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 Squibb（BMS）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

1. 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。
2. 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。
3. 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MSV000095785；ENVnet 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 matter｜Nature Biotechnology｜https://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 Explainability｜Journal of Chemical Information and Modeling｜https://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 Pathways｜Chemistry of Materials｜https://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 Chemistry｜https://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 radiographs｜npj Digital Medicine｜https://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 intelligence｜npj Parkinson’s Disease｜https://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 factory

Bristol 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 CELMoD（cereblon E3 ligase modulator，CRBN 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 Rubin｜NVIDIA Blog｜https://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-2，Daiichi Sankyo 开展虚拟筛选，Takeda 部署 BoltzMol-1 与 BoltzProt-1，Fujifilm 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 Industry｜NVIDIA Blog｜https://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 bioresilience｜Google DeepMind Blog｜https://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 dossier｜European Commission, Directorate-General for Health and Food Safety｜https://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 systems｜European Commission, Directorate-General for Communications Networks, Content and Technology｜https://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 inequalities｜npj Digital Medicine｜https://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 Palmblad（Leiden University Medical Center）、Jared M. Ragland 和 Benjamin A. Neely（NIST 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 Development｜Journal of Proteome Research｜https://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。