柔性口袋生成框架YuelDesign登刊，合成反馈重塑分子设计

针对配体结合后蛋白构象变化显著的柔性口袋，传统深度学习方法常将口袋视为刚性，难以刻画动态相互作用。YuelDesign将口袋结构与配体构象联合建模，通过E3former保证旋转平移等变，并引入坐标EDM与原子类型D3PM的双扩散流程，对几何与化学身份进行迭代精修。in silico 结果显示，生成的分子在药物相似性、合成可及性、化学多样性及对接能量上均与天然配体相当，为柔性靶点提供了新的生成工具。局限在于目前仅提供in silico评估，缺乏体外或体内活性验证，且未在跨蛋白家族或更大规模口袋集上系统测试。

药物化学的痛点之一是生成模型给出的新骨架常因路线冗长或起始物料缺失而难以落地。本文把“能否真的做出来”从后置过滤改成主动优化目标，让模型在生成阶段就兼顾路线可行性、起始库可用性与多分子并行合成策略。作者提出强化学习框架 SynthSense，外显奖励评估单分子能否用优先反应和库存砌块完成，内隐奖励强制一批分子共享关键中间体，以模拟药化实验室的“平行板”实践。in silico 盲测显示，相较未加合成信号的对照，SynthSense 将可合成命中例数提高 6.2 倍，对给定路线的命中富集达 727 倍，并生成 4.1 倍数量的虚拟并行合成板。所有指标均在同一化学空间与性质约束下取得，未牺牲多样性。局限在于目前仅依赖基于规则的反合成打分，尚未与实验成功率或成本数据关联，亦未在 in vitro/in vivo 层面验证生成分子的实际活性与毒性。

分子对接是早期药物筛选的核心手段，但传统商业软件门槛高、流程封闭，限制了教学与可重复研究。本文系统梳理了开源对接引擎、浏览器工具、准备与后处理脚本及AI重打分、姿态预测等模块，指出硬件加速与开放生态已显著降低计算成本，使结构型药物设计在多样研究环境中更易落地。作者采用workflow视角，将对接拆分为结构设计、数据获取、口袋定义、受体/配体制备、执行与验证六步，并逐一总结可复现的开源方案；同时评估AI在扩大结构覆盖、提升筛选效率上的嵌入方式。然而综述未提供新的基准测试数据，也未量化AI模块相对于传统打分函数的增益，读者需自行比较不同工具在真实靶点上的表现差异。