CDK16抑制剂回归建模突破；AR降解剂AI平台亮相

CDK16在多种侵袭性肿瘤中高表达且与不良预后相关，但目前缺乏选择性化学探针。作者将多姿态分子对接结果直接用于回归型机器学习的数据增强，首次把对接评分、配体-受体接触指纹及构象敏感描述符合并输入模型，在8种算法中梯度提升树表现最优；经遗传算法降维后得到ML-QSAR模型，并衍生出药效团假设。虚拟筛选NCI与OpnMe库后，LanthaScreen酶活实验确认两 hit：H_28（BI-831266）IC50 3.5 µM、H_33（BI-1282）IC50 5.8 µM，为迄今少有的微摩尔级CDK16抑制剂。研究仅完成in vitro水平验证，尚未报告选择性谱、细胞活性或体内结果；对接姿态增强虽提升样本量，但依赖打分函数准确性，可能引入系统偏差。

这份综述之所以值得留意，在于它系统梳理了量子计算资源从“理论可能”过渡到“早期可用”后，与机器学习结合所带来的具体建模精度提升，并明确限定了验证层级：仅收录经 3 次重复 300 ns 或单次 500 ns 分子动力学（MD）模拟检验的虚拟筛选研究，为同行提供了可核查的 in silico 基准。

生物学与化学问题：在药物设计、材料发现和反应机理预测中，传统力场或半经验方法往往难以兼顾电子结构精度与大规模采样效率；纯量子化学计算则受限于标度障碍，无法覆盖高维化学空间。

QML 方法：作者归纳的混合工作流把“量子化学精度”嵌入机器学习框架，代表性策略包括：用量子变分算法增强反应路径分析；以量子启发神经网络预测能量与受力；将机器学习势函数用于结合亲和力计算；通过张量网络近似实现多尺度电子–原子级联模拟。文中未给出统一测试集，但强调所有入选案例必须通过上述 MD 时长门槛，相当于在 in silico 层级完成一致性检验。目前尚未报告体外或体内实验对比，因此验证仍停留在计算层面。

局限与假设：综述指出，硬件端缺少足够规模的纠错量子计算机，数据端存在异构化学数据难以融合，模型端尚缺跨化学空间稳健迁移的 QML 表示方法；这些前提若未解决，所述精度提升难以外推至更大分子或工业级流程。

雄激素受体（AR）持续激活是转移性去势抵抗前列腺癌（CRPC）难以治愈的关键。作者用自研AIMCADD平台先预测AR-LBD与CRBN E3的三维结合姿态，再经MD模拟筛选最稳定三元复合物；随后用深度神经网络AIMLinker生成连接臂，构建虚拟降解剂库，经分子对接-动力学二次排序后挑出top化合物。In silico流程至此完成。

体外实验显示，先导物在LNCaP、22Rv1、VCaP细胞中诱导AR降解，并覆盖L702H、T878A等五种临床突变；MG132共处理阻断降解，DARTS证实直接靶向AR，qRT-PCR显示KLK3（PSA）下调。细胞水平选择性地抑制AR阳性肿瘤细胞增殖，对正常细胞毒性低。In vivo每日一次给药显著缩小移植瘤体积并降低血浆PSA，未观察到系统毒性。整项研究仅给出单剂量移植瘤数据，缺乏PK/PD、耐药谱及更大动物模型验证；AI模型的打分函数与真实降解效率也未给出定量相关性，属目前主要局限。