企业官网建设流程全解析

快速导读

AI 开始更直接地接受实验和人的检验。疾病靶点发现系统 XunZi 提出的候选靶点 CHK2 进入帕金森病小鼠验证，钠金属电池研究也把算法筛选接到了真实溶剂实验。另一项皮肤病研究提醒，大语言模型生成的文字解释既能帮助判断，也会放大普通人对错误建议的依赖。

本周值得看

1. XunZi（荀子）是一个从文献和多组学数据中寻找疾病靶点的 AI 系统。本周论文显示，它提出的 CHK2 候选靶点随后接受了帕金森病小鼠实验，抑制 Chk2 后神经元损失和运动缺陷都有所缓解。
2. 本周一项皮肤病研究发现，LLM 解释会让普通人从正确的疾病相关建议中获益更多，也会让他们更容易被错误建议带偏。
3. AI 引导的溶剂筛选，是先用算法缩小候选范围，再把少量分子交给实验验证。MIT 团队本周报告从 10 万个候选中选出 27 个实测，并找到综合表现较好的候选溶剂 DMFSA。

技术突破：高影响期刊与正式科研成果

XunZi 从多源生物医学数据提出靶点，并用帕金森病小鼠验证 CHK2

XunZi（荀子）是一个面向疾病靶点发现的 AI 系统。它以2440 万篇生物医学文献为知识基础，并整合 613.6 TB 的多组学等数据，把 21,008 个人类基因与 5,850 种疾病放进同一分析框架，用来寻找相互支持的证据并给候选靶点排序。研究团队让它分析帕金森病时，系统将 CHK2、IRAK4 等激酶列为值得进一步验证的候选；团队随后用药理和遗传方法抑制 Chk2，在小鼠模型中观察到多巴胺能神经元损失减少，运动缺陷也有所缓解。比起模型规模，更关键的是候选靶点继续接受了动物实验检验。但这些结果仍处在临床前阶段，不能据此判断 CHK2 在人体中有效，也不能说明它已经具备成药性或长期干预安全性。

图：XunZi 的构建与验证框架，展示文献和多组学输入、假说生成及后续实验环节。（来源：Nature Biomedical Engineering 原文）

相关资源：XunZi 源代码；公开基准与排序结果（Zenodo）。

来源：XunZi, an AI biologist, reveals disease-modifying targets｜Nature Biomedical Engineering｜https://www.nature.com/articles/s41551-026-01769-6｜2026-08-04｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：同行评议研究论文

LLM 解释能帮人看皮肤病，也会让普通人更容易相信错误建议

可解释 AI（XAI）是指模型除了给出预测，还向使用者展示置信度、图像热区、相似病例或文字理由等辅助信息。Nature Medicine 本周发表的研究用两项在线实验比较这些解释方式：用AI辅助623 名普通参与者判断黑色素瘤与痣，153 名基层医生对四种皮肤病做鉴别诊断，另有320 名医学生完成与医生相同的任务。研究使用经过公平性约束训练的模型，AI 辅助整体提高了诊断准确率，也缩小了不同肤色图像之间的表现差距。普通参与者看到 LLM 解释后，准确率平均提高 7.7 个百分点；AI意见正确时诊断准确率提高 13.4 个百分点，AI 意见错误时却下降 21.1 个百分点，提示普通参与者受 AI 错误建议影响大，而基层医生较少被错误建议带偏。流畅的解释会放大普通人采纳 AI 判断的倾向，无论判断是对是错。

图：普通参与者在基础提示、GradCAM、相似病例检索和 LLM 解释下的准确性变化，并区分 AI 正确与错误的情形。（来源：Nature Medicine 原文）

相关资源：论文在 figshare 同页提供模型训练、解释生成、两项人群实验的数据与分析代码。

来源：Divergent impacts of explainable AI for dermatological diagnosis on clinicians versus lay people｜Nature Medicine｜https://www.nature.com/articles/s41591-026-04553-w｜2026-08-04｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：同行评议研究论文

Mol-CADiff 尝试让自然语言条件更直接地进入分子生成

Mol-CADiff 是一个文本条件分子生成框架，目标是把“想要什么性质的分子”这样的自然语言描述转成候选分子结构。本周发表的论文介绍了它如何用 causal attention（因果注意力）处理文本内部、分子内部以及两种模态之间的依赖关系。作者报告，该方法在对照评测中生成的分子更多样、化学上有效，并且与指定性质更一致。它处理的是文本条件与分子结构怎样对齐，不能替代性质预测、合成规划和实验筛选。

相关资源：论文补充材料与原始数据入口；Source Data。

来源：Mol-CADiff: text-conditional molecule generation via causality-aware autoregressive diffusion｜Nature Communications｜https://www.nature.com/articles/s41467-026-75702-5｜2026-07-29｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：同行评议研究论文（早期上线、待最终编辑）

10 万个溶剂候选在一天内生成，最后有 27 个走上实验台

电解液筛选很容易陷入一个现实难题：候选空间大，逐个合成和测试又太慢。MIT 团队从已知稳定溶剂 DMTMSA 出发，让 AI 引导的算法在24 小时内设计 10 万个同系候选分子，再按形状、电子性质等条件压缩到 200 个。研究者没有停在计算排名，而是从中选出覆盖设计空间的 27 个分子，在同一套条件下做实验，最终找到尺寸更小、综合表现最好的 DMFSA。AI 在这里做的是把巨大搜索空间收窄成实验室能处理的名单，论文已经在 Joule 在线发表。

图：AI 引导候选生成和筛选后，不同电解液配方得到的钠金属沉积扫描电镜图。（来源：MIT News 原文）

相关资源：Joule 论文页面；MIT DSpace 开放版本。

来源：Solving the solvent problem｜MIT News｜https://news.mit.edu/2026/solving-solvent-problem-sodium-metal-batteries-0804｜2026-08-04｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：权威科研机构新闻稿（对应 Joule 正式论文）

行业资讯与应用进展：从研究到落地

产业侧的变化主要发生在科研工具和平台上：前沿模型向更多研究人员开放，自动化合成、实验测试和模型更新也开始被接成闭环。这些建设可能缩短研究流程，但目前还没有公开证据表明它们已经带来新药或新材料。

OpenAI 把学术研究者支持计划扩展到 10 万人规模

ChatGPT for Academic Researchers 是 OpenAI 面向高校科研人员提供前沿模型访问、培训和协作支持的计划。OpenAI 7 月 29 日宣布，项目将在今年夏季先覆盖 10,000 名研究者，并计划在 2027 年前扩展至100,000 名科学、数学和工程研究者。参与者可以使用包括 GPT-5.6 Sol Pro 在内的模型，工作区默认不把数据用于模型训练，官方列出的场景包括基因组分析、蛋白建模、文献综述和假说测试。整个计划属于 OpenAI 到 2027 年投入超过 2.5 亿美元支持外部科学研究的一部分，降低的是模型使用门槛，不是一份科研效果评测。每周约 130 万人进行高阶科学和数学使用等数字来自公司自身统计，只能说明使用规模，不能替代论文、复现或独立产出评估。

来源：Accelerating scientific discovery with ChatGPT for Academic Researchers｜OpenAI｜https://openai.com/index/chatgpt-for-academic-researchers/｜2026-07-29｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：公司官方发布

Excelsior 想把“机器友好型化学积木”接进药物发现闭环

Excelsior Sciences 是一家开发自动化小分子发现平台的公司，核心思路是用标准化含碳 building blocks（化学积木）让机器反复执行碳—碳键构建。平台包含 closed-loop learning（用实验降低性质模型的不确定性）和 closed-loop discovery（围绕目标性质反复优化），试图同时处理溶解度、渗透性、毒性和代谢等问题。Nature Biotechnology 在 8 月 3 日的 Editor’s pick 中介绍了这套方法，但本周发生的是期刊行业特写，不是新融资；9500 万美元融资和纽约州资助都发生在 2025 年 12 月。公开材料也没有给出本周期新增候选药、跨项目独立基准或临床验证，因此目前能观察的是平台怎样搭闭环，还不能评价它最终带来多少药物产出。

相关资源：Excelsior Sciences 平台说明；2025 年融资公告（仅作背景，不计入本周期事件）。

来源：Editor’s pick: Excelsior Sciences｜Nature Biotechnology｜https://www.nature.com/articles/s41587-026-03249-3｜2026-08-03｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：高影响期刊行业新闻特写

政策动态与专家观点：规则、资金与方向

医疗 AI 的治理难题正在从模型准确率延伸到更实际的问题：系统能影响用户多少，以及监管机构如何持续研究快速变化的产品。本周的专家评论分别讨论决策权和监管科学基础设施，但都不代表新规已经生效。

欧洲医疗器械与医疗 AI，缺的不只是规则，还有持续研究规则的机构

监管科学与创新卓越中心（CERSIs）是一种让监管机构、大学和产业长期协作，研究新技术证据与审批方法的组织设想。本周，Anett Schönfelder、Stephen Gilbert（德累斯顿工业大学 Else Kröner Fresenius 数字健康中心）及来自伯明翰大学、曼彻斯特大学、哥本哈根大学、斯坦福大学等机构的作者，在 Nature Biomedical Engineering 建议欧洲建立这类中心。作者希望通过技术前瞻和早期证据方法研究，让医疗器械与医疗 AI 的规则能跟上产品变化。文中还披露，部分作者得到英国或美国相关监管科学中心支持。

图：作者提出的 CERSI 协作结构及监管机构、学术界和产业可能获得的互补能力。（来源：Nature Biomedical Engineering 原文）

来源：European Union innovation needs regulatory science excellence centres｜Nature Biomedical Engineering｜https://www.nature.com/articles/s41551-026-01756-x｜2026-07-29｜访问时间：2026-08-05 10:04（北京时间）｜来源类型：同行评议专家评论