本周值得看

• AIntibody 用统一盲测检验 AI 抗体设计。 不同团队提交候选抗体，再由独立实验室统一合成和测试。511 个候选的结果表明，AI 在有实验数据支撑的亲和力成熟任务中已能找到好分子，但这一优势尚未稳定延伸到亲和力排序和库外设计。
• LiON 读取增强 CT，辅助识别肝脏恶性病变。 研究团队将它接入 10,333 名患者的常规诊疗流程；AI 与医生协作发现了此前遗漏的病灶，并促成报告修订和多学科会诊。
• HydroGym 为强化学习流体控制提供开放的训练和比较平台。 在低成本替代环境中学到的策略可以零样本迁移到三维机翼模拟，使局部表面摩擦降低 38%。

技术突破：高影响期刊与正式科研成果

LiON：在万例真实工作流里做肝脏恶性病变的第二读片者

LiON 能够处理多期增强 CT，并结合临床信息辅助诊断肝脏恶性病变。它被设计成现有影像流程中的额外读片者。系统由中国医科大学附属盛京医院放射科与阿里巴巴达摩院、湖畔实验室牵头开发，浙江大学医学院附属第一医院、中山大学肿瘤防治中心等多家医院和欧洲研究机构参与了多中心验证。8 月 19 日发表于 Nature Medicine 的论文显示，模型使用 6,443 名患者的数据训练，随后在多中心及真实世界队列的 22,251 名患者中接受回顾性验证，恶性病变诊断 AUC 达到 0.975。后续单臂试验又纳入 10,333 名常规就诊患者，AUC 为 0.952。AI 与医生协作发现了 51 个此前遗漏的病灶，其中 15 个为恶性，并促成 37 份影像报告修订，另有 22 例病例升级至多学科团队讨论。与静态测试集上的分类结果相比，这项研究更进一步的地方在于，模型提示真正进入了放射科和多学科团队的处理流程。不过，这仍是一项单臂试验，论文明确提出还需通过前瞻性比较研究评估临床结局。

图：LiON 的训练、多中心回顾性验证和真实流程试验构成分层证据链。（来源：Nature Medicine 原文）。

相关资源： 临床试验登记 NCT07153783；论文说明数据可经机构审查后申请，完整代码因内部依赖和专利原因未公开。

来源： Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial｜Nature Medicine｜https://www.nature.com/articles/s41591-026-04589-y｜2026-08-19｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文（Article，多中心回顾性研究与单臂临床试验）

AIntibody：把 AI 抗体设计交给同一套盲法实验验收

AIntibody 是一项面向计算抗体发现的前瞻性盲测挑战。不同团队提交候选序列后，独立实验室按照同一流程将其制成完整 IgG，再统一测量亲和力和可开发性。挑战由 Specifica（现为 IQVIA 旗下业务）的 Andrew Bradbury 与 M. Frank Erasmus 团队发起并协调，Carterra、Sapidyne Instruments、Mosaic Biosciences 和 Azenta/GENEWIZ 共同承担抗体制备、亲和力测量和可开发性评估。8 月 19 日发表于 Nature Biotechnology 的论文汇总了 29 家机构提交的 511 个 AI 设计或预测抗体，任务包括亲和力成熟、同一 HCDR3 簇内排序和库外 CDR 设计。部分团队得到了亲和力低于 100 pM 且具备可开发性的抗体。统一实验也清楚地划出了当前 AI 抗体设计的能力边界：亲和力成熟的结果较好；但除一个模型外，各模型从聚类数据中挑选高亲和力克隆的表现还不如随机选择，库外设计也不够稳定。

图：AIntibody 将不同团队的计算候选交给统一的抗体合成、亲和力和可开发性测试。（来源：Nature Biotechnology 原文）。

相关资源： AIntibody 挑战网站与任务说明。

来源： A blinded, prospective benchmark of in silico antibody discovery anchored to experimental affinity and developability｜Nature Biotechnology｜https://www.nature.com/articles/s41587-026-03238-6｜2026-08-19｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文（Article，前瞻性盲法实验基准）

EvoMax：用 209 条突变数据迭代出更高效的紧凑基因编辑器

EvoMax 是一套为小样本蛋白工程设计的模型引导流程。它结合高斯过程回归、蛋白质语言模型 ESM-2 和逆折叠模型 ESM-IF，从有限的实验数据中挑选下一轮最值得测试的突变。研究由宾夕法尼亚大学的 Xue Gao、Pranam Chatterjee 和 Xiao Wang 团队共同推进，成员来自化学与生物分子工程、计算机科学、生物工程和心血管医学等领域，莱斯大学研究者参与数据分析。8 月 24 日发表的研究从 209 个已有活性标签的单点突变起步，连续迭代三轮，每轮仅测试 10—20 个候选。第一轮对比中，EvoMax 推荐突变的有效命中率为 84%，EVOLVEpro 和 AiCE 分别为 20% 和 35%。加入 ωRNA 骨架和 hLa 融合优化后，FanzMAX v3-hLa 在最佳内源位点的编辑效率达到 97%，在 19 个位点上的平均效率约为 33%，并在人源化小鼠中完成了靶向 hPCSK9 的单 AAV 递送验证。

图：EvoMax 先用实验模型缩小候选，再用进化与结构信息重新排序。（来源：Nature Biotechnology 原文）。

相关资源： EvoMax 代码仓库。

来源： Adaptive model-guided protein evolution with sparse data optimizes compact eukaryotic genome editors｜Nature Biotechnology｜https://www.nature.com/articles/s41587-026-03272-4｜2026-08-24｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文（Article，细胞与小鼠实验）

nnMIL：把病理切片基础模型稳定接到临床任务上

nnMIL 是一个用于计算病理的多实例学习框架。基础模型先从病理切片小块中提取特征，nnMIL 再将这些特征汇总为整张切片的诊断、分型、标志物或预后预测。框架由斯坦福大学医学院放射肿瘤学系的 Xiangde Luo 开发，Ruijiang Li 团队负责研究设计与监督，研究同时涉及临床肿瘤学和以人为本的人工智能。8 月 25 日刊于 Nature Biomedical Engineering 的论文覆盖 约 40,000 张全切片图像、35 项临床任务和 4 个病理基础模型，并通过多个外部队列检验了跨模型迁移、不确定性估计和生存分层。训练时，nnMIL 随机采样图像小块和特征维度，使大批量优化更容易实现；推理时则通过滑动窗口得到多组切片级结果并进行集成，不必将所有小块一次性送入固定的聚合器。

图：nnMIL 通过小块与特征采样、轻量聚合和滑动窗口集成完成切片级推理。（来源：Nature Biomedical Engineering 原文）。

相关资源： nnMIL 代码仓库；论文页面同时提供各主图与扩展图的统计源数据。

来源： nnMIL: a generalizable multiple instance learning framework for computational pathology｜Nature Biomedical Engineering｜https://www.nature.com/articles/s41551-026-01767-8｜2026-08-25｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文（Article，多数据集与外部队列评测）

SPIDER：让原子力显微镜从自己的往返扫描中学习降噪

SPIDER 用自监督学习对扫描探针显微镜图像进行降噪和复原。探针正向和反向扫描同一区域时，会记录到重复的空间信息；SPIDER 直接利用这组往返信号训练，因此不需要额外准备无噪声真值图。该方法由威尔康奈尔医学院 Bio-AFM 实验室的 Sichen Pan 与 Simon Scheuring 开发，团队长期结合高速原子力显微镜和计算方法研究生物分子的结构与动态。8 月 20 日刊于 Nature Communications 的论文显示，SPIDER 可将信噪比提高到最高 3 倍，成像速度提高到最高 6 倍。它还可以借助快速扫描轴上的信息，补回慢速扫描轴缺失的空间细节，自监督复原结果与监督学习方法相当。往返扫描中的冗余信号由此变成了获得更快、更清晰图像的依据，便于连续观察纳米结构和生物分子动态。

图：SPIDER 从同一次扫描的 trace 与 retrace 信息中构造训练信号。（来源：Nature Communications 原文）。

来源： Self-supervised image denoising and restoration method for atomic force microscopy｜Nature Communications｜https://www.nature.com/articles/s41467-026-76973-8｜2026-08-20｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文早期版本（Article，自监督学习与显微成像实验）

HydroGym：先在便宜环境里学流体控制，再迁移到三维机翼

HydroGym 是一个不依赖特定求解器的强化学习流体控制平台，包含 60 多个开放且经过验证的二维和三维环境，覆盖层流、湍流以及不同雷诺数和马赫数。平台由华盛顿大学机械工程系与动态系统 AI 研究所牵头，德国 RWTH 亚琛工业大学、慕尼黑工业大学和密歇根大学等机构的流体力学、计算求解器与机器学习团队共同参与。8 月 19 日发表于 Nature 的论文显示，智能体在不同环境中反复学会了边界层操控、打断声学反馈和重组湍流尾迹等策略。研究者随后将在低成本替代环境中训练的策略直接部署到三维 NACA0012 机翼模拟，无需额外训练，就使局部表面摩擦降低 38%；探索成本也比直接在机翼上优化低四个数量级。

图：在近壁湍流替代环境中训练的策略被直接用于三维机翼流场控制。（来源：Nature 原文）。

相关资源： HydroGym 平台；GitHub 代码；Hugging Face 数据集；Zenodo 版本快照。

来源： The HydroGym reinforcement learning platform for fluid dynamics｜Nature｜https://www.nature.com/articles/s41586-026-10917-6｜2026-08-19｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文（Article，开放计算平台与流体模拟）

η-learning：没有极端样本，也能生成受统计约束的极端情景

Extreme Event Aware（η-）Learning 是一种面向罕见事件的机器学习方法：即使训练数据中几乎没有极端案例，也能生成统计上可信的极端情景。该方法由 MIT 机械工程博士生 Kai Chang 与机械和海洋工程教授 Themis Sapsis 提出，两人所在团队主要研究计算科学、不确定性量化和极端事件建模。8 月 20 日发表于 Nature Communications 的论文没有让模型只依赖少量极端样本，而是把能够反映“极端程度”的观测统计量加入训练约束，并用最优传输理论解释这种正则化为何能降低未知极端区域的不确定性。研究者在原型系统和真实降水降尺度任务中进行了测试。美国大陆案例用 25 年逐小时降水图建立统计约束，但空间映射只学习前 6 个月的数据，其中几乎不含最极端的降水；模型仍能生成给定重现期下的降水强度、范围和持续时间图。这种做法同时约束局部统计和空间分布，可为海堤、电网和防灾规划提供带有频率含义的候选情景。

图：η-learning 在缺少极端训练样本时，用可观测统计约束生成分布。（来源：Nature Communications 原文）。

来源： Extreme Event Aware (η-) Learning｜Nature Communications｜https://www.nature.com/articles/s41467-026-76811-x｜2026-08-20｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文早期版本（Article，理论分析与降水数据实验）；Generating scenarios for extreme events, without extreme data｜MIT News｜https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824｜2026-08-24｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：权威科研机构新闻稿

绿色氨催化剂筛选：用 N 2p–金属 d 带杂化缩小材料搜索空间

电化学氮还原利用电力驱动氮气和质子生成氨，有望避开 Haber–Bosch 流程所需的高温、高压以及依赖化石燃料的制氢环节。不过，这条路线仍受阴极催化剂反应能垒高和析氢副反应竞争的限制。MIT 的 Constantine Athanitis、Filip Grajkowski 与 Bilge Yildiz 团队以岩盐结构过渡金属氮化物为模型体系，先用密度泛函理论计算氮还原关键步骤的能量，再从电子结构中寻找适合机器学习筛选的物理描述符。结果表明，只看氮 2p 带中心或金属 d 带中心，无法充分解释反应活性；Bader 电荷——按电子密度划分后得到的原子有效电荷——以及氮 2p 与金属 d 带的重叠程度，与表面氮质子化、含氮中间体脱附和氮空位形成等关键步骤的关系更密切。利用这些描述符，可以先排除不合适的材料，再把成本较高的全反应路径计算和实验资源集中到更小的合金范围内。

图：过渡金属氮化物表面形成氨的科研示意图；MIT News 说明该图在科学可视化基础上使用生成式 AI 增强。（来源：MIT News，图片由研究团队提供）。

来源： Nitrogen 2p – metal d band hybridization governs nitrogen reduction reaction on transition metal nitrides｜EES Catalysis｜https://doi.org/10.1039/D6EY00138F｜2026-08-11｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议研究论文（密度泛函理论与机器学习辅助的催化剂筛选）；Paving the way for greener ammonia production｜MIT News｜https://news.mit.edu/2026/paving-way-for-greener-ammonia-production-0820｜2026-08-20｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：作者所在科研机构解读

行业资讯与应用进展：从研究到落地

本周两条应用消息，一条来自药物发现实验室，一条来自门诊采血。前者开始记录每一轮实验的来龙去脉，后者则把感知、判断和机械操作连成一套由专业人员监督的临床流程。

Sanofi SWEL：给药物发现的 AI Agent 补上实验上下文

Scientific Workflow Experience Labs（SWEL）是 Sanofi 与 AWS 共建的科研工作流操作层，用于统一管理实验数据、模型、计算任务和 AI Agent，并保留可追溯的上下文。Sanofi 的全球研发数据与 AI 平台团队主导项目，平台与 AI 工作流负责人 Pradeep Bandaru 是核心架构师之一；AWS 的医疗与生命科学解决方案架构、基因组学和云基础设施团队参与了方案设计与生产部署。AWS 8 月 19 日发布的技术文章称，SWEL 的底层数据服务 SIPS 管理着超过 20 PB 的科研数据，连接数百台实验仪器。首个可用版本用 2.5 个月完成部署，目前已支持 50 多条科研工作流。在 design–make–test–analyze（设计—合成—测试—分析）循环中，系统能够搜索超过 10¹³ 个可及分子，并行运行数百个 ADME 和靶点模型；文章还称，它已在一个药物发现项目中帮助找到具有生物活性的化合物。失败记录、样品、实验协议、仪器状态和每次 Agent 操作都会保留下来，供后续实验使用。文中提到的湿实验候选减少 50%、AI 工作流部署提速 10 倍，仍是 Sanofi 设定的目标，并非独立评估结果。

来源： Enterprise lab-in-the-loop on AWS: How Sanofi is compressing drug discovery from years to weeks｜AWS for Industries（Sanofi 与 AWS 联合撰写）｜https://aws.amazon.com/blogs/industries/enterprise-lab-in-the-loop-on-aws-how-sanofi-is-compressing-drug-discovery-from-years-to-weeks/｜2026-08-19｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：公司官方技术案例（企业自报，未同行评议）

Aletta：把静脉定位、穿刺与换管串成自动采血流程

Aletta 是 Vitestro 开发的自主机器人采血设备，供成人在门诊环境中使用，运行时需要受训采血人员监督。FDA 于 8 月 19 日通过 De Novo 路径给予其上市授权。De Novo 路径适用于没有同类参照器械的新型中低风险设备；Aletta 也由此成为美国首个能够在操作员不直接动手的情况下，从患者手臂采血的独立机器人设备。一名采血人员负责启动流程并处理异常，最多可以同时监督三台设备。采血开始后，Aletta 先用近红外成像、超声和多普勒超声寻找静脉、排除动脉；如果没有合适的血管，便不会尝试穿刺。确认目标后，设备依次完成绑止血带、皮肤消毒、进针、换管、弃针和贴敷料，监督人员最后检查采血管顺序与装量。如果患者移动幅度过大，针头会自动脱离并停止采血；其他机载传感器也能在发现异常时暂停操作并报警。

FDA 公布的授权依据显示，Aletta 在决定进针后，成功采血率与受训采血人员相当或更高，设备相关不良事件少见且程度较轻。Vitestro 表示，系统结合了多模态成像、机器人控制和 AI。

图：Aletta 在临床采血场景中的设备形态与患者操作位。（来源：Vitestro FDA De Novo 授权公告，摄影：Norbert Waalboer）。

相关资源： Aletta 产品与工作流程。

来源： FDA Authorizes First-Of-Its-Kind Robotic Blood Draw Device｜U.S. Food and Drug Administration｜https://www.fda.gov/news-events/press-announcements/fda-authorizes-first-its-kind-robotic-blood-draw-device｜2026-08-19｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：政府监管机构官方授权公告（De Novo）；Vitestro Receives FDA De Novo Authorization for Aletta｜Vitestro｜https://vitestro.com/news/vitestro-receives-fda-de-novo-authorization-for-aletta/｜2026-08-20｜访问时间：2026-08-27（Asia/Shanghai）｜来源类型：企业官方公告（AI 与系统组成信息为厂商披露）

政策动态与专家观点：规则、资金与方向

FDA 数字化测量文件：先定义检测目标，再谈传感器和算法

Digitally derived measure（数字化衍生测量，DDM）指的是根据可穿戴设备、手机或其他数字健康技术采集的数据，计算得到的临床结局、标志物或多模态终点。这份文件由 FDA 的生物制品评价与研究中心、药品评价与研究中心、器械和放射健康中心以及肿瘤卓越中心共同编制，汇集了生物制品、药物、数字健康器械和肿瘤临床研究四方面的监管视角。文件于 8 月 20 日发布。其建议是，开发 DDM 时先说清楚要反映什么健康概念、用于哪些人群和场景，再确定设备与算法需要提供哪些证据。“适合用途”的验证被分为三个层次：设备能否准确测量，算法或测量能否对应临床事件，以及结果能否反映患者健康中有意义的变化。开发者还需要识别误差来源，并听取患者和临床人员的意见。对于使用连续传感器或 AI 生成试验终点的研究团队，这份文件梳理了一套较为明确的证据结构。

来源： Key Considerations for the Development and Use of Digitally Derived Measures for Clinical Investigations, FDA Paper｜U.S. Food and Drug Administration｜https://www.fda.gov/medical-devices/digital-health-center-excellence/key-considerations-development-and-use-digitally-derived-measures-clinical-investigations-fda-paper｜2026-08-20｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：政府监管机构技术文件（基于既有指南的非约束性说明）

机器学习设计生物材料：从单点预测走向实验闭环

8 月 25 日发表于 Nature Reviews Bioengineering 的一篇综述，讨论了机器学习如何用于金属、聚合物、陶瓷和生物来源材料的性质预测、候选生成与实验排序。作者来自宾夕法尼亚大学和佐治亚理工学院，包括 Machine Biology Group 的 Cesar de la Fuente-Nunez 团队与 Andrés J. García 团队，研究背景涵盖机器生物学、计算科学、材料工程和生物工程。综述沿着“工艺—结构—性质”这条主线，梳理了替代模型、生成模型、主动学习和公开数据资源的作用，以及它们在弹性模量、凝胶形成、溶解性和抗菌材料等问题中的应用。当前的主要困难包括数据稀缺、实验协议不一致、模型缺乏可解释性和跨尺度耦合复杂，因为植入物的表现往往同时取决于材料成分、加工过程和生物环境。作者认为，下一步需要结合自驱动实验室、多模态数据、FAIR 数据基础设施、物理约束和可解释 AI，让模型提出的建议能够回到实验中继续校正。

图：综述将性质预测、逆向设计和实验优先级排序放在生物材料发现流程中。（来源：Nature Reviews Bioengineering 原文）。

来源： Machine learning for biomaterials design｜Nature Reviews Bioengineering｜https://www.nature.com/articles/s44222-026-00476-w｜2026-08-25｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议综述（Review Article）

ANTLiON：让消费级可穿戴数据先做临床“哨兵”

ANTLiON 是 ETH Zurich 与 University of Zurich 研究者提出的监管沙盒，目的是测试消费级健康传感器的数据如何安全进入临床。提出者包括 Jascha Drew Jäger、Dietmar Schaffarczyk、Kerstin Noelle Vokinger、Noé Brasier 和 Jörg Goldhahn。团队主要来自 ETH Zurich 分子与转化医学研究所，University of Zurich 法学院研究者也参与其中，因此研究同时涉及临床转化、数字健康和医疗监管。8 月 25 日刊于 Nature Biomedical Engineering 的评论将心率、睡眠和活动趋势称为 sentinel data（哨兵数据）。这类数据不直接用于诊断，而是提醒医生在问诊时进一步了解某段异常变化。作者设想先在瑞士的受控环境中检验四方面问题：数据质量与分流、风险与可审计性、隐私治理以及临床接入，同时保留医生对解释和决策的责任。ANTLiON 希望先从数据入口积累证据，让依赖院外连续观测的健康模型有机会进入临床，又不必把所有消费设备都重新归类为医疗器械。目前它仍是专家提出的概念框架，并非已经实施的监管政策。

图：ANTLiON 用迭代沙盒评估消费级传感器数据的治理、标准和临床流程。（来源：Nature Biomedical Engineering 原文）。

来源： A regulatory sandbox for consumer health sensors in clinics｜Nature Biomedical Engineering｜https://www.nature.com/articles/s41551-026-01781-w｜2026-08-25｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：同行评议专家评论（Comment，监管沙盒概念）；The Untapped Clinical Value of Consumer Wearables｜ETH Zurich｜https://ts.ethz.ch/media—events/2026/08/the-untapped-clinical-value-of-consumer-wearables.html｜2026-08-25｜访问时间：2026-08-26 09:23（Asia/Shanghai）｜来源类型：作者所在机构解读