚未证明。来源Data-Driven Discovery and Experimental Validation of Solvent Polarity Effects on Conjugated Polymer Solution-to-Film Assembly PathwaysChemistry of Materialshttps://pubs.acs.org/doi/10.1021/acs.chemmater.6c00358发布时间2026-07-16访问时间2026-07-22 09:21北京时间来源类型同行评议期刊论文。MS2LLM把串联质谱转换成分层分子文字描述MS2LLM 把 MS/MS串联质谱与分子结构都表示成语言形式再通过指令微调输出功能基团、子结构和化合物类别等分层描述。论文报告其在多个数据集上的描述质量优于通用大语言模型和传统谱图学习方法这意味着未知物分析可以先获得“像什么、可能含有什么”的可读线索。需要注意的是它输出的是 molecular caption分子描述不是唯一且精确的化学结构也不能替代标准品和后续实验确认。作者发布了 8B 模型的 LoRA 权重。相关资源MS2LLM-8B-LoRA 权重页面。来源Can Large Language Models Translate MS/MS into Molecular Caption?Analytical Chemistryhttps://pubs.acs.org/doi/10.1021/acs.analchem.6c02505发布时间2026-07-15访问时间2026-07-22 09:21北京时间来源类型同行评议期刊 Letter。多中心脊柱侧弯 X 光模型同时测量排列并识别植入物这项研究使用来自两个国家、10 家机构的 1,671 名青少年特发性脊柱侧弯患者、共 4,585 张 X 光片训练卷积神经网络自动测量脊柱排列并检测植入物。主要侧弯角的平均绝对误差为 2.7°、相关系数为 0.99胸椎后凸角误差为 3.7°、相关系数为 0.91过渡椎编号准确率为 0.97单张图像植入物计数误差为 0.18。来源Deep learning–based automatic measurement of spinal alignment and implant detection in scoliosis radiographsnpj Digital Medicinehttps://www.nature.com/articles/s41746-026-03020-7发布时间2026-07-17访问时间2026-07-22 09:21北京时间来源类型同行评议期刊论文页面标注为未编辑早期版本。非接触多模态模型用三类运动任务识别早期帕金森病研究纳入 151 名停药状态的早期帕金森病患者和 138 名健康对照从 11 个运动任务中提取 186 个特征。筛选后模型只保留眼跳、朗读时的面部表情和步态三类任务、共 39 个特征模型在开发集的 AUC区分能力指标为 0.87完整 11 模态模型为 0.89在验证集分别为 0.84 和 0.88。需要注意AUC 并不等于现实人群筛查中的阳性预测值更不等于确诊能力。来源A highly efficient detection model for early-stage Parkinson’s disease using non-contact, multi-modality measurement and artificial intelligencenpj Parkinson’s Diseasehttps://www.nature.com/articles/s41531-026-01481-x发布时间2026-07-21访问时间2026-07-22 09:21北京时间来源类型同行评议期刊论文页面标注为未编辑早期版本。行业资讯与应用进展从研究到落地BMS 建设第二座面向药物研发的 AI factoryBristol Myers Squibb 宣布部署第二套专用 AI 基础设施包括 8 套 NVIDIA DGX Vera Rubin NVL72 系统并计划采用 BioNeMo Agent Toolkit 组织药物研发工作流。公告称BMS 已使用 AI 辅助靶点识别、扩展 CELMoDcereblon E3 ligase modulatorCRBN E3 连接酶调节剂化合物库并以“Predict First”思路决定优先合成哪些候选分子。对药物研发团队而言专用算力和工作流可能缩短计算排队及迭代时间但公告中的“节省数周”和每瓦性能提升属于企业与供应商口径。项目仍在建设尚无前瞻临床结果、完整成本核算或可供外部复核的药物成功率数据。图BMS 团队载于 NVIDIA 官方公告。来源Bristol Myers Squibb Building Life Science Industry’s Most Advanced AI Factory on NVIDIA Vera RubinNVIDIA Bloghttps://blogs.nvidia.com/blog/bristol-myers-squibb-building-life-science-industrys-most-advanced-ai-factory-on-nvidia-vera-rubin/发布时间2026-07-20访问时间2026-07-22 09:21北京时间来源类型企业官方合作与产品公告。日本生命科学与科研机构集中披露 AI 和机器人部署NVIDIA 的日本生态公告展露多项生命科学部署Astellas 部署多种 BioNeMo NIM 与工具包Ono 使用 Boltz-2Daiichi Sankyo 开展虚拟筛选Takeda 部署 BoltzMol-1 与 BoltzProt-1Fujifilm 则将带扩散模型重建的全身 CT 系统商业化。科研基础设施方面RIKEN 的 RIKYU 以 1,600 块 Blackwell GPU 支持生命科学、材料和实验室自动化基础模型ROQUO 以 540 块 GPU 连接量子—高性能计算工作流。公告还引用 Biomy 空间转录组分析提速 90%、某光谱流程相对纯 CPU 提速 13.4 倍等数字说明加速计算已进入具体工作负载。图RIKEN 的 AI 超级计算基础设施图片来自 NVIDIA 日本生态官方公告。来源NVIDIA and Japan Bring Full-Stack AI and Robotics to Every IndustryNVIDIA Bloghttps://blogs.nvidia.com/blog/japan-ecosystem-2026/发布时间2026-07-15页面于 2026-07-17 前滚动更新访问时间2026-07-22 09:21北京时间来源类型企业官方生态与产品公告。Google DeepMind 与 Isomorphic Labs 公布生物韧性工作框架Google DeepMind 将 bioresilience生物韧性工作分为预防、检测和响应三层并称过去 12 个月已建立超过 15 项合作。该计划的核心目标是防范AI技术在生物学领域的滥用同时利用AI加速疫情检测与响应构建一个更安全的生物技术生态系统。具体方向包括探索用于生物内容溯源的 SynthID 水印、用 AlphaEvolve 优化宏基因组算法、向可信研究者提供模型能力以支持疫苗和对策设计以及由 Isomorphic Labs 组建聚焦快速响应的团队。这些安排把基础模型、算法优化和受控访问机制放到生物安全场景中值得关注其后续治理与效果评估。当前页面主要是计划与原则说明没有披露可复核的量化结果受限访问也意味着外部研究者暂时难以独立评估覆盖面、误报漏报和双重用途风险控制。来源Our approach to bioresilienceGoogle DeepMind Bloghttps://deepmind.google/blog/our-approach-to-bioresilience/发布时间2026-07-16访问时间2026-07-22 09:21北京时间来源类型机构官方项目与治理说明。政策动态与专家观点规则、资金与方向欧盟为 AI 辅助共同临床评估材料制定通用原则欧盟共同临床评估协调组通过一份原则文件明确健康技术开发者即使使用 AI 准备 JCA dossier共同临床评估申报材料仍对提交内容的有效性、完整性和准确性负责。文件要求全过程有人监督不应把任何步骤完全交给无人负责的自动化文献检索、筛选、数据提取、偏倚风险评估、分析和报告撰写等 AI 辅助步骤都应披露单纯拼写与语法检查除外。申报方还应记录工具名称、版本、开发者、使用日期、目的、适配方式和提示词并能按要求提供记录。相关资源原则文件 PDF文件通过日期2026-07-15。来源General Principles on the use of Artificial Intelligence in the preparation of the JCA dossierEuropean Commission, Directorate-General for Health and Food Safetyhttps://health.ec.europa.eu/latest-updates/general-principles-use-artificial-intelligence-preparation-jca-dossier-2026-07-16_en页面日期2026-07-16访问时间2026-07-22 09:21北京时间来源类型政府机构正式原则与配套文件。欧盟发布特定 AI 系统透明度义务指南欧盟委员会发布《人工智能法》第 50 条透明度义务指南相关规则将于 2026 年 8 月 2 日起适用。提供者需要让用户知道自己正在与 AI 互动并以机器可读方式标记部分生成或操纵内容部署者还要对深度伪造、无人工编辑控制的公共利益内容以及情绪识别和生物特征分类等用途作出披露。对患者沟通、远程健康服务和医疗内容生成团队而言这会影响产品界面、内容水印、日志和审核流程。指南面向特定 AI 系统的一般透明度不等同于医疗器械合规批准也不能代替临床安全与性能验证。来源Commission publishes guidelines on transparency obligations for providers and deployers of certain AI systemsEuropean Commission, Directorate-General for Communications Networks, Content and Technologyhttps://digital-strategy.ec.europa.eu/en/news/commission-publishes-guidelines-transparency-obligations-providers-and-deployers-certain-ai-systems发布时间2026-07-20访问时间2026-07-22 09:21北京时间来源类型政府机构指南发布公告。专家观点AI 只有嵌入更好的卫生系统才可能缩小健康不平等Robin van Kessel、Alexander W. Carter、Khurram Nasir 与 Elias Mossialos 在 npj Digital Medicine 发表观点文章来自 LSE Health AI and Digital Lab、Hasso Plattner Institute、Houston Methodist 和 Rice University 等机构。作者把治理问题归纳为法律、证据生成、监管与市场准入、人员准备度、公众信任五个相互依赖的环节并认为任一薄弱环节都可能把风险传递到后续部署。这个框架提醒医疗 AI 团队算法在单一数据集上的准确率不能代表它会自动改善可及性或公平性。它属于专家观点和政策框架不是新的干预试验其中的因果链仍需通过不同卫生系统中的实证研究验证。来源Artificial intelligence needs better health systems to reduce inequalitiesnpj Digital Medicinehttps://www.nature.com/articles/s41746-026-03041-2发布时间2026-07-17访问时间2026-07-22 09:21北京时间来源类型同行评议期刊 Perspective页面标注为未编辑早期版本。专家提案用 GROUNDING.md 给科研编程代理写明证据与领域约束Magnus PalmbladLeiden University Medical Center、Jared M. Ragland 和 Benjamin A. NeelyNIST Materials Data Division提出由社区维护、按科研领域划分的GROUNDING.md文件。它把不可违反的证据约束与可配置的惯例参数提供给 agentic coding代理式编程系统并建议其优先级高于项目计划、AGENTS.md或技能说明蛋白质组学示例用于展示这种约束如何进入代码生成流程。这个方向可能减少科研软件中“语法正确但科学假设错误”的代码不过文本约束本身不保证事实正确仍要配合验证器、测试和人工审查。相关资源proteomics-grounding 社区仓库验证材料仓库。来源Agentic AI-Assisted Coding Offers a Unique Opportunity to Instill Epistemic Grounding during Software DevelopmentJournal of Proteome Researchhttps://pubs.acs.org/doi/10.1021/acs.jproteome.6c00398发布时间2026-07-17访问时间2026-07-22 09:21北京时间来源类型同行评议期刊观点/方法提案。