小分子构象的准确预测对于药物研发中的多种计算方法至关重要，包括虚拟筛选、结构基础的药物设计、分子对接以及药效团建模等。 尽管现有方法众多，但在 生物活性构象未知或与最低能量构象差异显著 的情况下，有效探索柔性分子的庞大构象空间仍是一个挑战。 目前已有大量构象生成工具，但仍迫切需要能在 准确性、精确性、多样性、结构合理性和计算效率之间取得良好平衡 的方法。

在现代生物实验室里，构建一个基因编辑实验通常意味着什么？ 这是 全球首个可实现从设计到数据分析的基因编辑全流程自动化AI平台。 AI入驻实验室：科学的“副驾驶”上线。

2025年7月30日，华大智造杨梦团队联合泰国朱拉隆功大学的研究团队在Nature子刊Nature Biomedical Engineering上发表了题为：Accelerating primer design for amplicon sequencing using large language model-powered agents的研究论文，发布了名为“PrimeGen”的干湿协同多智能体系统，通过整合大语言模型（LLM）与多智能体协作，显著提升了扩增子测序引物设计的效率与可靠性。 这也是该团队在Nature Machine Intelligence期刊发表蛋白自博弈AI智能体后，时隔两年再度发表AI相关论文。 这一理念源于20世纪 70年代的闭环自动化化学，如今在人工智能、机器人技术和高性能计算的驱动下，已演进为能够自主执行“假说-实验-分析-优化”完整科研闭环的智能系统。

2021 年，国际人用药品注册技术协调会（ ICH ）指导原则《 Q13: 原料药和制剂的连续制造》描述了连续制造（ CM ）的开发、实施、操作和生命周期管理的科学及监管考虑，表明基于微流化学的药物连续制造是制药工业的新趋势。 2025 年 4 月，美国食品药品监督管理局（ FDA ）宣布计划逐步取消药物研发中的传统动物试验，推动类器官 / 器官芯片与人工智能（ AI ）模型等新方法学（ NAMs ）的应用替代，标志着药物研发模式进入新纪元。 近期，受中国工程院钱锋院士邀请，华东师范大学李洪林团队、华东理工大学朱维平 / 钱旭红团队和大连理工大学李红霞团队在中国工程院院刊《 Engineering 》上发表了题为“ The Convergence of Artificial Intelligence and Microfluidics in Drug Research and Development ” 的 长篇综述和展望性文章 。

2025年7月7日，美国国立卫生研究院（National Institutes of Health，NIH）宣布，该生物医学机构将不再向仅依赖动物实验的新拨款申请提供资助。 这项政策是在“FDA &NIH减少动物实验研讨会”（FDA&NIH Workshop on Reducing Animal Testing）上，由NIH项目协调、规划和战略计划代理副主任Nicole Kleinstreuer博士在评论中公布的。 这项政策紧随FDA四月份的一项相关公告而来，该公告阐述了FDA“逐步淘汰对单克隆抗体及其他药物的动物实验要求”的计划。

2025年7月17日， 开创临床级单细胞肿瘤转录组分析的精准肿瘤学技术生物公司 One Biosciences（“One Biosciences”）宣布完成由Redmile Group和Blast领投，Galion.exe、Invus、Adamed Technology、Sofinnova Partners、Polytechnique Ventures和Kima Ventures跟投的 1500万欧元A轮融资 。 One Biosciences的技术创建患者肿瘤的详细功能图谱，揭示可能推动更佳临床决策、患者筛选、疗法开发并可能优化临床试验的见解。 融资所得将加速One Biosciences旗舰产品OneMap™平台的临床开发，并支持扩大与制药和生物技术公司的战略合作伙伴关系。

2025年5月23日，著名科技市场研究机构CB Insights发布文章The AI in drug R&D market map。 CB Insights绘制了200多家应用人工智能发现和开发新疗法的公司图谱，涵盖从项目启动到商业化的全过程。 数十亿美元的药物开发成本正在重新定义制药行业的优先事项。

量子机器学习(Quantum Machine Learning, QML)指利用量子算法对经典或量子数据进行编码，并结合梯度下降或变分方法等技术自适应地优化量子态，从而实现模型训练。 在完成训练后，QML模型可基于学习到的量子表示执行预测或生成任务。 2025年6月6日，耶鲁大学、NVIDIA与Moderna的研究人员在《Chemical Reviews》期刊发表题为《Quantum Machine Learning in Drug Discovery: Applications in Academia and Pharmaceutical Industries》的综述文章，探讨了QNN在药物研发中的应用潜力，并分析其面临的机遇与挑战。

小分子药物研发的核心目标是开发出符合目标产品特征要求的化学实体，使其能够推进至临床试验阶段。 这一过程通常包括多参数优化，即先在hit阶段筛选具有高潜力的分子，再通过反复迭代逐步获得lead，最终形成候选药物分子(candidate)。 此外，文章还分析了阿斯利康和诺华的内部药物化学项目，展示了理化性质演变趋势及策略调整的意义。

2025年7月10日，来自微软研究院的研究人员在Science Advances上发表文章Scalable emulation of protein equilibrium ensembles with generative deep learning，主要提出了一种名为 BioEmu的生成式深度学习模型 。 该模型通过条件扩散框架，结合预训练的AlphaFold2序列编码器和分子动力学（MD）数据微调，实现了对蛋白质多构象平衡系综的高效采样。 研究利用大规模AlphaFold数据库（AFDB）预训练捕捉结构多样性，并通过创新性的属性预测微调（PPFT）方法整合实验折叠自由能数据，显著提升了模型对构象变化、折叠态概率的预测准确性。