From Tokens to Blocks: A Block-Diffusion Perspective on Molecular Generation
首次系统探索块扩散语言模型在分子生成中的应用。SoftMol 以软片段表示、块扩散建模与门控蒙特卡洛树搜索协同实现靶点感知生成，在论文实验中同时提升分子有效性、结合表现、多样性与推理效率。
研究成果
以持续研究，推进分子智能的边界。
从分子生成、性质对齐与战略搜索，到分子对接和蛋白质复合物构象预测，我们持续把前沿方法沉淀为可验证、可复用的研究成果。
查看论文 ↗
Unveiling Scaling Behaviors in Molecular Language Models: Effects of Model Size, Data, and Representation
通过训练 300 个模型并开展逾 10,000 次实验，系统分析模型规模、训练数据量与分子表示对分子语言模型的影响。研究揭示了预训练和下游迁移中的可预测扩展规律，并强调分子表示是决定性能的重要因素。
FROGENT: An End-to-End Full-process Drug Design Multi-Agent System
提出面向全流程药物设计的多智能体系统 FROGENT，由中央编排智能体协调检索、执行与评估智能体，并通过 MCP 调用数据库、工具与计算模型。系统覆盖靶点识别、小分子生成、多肽优化和逆合成规划，并在论文的八项基准与案例研究中展示端到端自主执行能力。
Toward Closed-loop Molecular Discovery via Language Model, Property Alignment and Strategic Search
提出闭环靶向分子设计框架 Trio，将片段级分子语言模型、强化学习属性对齐和蒙特卡洛树搜索结合起来，在结合口袋中兼顾新化学型探索与优选结构利用。论文实验报告了结合表现、类药性、可合成性与分子多样性的同步提升。
Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion
提出检索增强对齐扩散框架 READ，将分子检索增强生成与 SE(3) 等变扩散结合。模型在反向扩散过程中引入与口袋匹配的骨架先验，以兼顾几何互补、化学有效性和分子多样性，并在 CBGBench 上展示有竞争力的结构生成表现。
Dockformer: A Transformer-Based Molecular Docking Paradigm for Large-Scale Virtual Screening
提出基于 Transformer 的端到端分子对接模型 Dockformer，融合多模态结构信息并同时生成结合构象与置信度。论文在 PDBbind 核心集和 PoseBusters 上报告较高对接成功率及超过百倍的推理加速，并展示了大规模虚拟筛选应用。
FeshDock: A Divide-and-Conquer Protein–Protein Complex Conformation Prediction Algorithm
提出用于蛋白质–蛋白质复合物构象预测的分治式对接算法 FeshDock。方法先用快速傅里叶变换全局扫描潜在结合位置，再聚类并由群智能算法进行局部优化，同时用各向异性网络模型考虑蛋白柔性；论文在 230 个复合物基准上验证了准确性与效率。
AutoDock Koto: A Gradient Boosting Differential Evolution for Molecular Docking
提出采用梯度增强差分进化算法的分子对接程序 AutoDock Koto，以缓解进化搜索中的变量关联和高维退化问题。论文在 285 个蛋白质–配体复合物数据集上报告了相较常用对接程序的性能提升，并展示了面向虚拟筛选的应用。