定位：以 10-07 版为基线做 diff，不重写。上版 12 项追踪回执见 §1，新增硬锚点见 §2–§5，岗位信号见 §6，口径冲突见 §7，可执行动作见 §8，下轮追踪见 §9。
方法：16 轮中英双语检索（freshness d7 / d14 / m1 / m2 混用），本轮新引入两个高信噪比源：biomldigest.com周报、gist.science论文拆解。
本轮核心判读（三条）：
① "数据即瓶颈"从论断变成了 18 亿美元的采购订单，而且出现了两种互斥的数据治理解法 —— Biohub Virtual Biology Initiative 拉到 18 亿美元（DOE + NIH + Google DeepMind + Isomorphic + Meta），走的是"造公共数据，商业资助方 embargo 一年后公开"；AISB-1-Fed 与本周新增的 Antibody Developability Consortium 走的是"数据永不移动，只回传模型更新"。两条路在 siRNA 侧都还是空白。
② 核酸侧的 AI 栈第一次同时补齐了"生成"与"结构"两端，而且都是能拿到的 —— RNASeek（16 亿参数 RNA 生成基础模型 + GRPO，湿实验验证超过训练集最优）与 OFoldNA（核酸/蛋白-核酸全原子结构，FoldBench 上 DNA 单体 TM-score 0.329 vs AF3 0.243）。上轮 siFormer 是闭源形态对标，这两个是真能 clone 的。
③ 诺奖化学奖给了不对称合成，不是 AI；同一周 AP Novo 的诚实口径也出来了 —— Kagan + Soai 拿了化学奖（手性非线性效应与自催化），与 2024 年化学奖（Baker/Hassabis/Jumper）形成一次外部校准；同时 AP Novo 的规模与局限首次可引用：测了 5,600+ 个设计、最佳设计分支命中率最高 80%，但催化活性仍比天然酶或定向进化酶低几个数量级、基序构建需要针对具体反应的专家、模型尚未真正捕捉催化的物理学。
本周三个数字：18 亿美元（Biohub VBI 总盘子） · +35%（OFoldNA DNA 单体 TM-score 相对 AF3） · 5,600+ / 80%（AP Novo 实测设计数与最佳分支命中率）
| # | 上版追踪项 | 状态 | 本轮回执 |
|---|---|---|---|
| 1 | Bepirovirsen FDA 决定（2026-10-26） | ✅ 有料（倒计时 18 天） | PDUFA 2026-10-26 三源再确认（pdufa.bio 更新至 10-06、PharmExec、GSK 官方稿）。新增中国商业化信号（上轮没有）：GSK 与 SBP Group（中国生物制药/正大天晴 CTTQ）签署中国大陆独家合作（GSK 官方新闻稿 2026-05-11），初始期 5.5 年，CTTQ 负责进口、分销、医院准入与推广（网络覆盖 5,000+ 家医疗中心），GSK 保留上市许可与监管/质量/药物警戒/全球医学策略；GSK 还将获得审阅 SBP 早期管线资产的权利。 background：中国约 7,500 万乙肝感染者、年死亡约 45 万、84% 肝癌与慢乙肝相关；《国家病毒性肝炎防治行动计划（2025—2030）》已把功能性治愈写入目标。 ⚠️ 口径注意：" resultant China hepatology burden" 的 7500 万/45 万/84% 是 GSK 稿援引，非中国官方口径，引用时写"GSK 新闻稿口径"。 |
| 2 | VCC 2026 公开榜（10-22 截止 / 11-05 终榜） | ⚠️ 无新分数，但有赛制权威口径 | 未拿到新榜单分数。补齐两个此前只有零散提及的硬口径（来之 HP/nexi 综述 + Arc 官方资料）：2026 赛自 2026-08-20 开放，赛道从 2025 的 few-shot（同一细胞系预测未见扰动）升级为 zero-shot 跨六细胞系；参赛者只拿到未扰动对照转录组；六系中三系跑实时榜、另三系留作最终盲测；奖金 10 万美元，赞助方 NVIDIA / 10x Genomics / Ultima Genomics；2026 数据在 Ultima UG100 + 10x Flex 上生成。对标 Arc State：Embedding 在 1.67 亿观测细胞上训练，Transition 在 70 个细胞系、>1 亿扰动细胞上训练；权重公开但为非商业许可；Arc Virtual Cell Atlas 已 >3 亿细胞，目标 >10 亿扰动实验。 判读口径（沿用上轮）：0 = 给所有问题同一个平均答案，1 = 真实实验重跑；榜首仍在 0.26 量级，全距 ≤0.3。→ VCC 与 Biohub §2.1 是同一件事的两个面：一个在造评测，一个在造数据。 |
| 3 | 晶泰 Kodexia 是否有第三方/合作方披露 | ❌ 无（第 2 轮） | 全部仍为 PR Newswire 原文转写链（本轮又捕获 4 个新转载站：unite.ai / wisevoter.com / third-news.com / cloudspress.com / pannaphat.me / 富途），零新增原始信息、零第三方。本轮唯一有价值的新增： cloudspress.com 做了少见的诚实核对 —— XtalPi 2025 年报（2026-04 报送）已把 Kodexia 描述为"AI 驱动的 siRNA 序列发现与化学修饰平台 + 闭环工作流"，并提及体内疗效预测、肝外递送、双靶点 siRNA。→ 确认 10-06 是"正式对外发布"而非"首次出现"，此前 8-19 中期业绩口径成立。下轮仍无第三方 → 与技术部分一起降级为"仅形态对标"，不再追数据 |
| 4 | Apheris / AISB-1-Fed 是否有正式论文或技术报告 + 是否有第二个联邦联盟 | ✅✅ 双重大回执 | (a) Apheris 官方技术博客全文拿到：本轮回执到接近逐句的完整口径（数据/评估/消融/限制）。新增硬细节：五家 = AbbVie / Astex / BMS / J&J / Takeda；总训练数据 >20,000 条来自活性药物发现项目的实验解析结构，"约把可用于训练的药物相关蛋白-配体数据放大三倍，构成迄今药物发现领域最多样的数据集"；明确写"By necessity, the underlying structures and the trained model weights remain private... what we are making public are the aggregate results"。 (b) ★ 第二个联邦联盟已出现，且方向不同 —— 见 §2.2 Antibody Developability Consortium。 (c) 官方定位措辞值得抄：> "To our knowledge, this is the first clear demonstration that federated training delivers a step-change in co-folding accuracy, the start of a new era for federated drug discovery." 同时坦承 "Federation is not new to drug discovery. Earlier large-scale pharma federation efforts proved that cross-company training was feasible but delivered only modest gains" —— 这句话是本系列第一次拿到"为什么这次不一样"的行业自述，可直接进立项材料。 |
| 5 | AlphaProtein Novo 第二篇预印本 / 是否同行评审 / 是否开源权重 | ✅ 重大回执（三项全部有答案的一半） | 第二篇预印本：确认存在但 DeepMind 未点名（多个二级源一致观察到官方连结到 second preprint + supporting materials "without naming the second paper"）。同行评审：否（bioRxiv 预印本，全部数字为公司自测）。权重：不开源，多条独立确认（@anshulkundaje 明确 model weights not open-sourced；AGI Hunt 标题即 "weights stay closed"；tricaitory 写 "pretrained weights sit behind a separate terms-of-use download and the repository carries its own output-use policy"）。 ★ 上版完全没有的两个规模数字（本轮新增，极其重要）：测试了 5,600 多种设计；在表现最佳的设计分支中实现最高 80% 的命中率。 ★ 局限三条（此前没有，现在可以诚实引用）：① 催化活性仍比天然酶或经定向进化优化的酶低几个数量级；② 催化基序构建需要针对具体反应的专业知识；③ 模型尚未真正捕捉催化作用的物理学原理。 新增机构与合作方：除 Caltech 外还有 匹兹堡大学 Peng Liu 组；Frances Arnold 实验室参与。 迭代事实（重要）：某个应用案例中首轮设计仅 0.1%，经一轮设计优化后大幅提升 → "AI 画出起点、定向进化收尾"是当前真实分工，不是"AI 端到端替代"。 |
| 6 | MAGI / T-REX 仓库是否真可执行 | ⚠️ 部分（仅 T-REX） | T-REX：bioRxiv v3 页面来源复核，仓库 github.com/ml-struct-bio/T-REX、CC-BY 4.0、"openly release" 表述属实；v3 的修订很小（Updated Figures 2a 和 3c、修订 Figure 5 caption、改正 Discussion 里的 typos）→ 说明 v1/v2 已被人认真读过，是个好信号。MAGI：本轮仍未验证仓库，第 2 轮欠账。 |
| 7 | ROBUST-2026 能否跑通 + 是否含原始 Ki 数值表 | ⚠️ 未专项验证（第 2 轮） | 页面复核：Posted 2026-10-01、DOI 10.64898/2026.09.25.754496、Competing Interest = 无、Funding NIH R01 GM135919 / R35 GM151996 + NSF ACCESS BIO250064 / BIO260054，摘要口径与上版一致。原始 Ki 表是否随仓库发布仍未验证。 |
| 8 | 《十五五》AI 制药专栏配套名单 / 实施细则 | ⚠️ 无名单，但有落地口径 | 名单细则仍未发布。 ★ 本轮拿到专栏的"具体培育方向"颗粒度：太美医疗科技披露 —— 其"AI 辅助临床试验预测和优化平台"精准契合《规划》"AI 制药高价值应用场景 — 辅助临床试验方案评审与科学评估"的培育方向。→ 专栏六项下列还有第二层子条目（此前只拿到六项第一层）。 配套硬数字：2026 年 1—9 月中国创新药对外授权交易总额突破 1,200 亿美元、同比 +36%（H1 已接近千亿美元）；2026H1 超 60% 的 NMPA 批准上市 1 类新药经由其 AI 临床开发平台开发（公司自述，谨慎引用）。 |
| 9 | 药监局《"人工智能+药品监管"实施意见》原文与准确印发日期 | ⚠️ 未回执（第 3 轮） | 未命中原文。再一轮无 → 降级季度池 旁证增量：国家卫健委等五部门联合印发《AI+医疗卫生应用实施意见》，8 大方向、24 项重点应用（二手，待核原文）。 |
| 10 | OpenAI GPT-Rosalind 是否有正式发布/技术报告 | ✅ 有料（间接但重要） | 未检索到 GPT-Rosalind 的技术报告或正式产品发布 —— 它目前只是 Freda Duan 文中与多个二级源反复引用的"模型族存在性"声称。 ★ 但本轮拿到一条更硬的 OpenAI 实际动作：OpenAI Foundation 已启动超过 1.25 亿美元的资助计划，用于生物与医学数据集（Reuters 口径，经 AGI Hunt / AI Tech Daily 转引）。→ 与上轮"OpenAI 已有 GPT-Rosalind 模型族"相比，这条是花钱的证据而非声称。 见 §7-4。 |
| 11 | TychoBio × PacBio 首批 >10,000 样本数据集是否公开 | ⚠️ 未回执 | 未见公开。 ★ 但拿到一条同方向的独立岗位信号：Basecamp Research 招聘 Scientist I 明确要求"developing novel methods for gene editing off-target analytics using both long and short-read sequencing"（见 §6）→ 长+短读长联合做脱靶分析，正在从论文主张变成岗位硬要求。 |
| 12 | 《Biotechnology Investment National Security Act》与新 BIOSECURE 是否成法 | ⚠️ 未专项检索 | 本轮未安排。保留。 |
回执统计：重大回执 2（#4 联邦双联盟、#5 AP Novo 诚实口径）· 有料 3（#1、#8、#10）· 部分 2（#6、#11）· 未回执/未专项 5。
这是"数据瓶颈论"从投资人 PPT 变成政府预算的那一刻。
| 出资方 | 金额 | 性质 |
|---|---|---|
| US DOE（能源部） | >5 亿美元 / 5 年 | 实验室测量、建模、算力 |
| NIH | >5 亿美元（已投入的前期联邦资金，非新增) | 协调并交由 Biohub 标准化的既有数据集/仓储 |
| Google DeepMind + Isomorphic Labs + Meta | 合计 3 亿美元 | 企业联合投资 |
| Biohub（Zuckerberg / Chan） | 5 亿美元（2026-04 已宣布的种子承诺） | 慈善 |
| 合计 | 约 18 亿美元（官方稿口径 "nearly $2 billion"） | — |
Alex Rives（Biohub head of science）："With commercial funders we have embargo periods where there's a period of time where the groups can work on the data, and then it becomes available as a public scientific resource."
Athena Hadjixenofontos（AbbVie AI 负责人）： federated infrastructure 解決的是"datasets collected for ease rather than for machine learning"——convenience datasets 这个词是本轮最好的中文难译但值得保留的批评语汇。
Robin Röhm（Apheris CEO & 联创）："For AI to impact developability decisions in a drug program, it has to perform on a pharma's own molecules."
Rich Cohen（Ginkgo Datapoints 高级总监）：目标是"建立这个领域最大的、为 ML 设计的标准化数据集 + 训练在其上的预测模型"。
| 维度 | AISB-1-Fed | Antibody Developability Consortium |
|---|---|---|
| 对象 | 蛋白-配体 co-folding（小分子 SBDD） | 抗体 developability（生物药 CMC 属性） |
| 数据移动 | 无（只回传参数更新） | 无（模型进各成员环境） |
| 谁出数据 | 五家纯私有 | 私有 + 第三方公开混合（Ginkgo 补） |
| 是否外购数据生产 | 否 | 是 —— 花钱 Kok 高通量表征补齐 label |
| 已有成果 | 已出结果（+16.5pp / +17.9pp） | 进行中（2027 初交付） |
| 监督 | 无外部披露 | Deane + Tessier 独立监督 |
上三轮的线索在这里合流了 —— NARGAB 综述说"基础模型 embedding 必需性证据不足"；FENNEC 说"embedding + 热力学 + 实验协变量可行"；siFormer 说"把机制约束放进生成"；RNASeek 给出了第四种、也是工程上最完整的答案：把预训练模型和想要的打分器解耦 —— 预训练只负责"会说话"，真正决定生成方向的是你微调出来的 reward model + GRPO。
直接可用的一点：IUPAC 约束这个接口意味着"必须避开某个序列基序/必须包含某个修饰位点"这类硬约束，可以作为 RL 的约束条件直接写进生成过程，而不是事后过滤。caiPro 现在的行为是"生成候选 + 打分排序"，RNASeek 展示的是"直接优化到满足约束且分数高"。
风险：reward model 偏置是这条路的头号 failure mode —— GRPO 会把 reward model 的漏洞当成目标来利用。若要用，必须做"reward model 与最终湿实验读数是否相关"的独立验证（本系列第 14 轮已反复强调同一件事）。
| 任务 | OFoldNA | AlphaFold 3 | 相对提升 |
|---|---|---|---|
| DNA 单体折叠（平均 TM-score） | 0.329 | 0.243 | +35% |
| 蛋白–DNA 界面（核酸链 >20 nt，平均 DockQ） | 0.286 | 0.238 | +20.2% |
| 奖项 | 公布 | 得主 | 理由 |
|---|---|---|---|
| 生理学或医学 | 10-05 | Karl Deisseroth（美）、Peter Hegemann（德）、Georg Nagel（德） | 光门控离子通道与光遗传学的发现 |
| 物理学 | 10-06 | Francis Halzen（美） | 对 IceCube 中微子天文台的决定性贡献与天体物理源高能中微子的发现 |
| 化学 | 10-07 | Henri B. Kagan（法）、Kenso Soai（硖合宪三）（日） | 不对称有机合成中的非线性效应与自催化 |
| 项 | 类型 | 硬事实 | 备注 |
|---|---|---|---|
| MolGenBench | ★ 评测基准（本輪最缺的一类） | Nat Commun，2026-10-01；Cao Duanhua / Fan Zhehuan / Teng Dan / Zheng Mingyue 等；对 17 个基于结构的生成模型做基准，暴露靶点感知（target awareness）／活性分子回收（actives recovery）／泛化三处缺口，并给出标准化数据集与指标 | 这是继 Ptarmigan/离评测之后的又一块"评测基建"，且来自国内。岗位要求里 benchmark 维度持续升温（见 §6） |
| Gen-COMPAS | Nature 正刊 · physics-informed | 2026-10；Chenyu Tang、Mayank Prakash Pandey 等（Univ. de Lorraine / CNRS + Madrid / Chicago / Urbana-Champaign）；扩散模型 + committor（transition state theory），仅从起止两端结构重建稀有转变路径；" regulates NHS→sub-μs 聚合采样尺度 vs 常规方法高几个数量级"；三个测试体系含 Trp-cage 与线粒体 ADP/ATP 载体；从 generated intermediate 发起的短 unbiased 模拟做验证筛选 | ★ 本系列 physics-informed 主线的第 6 个独立来源（前有 LiGANN/FLAG/DeepICL/PocketFlow、ROBUST、张健组 Perspective、FENNEC、AP Novo）。且它的"用短 unbiased 模拟验证生成结果"是可抄的方法学 |
| GluePlex | 分子胶 · AI+物理 | Baylor College of Medicine，Nat Commun；在没有任何实验三元复合物结构引导的情况下预测 VAV1–CRBN–分子胶三元复合物；命中 VAV1 SH3-2 结构域上的一段表面 loop 作为 degron（不是传统的 G-loop）；实验验证通过 | 含义：CRBN 分子胶的可成药靶点空间比此前认为的更宽。 另有独立团队用不同实验方法得出相同结论 |
| GuideFlip | 柔性靶点 binder | Jamali & Scheres（MRC LMB），bioRxiv 2026-09-30；guided discrete flow matching 协同设计序列与结构，面向柔性/无序靶点的 de novo binder，降低疏水偏好；实验高命中率，含 cryo-EM 确认的 state-selective GPCR nanobody | 与 §2.3 OFoldNA 同属"结构建模向柔性/非经典构象扩展"这一支；Scheres 组（cryo-EM 方法学大本营）连续出手，值得单独盯 |
| TurboPairFormer | 工程加速 | arXiv 2610.05854（2026-10-05）；三角注意力（triangular attention）在 NVIDIA Hopper 上的实现，集成进 OpenFold3；16×H100 上 1.73× vs OpenFold3 Triton backend、1.13× vs cuEquivariance（crop 768）；residual compensation 把梯度 RMSE 降低 28–47%；600 个输入案例下四次梯度 bitwise identical | ★ 与 §1-4 联邦训练直接互补 —— 联邦微调的成本大头是训练时间，这块落后很容易被忽略。同时"bitwise identical"是 federated/可复现场景的硬保证 |
| OpenKinetics Predictor | ★ 生信日常工具 | predictor.openkinetics.org + data.openkinetics.org；开源平台整合 13 种 kcat / KM / kcat/KM 预测方法，隔离环境统一接口；可选报告 query 蛋白与各方法训练集的相似度以提示可靠性；配 CatLog 数据集（含预计算 embedding、预测结合位点、标准化切分）；GECKO 建模工具箱已直接调用其 API | "指标不相容导致下游锁定最容易拿的方法"这个问题终于有人做工程解了。可先用，不必自造。 独立第三方（含原作者）贡献了多个方法 —— 这点很罕见 |
| 2-step（LC 保留时间） | Nature Methods 2026 | Fleming Kretschmer 等，DOI 10.1038/s41592-026-03243-2；小分子液相色谱保留时间预测，无需在目标系统上重训即可开箱精确预测（针对竞品"需大量训 target system"的对照优势）；有软件包 + web app | metabolomics / 天然产物 / 环境分析的日常工具 |
| stFormer | 空间转录组基础模型 | Cell Reports Methods 2026-09-30；Cao Shenghao / Li Jiachen / Shen Hong-Bin / Pan Xiaoyong / Yuan Ye（上海大学等）；cross-attention 注入空间配体信号 + biased SC learning，统一 Visium 数据集 | 国内组 |
| RNASeek / OFoldNA / pCoMole / Tiberius | 核酸与序列模型 | 见 §2.3 与下表 | — |
| pCoMole | 分子编辑 | arXiv 2026-10-01；Pareto 约束离散流序列编辑，强制硬生化可行性同时优化多属性；湿实验在激进删除后保留 GFP 荧光、保留 Cas9 PAM 特异性 | — |
| Tiberius | 基因预测 | bioRxiv 2026-10-01；Stanke / Hoff 组；端到端深度 ab initio 真核基因预测、谱系特异模型，接近基于证据的流程，算力只是零头 | 大规模基因组注释 |
| 国产 AIVC（虚拟细胞）全景 | 综述源 | xTrimo 在首届 VCC 夺冠；百图生科 × 华大智造 2026-09 签战略合作共建专属细胞大模型；阿里达摩院 Lingshu-Cell（2026-03，细胞世界模型，VCC 扰动基准领先）；CellFM（中山大学杨跃东 + 华为 + 新格元，8 亿参数 / 1 亿细胞 / 天河星逸超算 / MindSpore + 国产芯片）；OCTO-VC（约 15 亿参数，近 2 亿空间分辨肿瘤与免疫细胞，号称生物基础模型许可第一单）；临港实验室"元生"（2025-07 多智能体，2026-03 Nat Mach Intell 虚拟细胞 + RL 设计肿瘤序贯治疗）；晶泰孵化"无界进化"（2026-06 天使轮，OCOO-T 在药物/基因/细胞因子扰动基准 SOTA）；华源智因（2026-07 种子轮，CTO 曾主导 VCC 冠军模型）；诺禾致源已把 AIVC 平台建设写入规划；华大基因单细胞测序 2026H1 同比 +57% | ★ 这是本系列第一次系统拿到国内 AIVC 的完整图谱，含三条路线：基础模型 / 国产算力+上游数据协同 / 应用落地。 ⚠ 综述与二手源，个股/公司论断不予采用 |
| 岗位 | 薪酬 | 关键信号 |
|---|---|---|
| Genentech / Roche · ML Scientist / Senior ML Scientist（Synthesis Planning & Optimization）（San Francisco，10-05 发布） | $148k–274k | ★ 组织情报：Roche 已成立 Computational Sciences Center of Excellence（CoE），统一 gRED（Genentech）与 pRED；原 Prescient Design 现称 AI4DD。 ★ 职责三条原文值得抄：① "Design novel batch synthesis-planning algorithms that maximise chemical-space coverage, information gain and experimental efficiency" —— "批次 / batch" + "最大化信息增益"第一次以算法目标的形式出现在药企 JD 里，与主动学习直接挂钩；② "Build ... active-learning loops that interface directly with automated and high-throughput synthesis platforms"；③ "Drive scientific impact through publications, open-source releases, and conference talks" —— 开源发布写进 value 主张。 ★ 动员增添指向 "design molecules we can actually make —— closing the loop between generative design and automated synthesis" |
| Merck & Co · Senior Specialist, Modeling & Informatics（Cambridge MA，10-03 发布） | $159.6k–251.2k | ★ 要求单列 "predictive modeling, active learning, explainable ML"；覆盖 modality 明确为 small molecules / peptides / targeted protein degraders；职责含 "evaluate new technology and software from commercial sources, open innovation, or external collaborations" —— "外部/开源技术评估"作为独立动词出现 |
| Basecamp Research · Scientist I, Platform Innovation（Boston / London） | $110k–140k base | ★★ 本轮最贴近 chen 的一条：要求 "developing novel methods for gene editing off-target analytics using both long and short-read sequencing"；同时要 "Experience integrating AI protein design tools with high-throughput wet lab screening methodologies" 与 "traceable data pipelines"；还需理解多样的基因编辑工具（nucleases / base editors / transposons / retrotransposons / recombinases）。 → 长+短读长联合做脱靶分析，正在从本系列追踪的论文主张变成岗位硬要求。 |
| 杭州某 · 人工智能应用高级研究员（AIDD 方向）（西湖区，博士，09-27 更新） | 40–70k × 17 薪 | 上版记录为"农夫山泉、薪资未明"，本轮薪资明确。职责 3 原文："持续跟踪并调研 AlphaFold 3、Diffusion Models、大语言模型等在生物医药领域的 SOTA 进展，并将其转化为实际生产力，沉淀内部算法库与工具链"；加分项含"熟悉并能复现或微调当前主流 AIDD 大模型（AF3、Boltz-1、RFDiffusion、ESM 系列）"与"AI Agent 在科研场景的搭建与应用经验" |
| 北京安必奇 · AI 药物开发工程师（CADD）（通州，硕士 2 年+） | 25–45k × 13 薪 | JD 中出现 "预测蛋白质结构的大预言模型 LLM、生成式人工智能"（原文如此，"大预言模型"为笔误），"在药物领域有实际应用经验者优先" |
| Xaira Therapeutics · Scientist（类器官 + CRISPR 筛选） | $110k–155k | 要求 "Familiarity with perturb-seq, single-cell genomics, or spatial omics, and interest in exploring new readout methods"；"Partner with computational biology, AI/ML, and drug discovery teams" —— 本系列第 3 轮出现 Xaira，其"自上而下"screening 路线的用人口径稳定 |
共性统计（本轮 6 条）：
crew.you 第 2 轮重复同一错误 —— 该源本轮仍写 "Bepirovirsen (Geron) PDUFA"；上版已用三源确认归属为 GSK + Ionis。同时它报 "Chinese-designed drugs now account for ~50% of global pipeline"（中文 coelhox.com 口径），此数字未见权威出处 → 该源整体列入低可信名单，其独家数字不采用。unite.ai、wisevoter.com、third-news.com、cloudspress.com、pannaphat.me、富途；对 Biohub 有 insideai.news、el-fondo.com、aitechdaily.com、agihunt.info。处置：凡单一企业稿的多源"报道"一律视为一个源，只取原始出处（PR Newswire / 公司官网 / Reuters 原始线）。| # | 级别 | 动作 | 成本 | 依据 |
|---|---|---|---|---|
| ① | P0 | clone RNASeek 与核对 OFoldNA 开源状态；把 RNASeek 的"预训练/预测/优化"三段解耦当作 caiPro 下一版架构候选。 具体做三件事：①确认 pretrain 权重可下；②用你自己的 7295 阳/1120 阴数据微调两个 reward model（效力 + 脱靶），先验证 reward 值与湿实验读数的相关性再做 GRPO；③把"必须避开某段序列 / 必须落在某个修饰位置"写成 IUPAC-style 硬约束进生成过程而非事后过滤。不要一步到位换成 GRPO —— 先用现有打分器做一遍 symptom check。 | 调研 1 天 + 试点 3–5 人日 | §2.3 |
| ② | P0 | 把"数据联盟"从"想法"写成一页可发出的方案，并明确选边：要么学 Biohub（出资联合生产标准化的公开数据，出资方享有一段时间差后转为公共科学资源），要么学抗体 developability consortium（各家的私有 label 不搬家，由第三方补充公开序列并做高通量表征补齐样本，再把基座模型送进各家本地环境做联合微调）。无论选哪条，方案里必须写进这四件事：一个共享底座、project-level 切分做 held-out、只回传参数更新不回传序列、引入独立第三方科学监督（照 Deane + Tessier 的位置）。siRNA 侧目前公认底座缺位 —— 这是位置机会。 | 半天写文档 | §2.1 / §2.2 / §1-4 |
| ③ | P1 | 立项材料里把 Apheris 那两句原话引用进去：①"早期的联邦联合训练只带来 modest 提升"（说明为什么这事此前没人做成功）②"to our knowledge this is the first clear demonstration that federated training delivers a step-change"（说明为什么现在可以做）。这两句一起引才诚实。 | 30 分钟 | §1-4 |
| ④ | P1 | 补上核酸结构维度。用 OFoldNA 的思路评估"给 siRNA 双链注入二级结构 / 碱基配对先验"能否提升打分。最低成本验证：先不跑模型，只看现有 7295 条里"预测二级结构特征"与实测效力是否有边际相关；若有边际贡献，再投资接入工具（前提是 OFoldNA 或其同类真的开源，见 §9-2）。同时把"核酸三维结构预测"写进你的能力栈 —— 它已经从 JD 加分项变成方向主责。 | 调研半天 | §2.3 / §6 |
| ⑤ | P1 | 把"批次建议能力"做成 caiPro 的显式功能。Genentech 那条 JD 给了明确的产品形态定义：不是给单个分子打分，而是设计 batch 使"化学空间覆盖 + 信息增益 + 实验效率"最大化。对照 §6 的"批次设计 2/6"新维度 —— 这是雇主刚开始要求、供给还很少的能力。 起步：在现有候选池上实现一个最简单的 batch 多样性 + 不确定性采样组合，给出 batch size vs expected information gain 曲线。 | 2–3 人日 | §6 |
| ⑥ | P1 | 正式重估"肝外 / CNS"是否纳入路线图。本轮的证据密度已经足够高：RAG-17（CNS，Nature Medicine，NfL 降 52–81%）、ADARx ADX-077/ADX-199（脂肪/CNS）、时安 SA030（脂肪）、晶泰 Kodexia（肾/脾/脂肪）、Vivatides（肝外平台）、杭州核酸药谷。建议动作：在立项文档里明确写"当前版本作用域 = 肝脏；肝外列为 v2，触发条件是 X"，把默认假设变成显式决策。 | 1 小时 | §5-3 |
| ⑦ | P2 | 把 open-source release 纳入自己的年度绩效口径。Genentech 那条 JD 把 "publications, open-source releases, and conference talks" 并列作为 scientific impact 的三条出口；Merck 那条把 " external / open innovation 评估" 写成职责。对一个对外产出有限的内部生信岗，开源发布可能是性价比最高的一条。 | 0（规划动作） | §6 |
| ⑧ | P2 | 关注 Genentech/Roche 的新组织结构与 Xaira 的用人口径。CoE（gRED + pRED 统一）意味着 Roche 把计算科学变成横向组织 —— 这类重组通常伴随一批新岗位。另：本轮所有国际 JD 里没有一条提 siRNA；如果你的目标是国际化路线，需要把"siRNA 序列设计"翻译成 JD 语言最大公约数：RL / batch design / off-target analytics / data pipelines。 | 0 | §6 |
降级为季度池：OpenBind OB0 · 北京算力名单 · RIBOSPAN · Isomorphic 日期（第 7 轮）· CODesign · siProGenA（第 9 轮 0）· 十五五配套名单（转季度池）· Ptarmigan-1 第三方评测（已在）· siDiff 仓库（3 轮无回执，本次降级） · 药监局《"人工智能+药品监管"实施意见》原文（3 轮无回执，下轮再无即降级） · Anthropic×Adaptyv Track 2 境内开放（第 6 轮）· MAGI 仓库（下轮再无转季度池）。
本周最值得说的一句话：过去七天 AIDD 的主线没有任何一条是"模型又变强了"，而是三条基础设施同时定价 —— 有人用 18 亿美元告诉你数据是瓶颈且给出了"资助方 embargo 一年后公开"的可复制模版；有人用 第二个跨药企联邦联盟告诉你私有数据只要不搬家就能换 LoRA 级别的收益；还有两家团队用 RNASeek（生成）和 OFoldNA（结构）告诉你核酸这条此前被认为"缺模型"的赛道，两端的公开基座都已经就位了。对一个 siRNA 生信岗来说，这意味着"我们没有足够的模型和算力"这个理由，从本周起基本不成立了 —— 剩下的问题只剩数据联盟能不能组起来，以及你敢不敢把 GRPO 接上去。