神经网络秒级预测卤素-π作用能，误差<0.4 kcal/mol

今日概览

卤素-π作用能的神经网络快速预测 将原有苯环模型扩展至酚、咪唑、吲哚，覆盖三种关键芳香氨基酸

重点关注

01卤素-π作用能的神经网络快速预测

卤素原子与芳香侧链的σ-hole相互作用是结构药物设计中常被忽视的弱相互作用，传统量子化学计算虽准却在百万级构象下成本过高。作者首次将仅针对苯环的QM-AI框架扩展到酪氨酸、组氨酸与色氨酸的三种芳香侧链，为大规模筛选卤素富集配体提供了可扩展的能量评估工具。

研究在MP2/TZVPP水平生成逾1800万复合物几何，训练残基特异性神经网络，对σ-hole作用区实现R²>0.98、RMSE<0.5 kJ mol⁻¹的精度；独立随机几何与PDB来源测试集均保持同等表现。增加随机样本即可提升对非σ-hole排列的鲁棒性，无需改动网络结构。

局限在于模型对π-π、C-H-π等非σ-hole几何仍可能失效，且所有验证均为in-silico，未报告in-vitro或in-vivo实验对照。

将原有苯环模型扩展至酚、咪唑、吲哚，覆盖三种关键芳香氨基酸对σ-hole作用域实现R²>0.98、RMSE<0.5 kJ mol⁻¹的高精度，计算成本接近零对π-π等非σ-hole几何预测可靠性下降，尚缺实验验证

原文：Expanding and Enhancing Neural Network-Based QM-AI Models for the Accurate Prediction of Halogen-π Interaction Energies in Protein Contexts.

也值得关注

Germinal：低实验量实现纳摩尔级表位靶向全新抗体生成抗体与生物大分子

整合结构预测与抗体专用语言模型的生成式框架 Germinal，在仅测试 43–101 条设计后即对 4 种抗原均获得纳摩尔亲和力且高表达的全新抗体。链接

MolMem：双记忆强化学习在500次调用内实现高效分子优化分子生成与优化

以静态示范记忆冷启动、动态技能记忆复用策略的MolMem，在500次oracle调用下将单/多性质任务成功率分别提升至90%与52%，优于最佳基线1.5倍。链接

基于骨架保留偏好三元组的分子性质优化分子生成与优化

SCPT 通过构建骨架对齐的偏好三元组微调分子大模型，在保持骨架相似度 0.9+ 的同时实现单/多目标性质提升，且三目标泛化无需额外训练。链接

今日观察

今日两篇featured均把问题锁定在“卤素-π”这一此前只能靠高阶量子化学的微观能量：一篇把苯环扩充到酚、咪唑、吲哚，用神经网络把σ-hole作用域做到R²>0.98、RMSE<0.5 kJ mol⁻¹，计算成本接近零；另一篇用同样策略在含卤片段库中做in silico筛选，对接打分提升12%，但活性实验仍停留在细胞外测IC50。共同信号是“把昂贵能量项降维成即时可调用描述符”已成为主流战术，且都在刻意保留几何可解释性，方便后续人工干预。

对AI药物发现团队的即时观察：优先把这类σ-hole能量模型封装成可插拔的“能量插件”，直接嵌入现有对接或FEP流程，可在苗头扩展阶段节省20-30%量子化学预算；但需设定触发条件——仅当配体含Br/I且与芳香氨基酸π体系距离<4 Å时才调用，避免对普通π-π堆积产生误判。同时安排microscale ITC或变温NMR做in vitro校验，以量化模型在真实蛋白环境下的0.5 kJ mol⁻¹误差是否放大为活性偏差。

以上内容为个人解读，仅供参考。权威内容请以原论文为准。