AI4S今日简讯:AI设计合成基因编辑器SynTnpB

头条

Nature Biotechnology刊发AI设计合成基因编辑器SynTnpB 基因编辑

研究团队8月11日在Nature Biotechnology发表AI辅助设计的合成基因编辑器SynTnpB：结合逆向折叠模型与进化知识，生成与天然TnpB仅50–60%序列一致度的紧凑编辑器。在细菌、植物和人细胞中测试的9个变体均展现出超过天然TnpB的编辑活性，为可编程、小尺寸基因编辑工具提供了新来源。^[1]

行业要闻

01 Nature Communications刊发SAT3D分割任意肿瘤 医学AI

莫纳什大学（Monash）团队8月11日在Nature Communications发表SAT3D（Segment any tumour），一种面向三维医学影像的肿瘤分割基础模型。方法采用移位窗口视觉Transformer（shifted-window ViT）并引入评论者引导的不确定性机制，在17,075对三维体–掩膜数据上训练，在11个公开数据集上建立基准。^[2]

02 Nature Computational Science刊发通用超材料生成模型InfoMetaGen 材料科学

浙江大学团队8月11日在Nature Computational Science发表InfoMetaGen，一种通用超材料生成模型：以预训练扩散骨干搭配轻量功能适配器，可按不同功能需求生成结构。在全息设计中，其生成结果达到Gerchberg–Saxton算法保真度，而运行时间缩短超过三个数量级（约2400倍）。^[3]

03 npj Computational Materials刊发物理信息药物纳米粒设计 药物发现

杜克大学Reker组8月11日在npj Computational Materials发表物理信息驱动的药物–辅料纳米粒设计：将自由能计算、序贯池化主动学习与yoked深度学习结合，从约1800万分子对中筛选。前瞻性实验验证24个药物纳米粒，其中8个为先前未知的稳定配方，索拉非尼配方实现超高载药量。^[4]

04 J Chem Inf Model刊发Odor-Sight气味活性图神经网络 化学

研究团队8月11日在Journal of Chemical Information and Modeling发表Odor-Sight，一个可解释图神经网络平台，用于预测分子是否具有气味。在经严格清洗的4,201个化合物上，模型平衡准确率达0.89±0.011、ROC-AUC达0.950±0.008，并集成EdgeSHAPer等可解释工具辅助分子设计。^[5]

05 Mayo Clinic用AI筛出GIPC1抑制剂靶向胰腺癌 药物发现

梅奥诊所（Mayo Clinic）联合Sravathi AI Technology，借助AI筛选近4万个潜在化合物，锁定靶向GIPC1蛋白PDZ结构域的实验性小分子GIPCi。该“不可成药”靶点此前难以用小分子抑制；临床前胰腺癌模型显示其减缓肿瘤生长并增强吉西他滨疗效。研究7月31日发表于Cell Reports，8月11日由Drug Target Review报道。^[6]

06 Pharmaceuticals刊发HIV化合物ML框架比对12模型 药物发现

研究团队8月11日在Pharmaceuticals发表统一协议下的HIV相关化合物预测框架，比较12种模型（经典ML、序列DL与图基GDL）。图基GDL模型以ROC-AUC 0.956±0.015居首，并辅以ADME药代评估与分子对接，为抗HIV化合物虚拟筛选提供可复现流程。^[7]

07 Adv Funct Mater刊发可解释图神经网络逆向设计力学超材料 材料科学

兰州大学团队8月11日在Advanced Functional Materials发表可编程力学超材料逆向设计框架：以图神经网络（GNN）结合多尺度结构感知注意力，对非线性应力–应变曲线预测准确率达97.65%；借助GNNExplainer识别关键子图，并以边特征图生成实现按用户指定相对密度与力学参数的逆向设计，经数值仿真与实验验证。^[8]

08 Phys Rev A刊发深度强化学习校准多量子比特门 物理

Jaouadi与Ashhab在Physical Review A发表混合框架，将最优控制（GRAPE）与情境深度强化学习（DRL）结合，对两量子三元（qutrit）受控相位门做鲁棒校准。DRL学习对最优脉冲的小幅残差修正以补偿器件参数失配；在100个含噪器件的集合中，门保真度由纯最优控制的约0.87提升至DRL修正后的约0.994，门误差降低约一个数量级。^[9]

09 Nature Communications刊发ESMDynamic预测蛋白动态接触图 蛋白质设计

美国伊利诺伊大学香槟分校（UIUC）团队8月11日在Nature Communications发表ESMDynamic，一种从单条蛋白质序列直接预测残基–残基动态接触图的深度学习模型。它基于ESMFold架构，在mdCATH与ATLAS等大规模分子动力学基准上匹配或超越AlphaFlow、ESMFlow、BioEmu等主流方法，而计算量低数个数量级；已对超过18,000个人类蛋白质生成动态接触预测，可用于自动筛选马尔可夫态模型的集体变量，服务于模拟、分析与蛋白设计。^[10]

引用来源

1. 1. https://doi.org/10.1038/s41587-026-03273-3
2. 2. https://doi.org/10.1038/s41467-026-76531-2
3. 3. https://doi.org/10.1038/s43588-026-01032-7
4. 4. https://doi.org/10.1038/s41524-026-02262-z
5. 5. https://doi.org/10.1021/acs.jcim.6c01374
6. 6. https://www.drugtargetreview.com/ai-identifies-experimental-drug-targeting-undruggable-cancer-protein/2136196.article
7. 7. https://doi.org/10.3390/ph19081267
8. 8. https://doi.org/10.1002/adfm.77659
9. 9. https://doi.org/10.1103/717q-ypkg
10. 10. https://doi.org/10.1038/s41467-026-76361-2