Freie Universität Berlin

点击蓝字 关注我们 Artisan Lab 博士是硬通货？ 当一家AI制药公司再次获得资本市场的青睐，我们看到的不仅是技术创新，更是高端人才价值的极致彰显。 近日，AI制药公司Lambic Therapeutics宣布完成超额认购融资，规模超1亿美元，参与方包括红杉、卡塔尔投资局等顶级投资机构。引人注目的是，该公司的联合创始人兼首席执行官Tom Miller博士将此次融资视为对团队卓越工作的肯定。 这家公司的成长轨迹——从2021年5300万美元A轮融资，到2023年1亿美元B轮融资，再到本轮融资——折射出一个更深层次的趋势：高学历专业人才正成为驱动前沿科技创新的核心力量。 博士价值 Lambic公司的核心技术在于其AI药物发现平台，该平台能够快速预测药物分子与靶点蛋白质的结合方式，并智能设计更优的候选药物分子。 这一技术的背后，是深度专业知识与前沿技术能力的结合。Tom Miller博士作为公司的掌舵人，不仅需要具备扎实的生物学和医学知识，还要理解人工智能算法的基本原理与应用边界。 IAM1363——Lambic平台成功的首个范例，被设计用于克服当前HER2靶向疗法的局限性，并已进入临床阶段。这种从理论到实践的跨越，正是博士教育的核心价值：培养解决复杂问题的系统思维能力。 在Lambic，博士们不再局限于发表论文，而是直接参与新药研发的全流程，将专业知识转化为挽救生命的实际解决方案。 为何博士成为稀缺资源？ 人工智能等前沿技术与专业领域的深度融合，正在创造对高学历人才的巨大需求。 Lambic的AI平台需要同时理解药物研发的生物学逻辑和人工智能的技术逻辑。这种跨学科的复合型人才，正是博士教育体系最能培养的。 传统的新药研发如同“大海捞针”，耗时漫长且成本高昂。而Lambic的AI技术，就像一个经验极其丰富的“超级科学家”，能够大大缩短临床前研究时间。 这种“超级科学家”系统的构建，离不开真正的科学家——他们既了解科学问题的本质，又能掌握先进的技术工具。博士训练过程中培养的研究能力与创新思维，成为理解并推动这种变革的关键。 随着AI制药领域进入收获期，拥有多条临床管线的Lambic正从一家AI平台公司，向具备强大商业化潜力的生物制药公司迈进。这一转变更需要兼具科研功底与商业视野的领军人才——而这正是当代博士教育日益重视的培养方向。 博士发展趋势 Lambic的案例揭示了博士人才发展的三大趋势： 跨学科能力成为核心优势 现代科技前沿的突破往往发生在学科交叉处。Lambic的成功离不开计算生物学、药物化学与人工智能的深度融合。未来的博士教育将更加注重跨学科能力的培养。 产业导向的研究日益重要博士人才不再局限于学术界，越来越多地成为产业创新的核心力量。他们带着深度研究能力，解决行业内的关键难题，如Lambic攻克药物研发的效率瓶颈。 领导力与商业思维成为必备技能如今的博士毕业生不仅要是领域专家，还需要具备团队管理、战略规划和商业决策能力。Tom Miller博士从科学家到CEO的转型之路，正是这一趋势的生动体现。 ·END· 文字 | Pan 编辑 | Gloria Liu 审核 | Michael Mang ✦ • ✦ 欲了解更多海外科研机会、博士联培项目、博士后、访问学者机会、SCI一区发表机会、国内企业去海外建立实验室、海外项目国内落地等资讯，请扫码添加我的个人微信以咨询！ 往期 · 推荐 ● MIT物理系科研机会/华人教授Shu-Heng Shao ●马普所招收博士生/全额奖学金免学费！ ●史蒂文斯理工学院计算机系科研机会/Wendy Hui Wang教授 ●团队纳新！纽约州立大学布法罗分校生物医学工程系科研机会 / Lin Zhang博士 ●甘农大学工业与系统工程系科研机会/ Longfei Zhou博士 ●斯坦福经济系招募博士/博后/科研助理！邀您共探学术前沿 ●斯坦福统计系博士/博后/科研助理热招中 ●数据科学最前沿/ 哈佛统计系面向全球招募研究型人才 ●哈佛商学院经济/金融学科研机会/ Victoria Ivashina教授 ●斯坦福大学经济学科研机会|Ran Abramitzky教授 ● 斯坦福统计学科研机会/ Emmanuel Candès教授 ● 生物学方向的同学有福啦！美因茨大学顶尖生物团队正在热招中 ● 马普所—引力物理研究所博士奖学项目来啦！博士/博后职位开放 ● 马普所免疫生物学和表观遗传学研究所博士后项目| Nicola lovino实验室 ● QS23 耶鲁大学统计学全奖博士招生 ● 斯坦福能源工程方向招募博士生 ● 哈佛社会学科研机会！实地科研课程开启 ● 宾夕法尼亚大学心理学系博士及研究助理招募！Coren Apicella教授 ● 柏林自由大学2025秋/2026春 生物学博士招生！ ● 宾夕法尼亚大学经济学系博士及科研助理招募| Jeremy Greenwood教授 ● 马普所量子光学研究所全奖博士招生 ● 柏林自由大学2025秋/2026春 计算机博士招生！ ● 港中文数学系科研机会| 博士/科研助理/访问学者招募中 ● 纽约大学语言学博士/科研机会！ ● 约翰霍普金斯大学 经济/金融科研课程正式开启！欢迎报名加入！ ● 马普所生物物理研究所全奖博士招生 ● 牛津大学环境工程线上科研课程开启，欢迎优秀高中生、大学生报名参与！ ● 耶鲁大学戏剧 线上科研课程即将开启！ ● 斯坦福人类学教授科研课程即将开启！ ● 康奈尔大学化学生物系科研机会 ● 纽约大学艺术科学系科研机会| Colette Mazzucelli教授 ● 芝加哥大学比较文学系科研机会！ ● 耶鲁大学 微生物疾病学教授科研课程招募通知 ● 纽约大学市场营销学科研课程即将开启！优秀者可获推荐 ● 新加坡南洋理工大学计算机科学/AI方向博士及RA招募 ● 哥大宏观经济学科研课程即将开始！欢迎优秀高中生、本科生参与 ● 哥大国际法与比较法方向博士及RA招募，同时开设线上科研课程 ● 斯坦福计算机科学暑期科研/远程科研项目即将开始！ ● 2025藤校文科项目集合！戏剧、人类学、政治学、经济学 ● 2025香港、新加坡、英国科研项目开放！覆盖数学、AI、健康科技及航天物理 ● 纽大2025临床口腔科研计划 ● 哥大法学引论科研项目| 零基础解锁法律思维！ ● 新南威尔士大学计算机全奖博士及RA招募 ● UCL对外英语教学 (TESOL）科研项目火热招募中 ● 哥大教授亲授！人格心理学科研项目 ● 密西根安娜堡 微生物+进化生物学双项目科研 ● 哈佛生物医学暑期科研启动！——2025癌症免疫学暑期项目 ● UCL物理系线上科研即将开始| 机器人+机器学习交叉领域 ● 免学费还有月薪？海德堡大学几何+拓扑动力学方向有博士名额！ ● 慕尼黑工业大学(TUM) 细胞生物学、遗传学2026年博士招生，全年可入学！ ● 卡耐基梅隆大学（CMU）机器学习方向博士招生| 全额奖学金支持 ● 慕尼黑工业大学医学微生物学和免疫学全奖博士名额，全年可入学！ ● 全奖+津贴 还有这好事！伦敦国王学院(KCL)经济学博士项目九月初开放 ● 谢菲尔德大学传播学PhD博士项目，全年皆可申请 ● 交互材料PhD机会：莱布尼茨研究所与亚琛工业大学联合培养项目

IDC2026论坛聚焦：化学创新药物发现，protac、分子胶、AI助力药物发现等热点内容，合作热线177 0186 0390. 在刚刚结束的“服贸会”上，中国电信携手拜耳、恒瑞、艾昆纬等全球知名药企共同发布“AI药物研发公共服务平台”，标志着其正式入局AI制药领域。 几乎是在同一天，字节跳动Protenix团队在AI制药的研究上也迎来突破性进展——PXDesign系统在6个不同蛋白质靶点的实验验证中，5个靶点实现了20%～73%的纳摩尔级结合物命中率，较AlphaProteo等先进方法提升了2～6倍的性能。接连两个重磅消息，很快点燃了行业热情，使得AI制药再度站上风口。  图1.国内大厂入局AI制药时间及标志性事件 事实上，巨头跨界AI制药并非新鲜事，在最火热的2020～2021年，腾讯、百度、阿里巴巴、华为等都先后通过各种方式率先入局。以百度为例，创始人李彦宏亲自下场，并以个人出资的形式创立百图生科，目前该企业正在全力冲击上市。腾讯的布局同样较重，不仅推出自研平台“云深智药”，另外也先后加码了数十家AI制药企业，总投入金额超过50亿元。而在这些巨头的涌入下，AI制药一时风光无两。 据智药局不完全统计，我国AI制药企业当前已达108家，行业已正式进入“百企时代”，这带动大额BD、天价投融资事件层出不穷，比如由诺奖得主David Baker创办的AI制药公司Xaira Therapeutics，种子轮即获10亿美元支持，这无不在证明这一行业的热度。但在另一边，AI制药行业同时也在渡劫，破产、裁员、砍管线、贱卖资产等新闻频繁发生，一场“大逃杀”正在席卷整个产业。 而在截然不同的两种行业状态下，一个疑问当前已变得愈发响亮：对于这些响当当的跨界者来说，面对AI制药当前的复杂态势，他们又该何去何从？ 01 大厂为何纷纷“豪赌”AI制药？ 2025年4月，工业软件巨头西门子宣布斥资51亿美元收购生命科学数据公司Dotmatics，以此将其工业软件业务从传统制造业加速延伸至生命科学领域，并进一步推动AI制药领域的研发与产业化落地。  图2.英伟达一年投资8家AI制药企业 数据来源：动脉橙 这笔天价收购很快引发了全行业关注，但这并非个例，为抢滩AI制药，巨头们几乎都表现得尤为疯狂，比如英伟达，就曾在一年内连续投资8家AI制药企业，这甚至比很多投资机构的布局还要多。以腾讯、百度为代表的国内大厂虽然相对克制，但实质上也是倾其押注，创始人亲自下场、集团资源“AII IN”的案例不在少数。 那么，透过现象看本质，巨头争先扎堆AI制药，到底图什么？  图3.2019-2028年我国AI制药市场规模及增速 图片来源：头豹研究院 对此，动脉网总结了三点，首先第一点当然是看中了AI制药广阔的市场前景。在摩根士丹利2024年发布的一份报告中指出，AI制药的全球市场规模短期已达500亿美元，并有可能继续上探。再聚焦到国内，根据头豹研究院数据，2025—2028年我国AI制药市场规模将由12.1亿元增加至58.6亿元，年复合增速高达68.3%。 这无疑是一块巨大的蛋糕，而在其背后，实际上是AI制药被寄予颠覆传统制药流程的厚望。据悉，传统药物研发深陷“双十困局”：一款新药的研发需要十年以上，且投入的研发资金高达十亿美元，但成功率只有1%，而AI制药则有望通过智能算法将靶点发现、分子设计、临床预测等环节的周期缩短50%以上，成本压缩至数千万美元，并把Ⅱ期临床成功率从传统模式的25%～30%提升至60%～70%。 其次是在于AI制药当前已从概念验证阶段逐步进入价值释放期，众多前沿成果呼之欲出。2025年6月，由英矽智能研发的小分子药物Rentosertib（ISM001-055）正式公布IIa期临床试验数据，71名特发性肺纤维化（IPF）患者参与的中国多中心试验显示，每日服用60mg剂量组患者肺活量平均提升98.4毫升，而安慰剂组患者肺活量下降20.3毫升，这验证了全球首款进入II期临床实验AI药物的含金量。截至目前，我国已有超过10款AI药物处于临床II期，在抗肿瘤、自身免疫、神经系统疾病等领域已展现出巨大治疗潜力。 最后一点则是基于大厂与AI制药的产业适配性。众所周知，全球头部企业的掌门人们几乎都对生物技术充满了热情，而在这之中，AI制药无疑是最适配的领域，它将生物技术与AI等信息化手段相融合，让这些大佬在陌生的行业里看到了颇为熟悉的一面，因此在跨界时更得心应手，同时也更容易将自身资源和技术转化为对AI制药赛道的精准判断与高效布局。 事实上，AI制药的发展其实也需要这些巨头的涌入，无论是像百度、腾讯这样的互联网大厂，还是诸如华为、英伟达这类信息化硬件生产企业，他们的算法能力和硬件设施对于AI制药的推进都有举足轻重的作用。 对此，某资深投资人谈道，“巨头跨界绝非是一朝一夕，他一定是需要满足一些既定条件，比如这个市场足够大，并且还要有极高的落地可能性，最好是还能跟自己现有的技术和资源相结合，而这些AI制药都完全契合。所以，当巨头们在跨入AI制药时，才会表现得如此激进，甚至将其作为长久的战略部署。” 02 跨界结果如何：有人要上市，有人已变现 2025年5月，百图生科CEO刘维对外宣称，公司计划在未来一年半左右积极谋求在香港地区实现公开上市。三个月后，AI制药领域最大一笔BD交易诞生——晶泰科技宣布与DoveTree Medicines完成总订单规模约470亿港元的管线合作签约，作为被投，腾讯将因此获得一笔不错的回报。另外在研发层面，华为、字节跳动、阿里巴巴等都已在AI制药上实现了多项突破。 不难看出，经过过去几年的深耕与沉淀，巨头们当前在AI制药领域都已进入收获期。那么，他们究竟做对了什么，未来在AI制药上还有哪些想象空间？为解答疑问，动脉网重点选择了三家代表性企业进行了分析。 先以百度为例，作为唯一一家单独创立AI制药企业的大厂，百图生科当前已经迈入成熟期。截至目前，百图生科在药物研发、生物制造、医疗健康等关键领域，已成功实现200多个任务模型的State-of-the-Art表现，为全球范围内的300多家用户提供了优质服务，累计收获了超过20亿美元的总客户订单，有力地助力用户在AI全新蛋白设计、AI靶点发现、AI酶设计等前沿领域取得诸多突破性成果。 2024年10月，百图生科发布全模态生物大模型xTrimo V3，以2100亿参数量刷新全球最大规模的生命科学AI基础模型纪录。未来三年，百图生科计划将这一模型参数进一步扩展，并新增代谢组学、微生物组等模态，实现从分子到生态系统的全链条建模。对此，百图生科首席科学家李子青教授在接受媒体采访时表示，“百图正以‘基础大模型+垂直场景+开放生态’的三维战略，努力引领中国在全球生物计算竞争中占据制高点。” 不同于百度全身心扑在百图生科身上，腾讯在AI制药领域的布局更多元化，主要是两条腿走路：一条腿是依托于自研AI药物研发平台“云深智药（iDrug）”，另一条腿则是通过投资触角延伸AI制药全产业链。 先说“云深智药（iDrug）”，这是腾讯推出的首个AI驱动的药物发现平台，能够将小分子药物筛选周期从数月大幅缩短至数天，目前已运行十余个药物研发项目，包括肿瘤、自免等疾病领域。另外在投资层面，截至目前，腾讯已在AI制药领域出手十余次，晶泰科技、英矽智能、信诺维、深势科技等都是其代表性标的，而通过投资，腾讯当前已形成“数据-算力-场景”的完整闭环。 在近日举行的“2025腾讯全球数字生态大会”上，腾讯AI制药技术负责人刘伟也谈到了对于未来的期待，“通过深入研究原子作用力与原子凝聚体结构，腾讯健康将让模型可适配上层各类药物研发场景，为不同模态药物研发提供基础支撑。比如在DNA和蛋白质结构预测上，腾讯将结合原子层面大模型与分子动力学模拟等计算方法，大幅提升从序列或结构预测结构效果，并将其逐步扩展到核酸药物研发以及RNA相关领域。” 最后再聚焦到字节跳动，相比于其他大厂，其入局时间相对较晚，但当前在AI制药领域也已兑现了诸多成果。比如在内部层面，其依托于AIDD团队自主研发的AI驱动一体化药物发现平台，当前已在肿瘤、神经疾病等领域筛选出多个具有潜力的临床前候选化合物；另外在外部合作环节，字节通过战略投资与生物科技公司深度绑定，在靶点发现和分子生成等关键环节展现出巨大潜力，已成功推动多款药物进入IND申报阶段。  图4.海外大厂入局AI制药时间及标志性事件 当然，海外巨头们也没闲着，在AI制药领域同样收获颇丰。以谷歌为例，2025年7月，其旗下专注于药物研发的神秘机构Isomorphic Labs即将启动由AI设计的首次新药人体试验，这标志着AI制药从概念验证迈向实际应用的重要一步；同样是在7月，微软研究院AI for Science团队携手柏林自由大学、莱斯大学推出BioEmu，首次把扩散生成模型做成可规模化的“蛋白平衡系综模拟器”，单张消费级GPU跑几十分钟，就能得到过去需要超级计算机跑十万小时的蛋白动力学情报，且预测蛋白稳定性与实验误差不到1 kcal/mol。 由此可见，在跨界AI制药这条艰难的道路上，巨头们并非只有“财大气粗”的噱头，而是带着各自的技术护城河正在向里程碑加速迈进。 03 AI制药冰火两重天，跨界者还需要更多耐心 据动脉网不完全统计，2025年1-8月，我国AI制药领域已完成超10起BD交易，总交易金额高达300亿美元，阿斯利康、赛诺菲、礼来、辉瑞等MNC都曾先后押注。巨额资金的涌入以及头部药企的加码，无不在证明这仍然是一个充满想象力的赛道。  图5.2025年已完成的AI制药领域代表性BD交易 但在另一边，AI制药领域又在不断地传出破产、裁员、管线失败等消息，行业“泡沫”正在一个接一个戳破。2024年9月，AI制药龙头Recursion和Exscientia宣布合并，这是AI制药目前为止最大的一笔并购，但在外界看来，这场并购更像是老牌AI制药公司的抱团取暖，根据财报显示，2024年Recursion净亏损4.637亿美元，同比增长41.3%；而Exscientia在收购之前账上只有1.78亿美元，这已不足支撑其平稳度过2024年。 而在这种“冰火两重天”的市场态势之下，实际上也是在说明，AI制药行业已经从幻想阶段走向了务实，更看重技术落地的真实价值与商业可持续性。 对此，某专项投资人谈道，“AI制药领域正在进入一个预期过高之后的修正阶段，大家逐渐意识到，当初对AI+生命科学的想法过于乐观，这实际上是一个相当漫长的过程，而在此之前，行业不得不思考自我‘供血’的问题。于是，大家都将注意力聚焦聚焦到了在研管线的临床验证和商业变现上。” 这意味着，一批跨界者也将迎来新的行业挑战。一方面是要更加专注于自身成果的研发和临床落地，比如要在技术上不断创新，进一步提高研发效率，或者将自身AI技术运用到更多临床场景，并加速兑现。而这都需要巨头们更高层级的重视和参与，同时也要在组织形式上做出改变。 另一方面则是在商业环节，巨头们需要找到最适合自身的商业模式，并快速变现。据悉，目前国内AI制药公司对应的商业方向主要有三个：Biotech（创新药企）、CRO（研发外包服务机构）和SaaS（软件工具型公司），在这之中，Biotech是当下国内最主流的商业路径，即通过AI快速产生临床前管线，然后推进至临床阶段，再对外授权转让，从而获得首付款、里程碑付款和销售分成。 2023年10月，百图生科获得赛诺菲10亿美元大单，这验证了这一商业模式的可行性，而在迈过MNC的合作门槛之后，百图生科顺势迈入增长快车道。而在BD交易持续火热的当下，不少AI制药企业都在加速向MNC展示自身能力，这对于一批跨界者来说同样如此。 事实上，AI制药兼具了快和慢的两面性，一面是AI技术的唯快不破，另一面则是制药行业的十年磨一剑，这种矛盾性决定了AI制药行业的发展绝非易事。但挑战即机遇，对于一批跨界者来说，AI制药的黄金时代其实才刚刚拉开序幕，未来想要脱颖而出，还需要拿出更强的硬实力，以及更多的耐心。 * 参考资料： 1.《AI制药，十年浮沉》——亿欧网； 2.《当AI制药企业开始抱团取暖》——氨基观察； 3.《AI制药2024成绩单：亏损、裁员、并购、转型，谁在逆势突围？》——智药局。 *封面图片来源：123rf END 免责声明：本文仅作知识交流与分享及科普目的，不涉及商业宣传，不作为相关医疗指导或用药建议。文章如有侵权请联系删除。 IDC2026论坛聚焦：化学创新药物发现，protac、分子胶、AI助力药物发现等热点内容，合作热线177 0186 0390.

买科研服务（代计算、代测试、超算机时），送老李校长“科研理工男士情感课” 第一性原理计算解决50年悬而未决难题：半导体中铜为何扩散更快？ Ab initio及第一性原理入门参考书介绍 《海贼王》告诉你，做科研为什么不能闭门造车…… 985博导亲测：用DeepSeek写国自然本子，3天完成30天工作量 来自公众号：ScienceAI 本文以传播知识为目的，如有侵权请后台联系我们，我们将在第一时间删除。 编辑丨& 非靶向代谢组学在推进精准医学和生物标志物发现方面前景广阔。由于谱图参比库的不完整，从串联质谱中鉴定化合物在当前仍是一项颇有挑战的任务。 为了应对这项挑战，德国联邦材料研究与测试研究所（BAM）与柏林自由大学的一支团队提出了 FIORA，这是一种旨在模拟串联质谱的开源图神经网络。利用键的分子邻域，该模型可以学习断裂模式并推导出碎离子概率。 FIORA 不仅在预测质量上超越了最先进的碎裂算法 ICEBERG 和 CFM-ID，而且还有助于预测其他特征，例如保留时间和碰撞截面。利用 GPU 加速，FIORA 能够快速验证推定的化合物注释，并通过高质量预测大规模扩展光谱参考库。 这项研究以「FIORA: Local neighborhood-based prediction of compound mass spectra from single fragmentation events」为题，于 2025 年 3 月 7 日刊登于《Nature Communications》。 FIORA 在过去的十多年中，非靶向代谢组学的进展受到高质量参考光谱稀缺的限制。2016 年的 CASMI 挑战赛显示，在注释以前未知化合物的谱图时，计算机模拟方法的召回率仅为 34%；2022 年的挑战赛中，识别率甚至没有达到 30%。 许多小队尝试从分子结构构建理论产物离子谱作为参考，以此来扩展公共光谱库。由于缺少高质量的训练数据，必须要对算法进行彻底评估，以确定它们对以前未参考或未见过的代谢物的有效性。 键解离是化合物碎裂背后的一个关键概念，因为共价键在 MS/MS 过程中被裂解，产生出现在质谱中的碎离子。计算机碎裂算法识别分子结构中的断点，并使用这些断点来估算离子概率和峰强度，最后输出模拟质谱。 图 1：实验性 MS/MS 碎裂与计算机碎裂工作流程的比较示意图。（图源：论文） FIORA 的与众不同之处在于致力于通过其局部分子邻域表达每个键裂解。这与许多最新算法中根据分子的汇总表示预测 MS/MS 谱图或完整片段集的典型方法不同。它能根据其周围的分子结构独立评估键解离事件，更直接地模拟 MS 的物理碎裂过程，其将碎片离子预测正式化为分子结构图中的边缘级预测任务。 该模型充分利用了高性能 GPU，并在其决策过程中非常强调可解释性。它可估计保留时间（RT）和碰撞截面（CCS），这为基于 MS 的化合物鉴定增加了更多维度，是光谱预测软件的真正原创补充。 与性能最好的方法 CFM-ID 和 ICEBERG 对性能进行基准测试，FIORA 学习碎裂模式相对独立于训练集和未知化合物之间的结构相似性。这确保了对真正未知结构进行建模的高度泛化性，并为光谱特征预测奠定了基础。 团队承诺，FIORA 完全开源，其可以在 GitHub 上免费获得。 相关链接：https://github.com/BAMeScience/fiora 方法概述 FIORA 的核心思想是通过预测串联 MS 碎裂过程中发生的分子键断裂来间接预测质谱。团队采用 GNN 来学习分子的隐藏表示，并将键断裂作为边缘性质预测任务。模型考虑了每个键的局部邻域，从而利用了与破译碎裂事件和离子重排相关的接近完整的化学表示。 随后，FIORA 将 MS/MS 信号建模为单键解离后预测片段产物的概率分布。通过神经网络子模块学习 RT 和 CCS 值，使用分子图嵌入，FIORA 提供了多个 MS/MS 特征维度来匹配实验数据，可用于改进化合物鉴定。 FIORA 不局限于单一模型架构，展现了多功能性。其模块化设计允许多个预测目标和轻松集成不同的深度学习架构。 对于测试拆分、MSnLib 和 CASMI 16 数据集，FIORA 预测的 MS/MS 谱图与参考测试谱图的中位余弦相似度最高，比第二名高出 10% 至 49%。这可能与图卷积网络（GCN）和关系图卷积网络（RGCN）的性能优于基于注意力的网络有关。 图 2：各种 GNN 架构的光谱预测性能。（图源：论文） 演示与测试 对于与训练集具有中到高度结构相似性的化合物（Tanimoto 评分在 0.6 到 1 之间），FIORA 的预测质量保持稳定，中位余弦相似度为 0.8 及以上。当这个评分位于 0.2-0.3 时， FIORA 在推广到不熟悉的结构时性能仍然稳健。 图 3：测试化合物与训练化合物的结构相似性区间的余弦相似性。（图源：论文） FIORA 可以很好地推广到结构上不同的化合物，但 FIORA 相比于 ICEBERG 的改善不太明显。在不同化合物类别的预测中，FIORA 的预测质量更加稳定。 图 4：FIORA 预测的 RT 和 CCS 奇偶校验图。（图源：论文） 作为验证手段，研究团队将 FIORA 与基于前驱体 m/z 的线性回归模型进行了比较。结果显示FIORA 的性能始终优于线性模型，尽管差距很小。绝大多数预测的误差范围在 10% 之间。 虽然目前的实施无疑受到有限碎片离子集的限制，但 FIORA 能够通过高度准确的强度预测进行有效补偿。尽管存在单步碎裂，但 FIORA 的性能仍优于最先进的方法。 团队已经证明，他们的方法不会导致化合物超类之间或结构不同的化合物之间的重大性能差异。需要注意的是，单步碎裂会抑制 FIORA 检测某些化合物的效果，这是未来改进的重要方向。 强大的预测性能 FIORA，一种创新的碎片化算法，它以多种关键方式推动了该领域的发展。通过基于局部分子邻域对键解离进行建模，片段强度预测得到了显著改善。 FIORA 还在片段强度预测水平上整合了协变量，包括电离模式、仪器类型、分子量和碰撞能量，特别是碰撞能量对峰强度的显著影响。 将正谱和负谱的训练合并到一个模型中，使算法能够从其他电离类型的碎裂模式中学习。基于这种嵌入，分子可以在化合物类和超类水平上聚集。 话虽如此，没有一种算法在各个方面都客观上优于其他算法。FIORA 覆盖的碎片集较小，呈现效果较差，但在其他方面仍代表了强度预测质量和分子结构建模方面的当前技术水平。 论文链接：https://www.nature.com/articles/s41467-025-57422-4