整理日期：2026-10-31 检索方式：全部通过
/anysearchskill（search/batch_search/extract）完成。 说明：list_domains工具在服务端不可用（tool 'list_domains' not found），故未走垂直域检索，全部为通用/学术内容检索。 标注约定：[事实] = 可在给出的来源中直接核实；[估算] = 我基于公开基准与量级做的推算，非文献结论。
[事实] 2026-10-25 论文 《The Exponential Time Hypothesis is False》（OpenAI），自然语言证明 + Lean 形式化证明，公开在 github.com/openai/math：
github.com/openai/math/blob/main/preprints/The-Exponential-Time-Hypothesis-is-False-October-25-2026/paper.pdfgithub.com/openai/math/blob/main/lean/docs/378.md[事实] 算法与复杂度（据 Lance Fortnow 博客引述论文）：
对任意固定 $k$，判定（并计数）含 $n$ 个变量、$m$ 个子句的 $k$-CNF 公式是否可满足，时间复杂度为
$$(n+m)^{O(1)} \cdot 2^{O(n\log\log n / \sqrt{\log n})}$$（Lean 形式化版本给出的界略弱）→ 这直接推翻 ETH，进而也推翻 SETH（SETH ⇒ ETH）。
[事实] 附带推论（Bernardo Subercaseaux 的观察）：
$$\mathrm{NTIME}(T) \subseteq \mathrm{DTIME}\left(2^{O(T(\log\log T)^3/\sqrt{\log T})}\right)$$[事实] 生态反应：
| 角色 | 动作 |
|---|---|
| Anthropic | 随后也发布了自己的 ETH 反驳论文（github.com/anthropics/formal-math/.../eth/paper.pdf） |
| Ryan O'Donnell (CMU) | 发布简化版证明（cs.cmu.edu/~odonnell/some_eth_false_exposition.pdf），主攻简洁性而非最优界 |
| Shiva Kintali | 发布另一份简化证明，强调简单而非最优界 |
| OpenAI 合作方 | 邀请 Russell Impagliazzo、Mohan Paturi、Ryan Williams（ETH 提出者与相关下界大师）牵头验证/研究/解释 |
| 审查机制 | 建立 ethdiscussion.blog 公开讨论站 + 论文仓库；OpenAI 承诺公开全部原始数据、资助一场学术会议 |
| Lance Fortnow | 博客《The Exponential Time Refutation》（2026-10-28）："我本人没有验证这个证明，但现在可以安全地认为 ETH 已经完了（toast）"；同时列出被 ETH/SETH 支撑的三类经典下界（clique 的 $2^{\Omega(n)}$、$f(k)n^{o(k)}$ 不可行、OV 的 $n^{2-\epsilon}$ 不可行） |
[事实] 逻辑链条：
[事实] Fortnow 6 月的博客《Respect the P v NP Problem》："我这辈子（无论人单独还是与人机协作）都不会看到 P vs NP 的证明。"
[事实] OpenAI 宣布的三项成果（据凤凰网/IT之家 2026-10-27 转述官方声明）：
| 领域 | 内容 | 形式化 |
|---|---|---|
| 调和分析 | 证明局部光滑猜想（local smoothness conjecture，所有维度）⇒ 顺带解决挂谷猜想与斯坦因限制猜想；关键工具是新建的辅助偏微分方程 | Lean 已完成 |
| 计算机科学 | 推翻指数时间假设 ETH | Lean 已完成 |
| 物理学 | QCD 存在性 + 纯杨-米尔斯理论存在性（千禧年难题子问题），采用 Balaban 的构造性 QFT 方法 | 物理部分由 Gross、Jaffe、Douglas、Klebanov、Nekrasov 参与审查 |
时间线：数学成果 10-18 获得 AI 生成证明、10-19 完成 Lean 形式化；ETH 成果 10-16 生成自然语言证明、10-17 完成 Lean 形式化。
[事实]
真正的 NP-hard 子问题（精确折叠、精确对接）恰恰是被绕开的那部分；当前最贵的算力是"NP 问题被物理化简后剩下的采样/训练/枚举"。
| 问题 | 证据 |
|---|---|
| 最低自由能构象（晶格模型折叠） | Unger, Moult et al. 1993, J. Comput. Biol. — "Finding the lowest free energy conformation of a protein is an NP-hard problem"（PubMed 8281131，被引 300+） |
| 经验势能函数最小化 | Ngo, caps & al. 1992, "Computational complexity of a problem in molecular ..."（PubMed 1409553，被引 150） |
| 3D-PSP 蛋白质结构预测 | 元启发式综述（ScienceDirect 2025, "Metaheuristics for protein structure prediction"）："In the field of optimization, protein structure prediction (PSP) is an NP-hard problem" |
| 分子对接 / 结合姿态搜索 | 构象空间指数级；BioSolveIT 明确指出：对 $10^{15}$ 量级的化学空间做传统对接"需要上千年计算" |
| 环节 | 估算 | 是否 NP-hard |
|---|---|---|
| AF2/AF3 训练 | 3×10⁴ – 1.2×10⁵ | 否（梯度优化） |
| AF3 单复合物推理 | 0.1 – 1.3 | 否 |
| 抗体-抗原（1000 seeds） | ~10³ | 否（采样数爆炸） |
| MD 生产模拟（1 µs, 10⁵ 原子） | 20 – 100 | 否（$O(N)$/步） |
| FEP 自由能（一个网络） | 10² – 10³ | 否 |
| 虚拟筛选 10¹¹ 分子 | 10² – 10³ | 组合爆炸但单项多项式 |
| 虚拟筛选 10¹⁵ 分子（穷举） | ~10⁶ | 规模爆炸，非"求解" |
| 精确对接 / 精确折叠求解 | 实际管线中基本不用 | 是 NP-hard |
核心要区分两件事：最坏情况渐进界松动了多少，和真实账单会降多少。这两者差 3–4 个数量级。
| 项目 | 量级 |
|---|---|
| OpenAI 算法：固定 k 的 k-SAT 判定/计数 | $(n+m)^{O(1)}\cdot 2^{O(n\log\log n/\sqrt{\log n})} = 2^{n^{1-o(1)}}$ |
| 要证明 P=NP 需要的 | $2^{n^{o(1)}}$（例如 $2^{\sqrt n}$） |
| 差距（n = 10⁴） | OpenAI 指数 ≈ 7300；P=NP 门槛 ≈ 100 → 仍差 73 倍指数，$2^{7200}$ 倍工作量 |
ETH 假真正惠及的是"归约到 SAT 时变量数近乎线性膨胀"的那一类问题（clique、k-coloring、Orthogonal Vectors）。因为 clique→3-SAT 的稀疏化归约是线性的：
乐观估计其渐进收益：$n^2 \to n^2 / 2^{\Omega(\sqrt{\log n})}$。对 n=300 个残基：$\sqrt{\log n}\approx 2.6$，即约 $2^{2.6c}$ ≈ 6–100 倍（忽略常数）。 对 Subset Sum / TSP / 侧链打包这类需要指数膨胀归约的问题：0 收益（Fortnow 明确指出）。
一个典型中期药物发现项目（1 个靶点，筛 10⁶–10⁹ 配体，50 个进 MD/FEP）：
| 环节 | 估算 A100·小时 | ETH 相关？ |
|---|---|---|
| MSA / 模板检索（jackhmmer、hhblits） | 10³–10⁴ CPU·h | ✗ |
| AF2 / AF3 推理（含抗体-抗原多种子） | 10³–10⁵ | ✗（纯前向计算） |
| 虚拟筛选对接（枚举） | 10³–10⁶ | ✗（穷举本就最优量级） |
| MD 生产模拟（10³–10⁴ 轨迹 × 100 ns） | 10⁴–10⁵ | ✗（每步 $O(N)$） |
| FEP / 自由能 | 10³–10⁴ | ✗（采样受限） |
| 训练 / 微调摊销 | 10⁴–10⁵ | ✗（数据/模型受限） |
| 真正落在 NP-hard 最坏情况求解上的 | 精确接触图、精确对接姿态、精确 MCS、库枚举排序 | — |
| 占比 | ≈ 0.5–2% | — |
而且这 0.5–2% 里，现代管线根本不追求最优解（对接用 Vina 类启发式打分，接触图用深度学习回归，MCS 用图匹配启发式）。
| 情景 | 蛋白质/制药总算力下降幅度 |
|---|---|
| 12–24 个月内可工程化的 ETH 红利 | ≈ 0% |
| 乐观：把上述 0.5–2% 的子任务改成"用新次指数算法求最优"，且算法常数可接受 | ≤ 1–3% |
| 理论天花板（这些子任务耗时归零） | ≤ 2% |
三条理由：
对比：真正在降算力的东西（都是"非复杂度"改进，收益比 ETH 大 3–4 个数量级）：
| 手段 | 收益 | 来源 |
|---|---|---|
| V-SYNTHES / Chemical Space Docking（组合空间剪枝，不枚举 10¹⁵） | ~5000× | Nature 2022 (Sadybekov et al.) / BioSolveIT |
| ML 势（ANI、NequIP 等）替代经典力场做 MD | 10–1000× | 机器学习势文献 |
| AF3 扩散步数 / 一致性采样优化、GPU 化 | ~10× | AF3 论文 + FastFold |
| MSA 复用、片段库预计算 | 10–100× | 工程实践 |
即：ETH 假带来的理论收益，比 V-SYNTHES 一个剪枝技巧小 3 个数量级。
如果哪天真的证明了 P=NP，这条领域里的算力账单不会下降，反而会上升：
所以"ETH/P-vs-NP 突破 → 制药算力下降"这个因果链是反的。ETH 假的真正价值不在"省算力"，而在"解除下界证书"——几百篇论文里的条件硬度结论需要重新审查，理论空间打开；但要变成实际加速，还需要有人把 $2^{n^{1-o(1)}}$ 推到 $2^{n^{o(1)}}$ 甚至多项式，那才是"理论下界松动 → 出现真实 sub-quadratic 算法"的跃迁路径（如 Williams 的 dense Orthogonal Vectors 猜想被打破那类案例）。
| 常见说法 | 实际情况 |
|---|---|
| "OpenAI 解决了 P vs NP" | ❌ 解的是 ETH（更强假设）。ETH 假 ⇒ P=NP 不成立；OpenAI 的界 $2^{n^{1-o(1)}}$ 离 P=NP 需要的 $2^{n^{o(1)}}$ 还差 73 倍指数（n=10⁴） |
| "ETH 被推翻 ⇒ 复杂度理论大厦将倾" | ⚠️ 不会自动倾塌。Fortnow 明确提醒：ETH/SETH 的推论不会因为前提被推翻而自动为假（"The fact that ETH and SETH fail doesn't mean their implications are false"），需要逐条重新审查 |
| "蛋白折叠/对接是 NP-hard，所以最费算力" | ❌ NP-hard 是最坏情况标签。主流管线用深度学习绕过了精确求解（摊销推理），实际账单由 MD 采样、扩散步数、枚举条数、训练数据决定 |
| "ETH 证伪能给制药省算力" | ❌ 估算 0–2%（短期内≈0）。真正省算力的是 V-SYNTHES（5000×）、ML 势（10–1000×）这类工程/算法改进 |
| "P=NP 会让制药算力下降" | ❌ 反了。会催生大量原本太贵而没做的精确组合计算，负载上升 |
| "AlphaFold 在解 NP-hard 问题" | ❌ 它把 NP-hard 问题旁路了：用学习到的分布做回归/扩散采样，推理期不做组合搜索 |
ETH 证伪对制药算力的直接贡献，估计在总计算量的 0–2% 量级且短期内接近 0；它改变的是"哪些问题被认为不可能更快"这一知识状态，而不是"每月要买多少 GPU·小时"。
github.com/openai/math/blob/main/preprints/The-Exponential-Time-Hypothesis-is-False-October-25-2026/paper.pdfgithub.com/openai/math/blob/main/lean/docs/378.mdopenai.com/index/building-scientific-understanding-with-academic-communities/blog.computationalcomplexity.org/2026/10/the-exponential-time-refutation.htmlblog.computationalcomplexity.org/2026/06/respect-p-v-np-problem.htmlethdiscussion.blog（ethdiscussion.blog/2026/10/26/eth-refutation-examination-and-discussion/）cs.cmu.edu/~odonnell/some_eth_false_exposition.pdfshivakintali.github.io/papers/ETH.pdfgithub.com/anthropics/formal-math/.../eth/paper.pdftech.ifeng.com/c/8xYaJI1pZyVnews.pedaily.cn/202609/569217.shtml（含传闻性质说明）en.wikipedia.org/wiki/Exponential_time_hypothesisreddit.com/r/computerscience/comments/1xgbivj/manifold.markets/IsaacKing/is-this-new-proof-that-p-np-validapi.deepai.org/publication/a-critique-of-uribe-s-p-vs-npcd .agents/skills/anysearch
# 检索组合（batch_search）
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"OpenAI P vs NP proof paper 2025 research","max_results":6},
{"query":"OpenAI 数学证明 P=NP 最新进展 论文","max_results":6},
{"query":"AlphaFold protein structure prediction NP-hard computationally expensive molecular dynamics simulation","max_results":6}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"OpenAI ETH Exponential Time Hypothesis refuted proof Lean paper 2026","max_results":6},
{"query":"OpenAI P vs NP problem progress 2026 announcement","max_results":6},
{"query":"protein structure prediction NP-hard protein folding computational complexity energy minimization","max_results":6},
{"query":"molecular docking NP-hard virtual screening combinatorial complexity","max_results":6}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"OpenAI \"exponential time hypothesis\" proof paper arxiv Lean ETH false","max_results":8},
{"query":"AlphaFold3 inference GPU time cost per protein complex hours TPU","max_results":6},
{"query":"free energy perturbation FEP calculation most expensive computational cost drug discovery GPU microseconds","max_results":6},
{"query":"Frontier exascale molecular dynamics simulation protein drug discovery dominant HPC workload","max_results":6}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"ETH refutation implications hard-core model protein folding lower bounds invalid conditional hardness","max_results":6},
{"query":"AlphaFold Protein Structure Database 200 million predictions compute used server","max_results":5},
{"query":"molecular dynamics simulation cost per microsecond GPU hours GROMACS protein drug discovery budget largest","max_results":6},
{"query":"AlphaFold3 inference cost per complex diffusion steps minutes GPU memory diffusion model","max_results":6}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"does ETH refutation prove P vs NP no implications openAI 2026 what it means for P!=NP","max_results":6},
{"query":"protein docking complexity under ETH lower bound 3-SAT reduction combinatorial search","max_results":5},
{"query":"pharmaceutical R&D compute spend molecular dynamics virtual screening largest compute cost 2026","max_results":6}]'
# 全文抽取
python3 scripts/anysearch_cli.py extract "https://blog.computationalcomplexity.org/2026/10/the-exponential-time-refutation.html"
# 注：openai.com 官方页 extract 失败（站点拒绝抓取），改由二手中文报道交叉验证
list_domains在该环境下不可用：API Error: tool 'list_domains' not found。
本节回应第三节末尾"对比：真正在降算力的东西"表里提出的 4 种手段： A 组合空间剪枝（V-SYNTHES / Chemical Space Docking）、 B ML 势替代经典力场做 MD、 C AF3 扩散步数 / 一致性采样优化、GPU 化、 D MSA 复用、片段库预计算。 问题：这 4 种手段里，哪些最近被证明在 AI 制药 / 癌症制药上有继续研究的价值？ 完整调研稿另见：《减少计算的 4 种手段与近期 AI 制药突破的对应关系》 检索方式：
/anysearchskill（batch_search/extract）；标注约定同前：[事实] / [推断] / [口径]（厂商或媒体口径）。
| 手段 | 与近期突破的相关性 | 一句话判断 |
|---|---|---|
| A 化学空间剪枝 / 超大规模筛选 | ★★★★★ | 已被当作核心竞争力验证：单日 3250 亿分子筛选产出首创类肿瘤药物 MDL-4102 |
| B ML 势 / 加速 MD 与自由能 | ★★★★☆ | 价值确定、增量式：最成功的 AI 辅助癌症药之一（zovegalisib，Phase III）整条路线建立在 MD 构象集合之上 |
| C 扩散采样步数 / 快速推理 | ★★★★★ | 增长最快：binder 设计的计算搜索从"数月/数年"降到"数天"（ESMFold2，5 个癌症/免疫靶点，实验验证有效） |
| D MSA 复用 / 片段库预计算 | ★★☆☆☆ | 正在被绕过：AF3 复合物路径与 ESM 系都不用 MSA；片段库在 de novo 扩散设计时代边缘化。它从"研究课题"降级为"缓存与基建" |
一句话：A 与 C 是当前 AI 制药突破的实际承重墙，B 是可靠的第二引擎，D 正在退场。
A（化学空间剪枝）[事实]
B（ML 势 / 加速 MD）[事实]
C（扩散采样 / 快速推理）[事实]
D（MSA 复用 / 片段库）[事实]
| 原判断 | 修正 |
|---|---|
| "ETH 证伪对制药算力贡献 ≈ 0–2%，且短期≈0" | 维持。本轮所有突破的省算力来源全部是数量维度（候选数、采样数、步数、轨迹长度、势函数速度），没有一项来自复杂度下界松动 |
| "真正省算力的是 V-SYNTHES（5000×）、ML 势（10–1000×）这类工程/算法改进" | 加强：A 在 2026 年被推到单日 3250 亿分子量级；C 被证明能把 binder 设计的计算搜索从"数月/数年"压到"数天" |
| "P=NP 不会省算力，反而催生新负载" | 加强：近期突破路径恰是"把原本算不起的枚举/采样变成常规操作"（3250 亿分子/天、11 亿预计算结构、TB 级 NCE 库遍历）——这正是 P=NP 情景在实践层面已经发生的事，只是驱动力是工程与模型，而非复杂度理论 |
| 原文档未涉及 | 新增：D 类（MSA/片段库）研究价值下降，应从"降算力手段"降级为 ops 项；同时"MD 吞算力"的判断在癌症制药上被 zovegalisib / Dynamo 平台具体验证 |
| 层 | 干什么 | 对应本文档的手段 | 近期突破 |
|---|---|---|---|
| L1 表征层 | 把序列/结构变成可用的数值表示（MSA、模板、嵌入、结构库） | D | ESMC / ESM Atlas（28 亿序列、11 亿预计算结构） |
| L2 生成层 | 造出候选结构/分子（扩散、流匹配、生成式化学） | C | ESMFold2、BoltzGen、RFdiffusion3、IsoDDE |
| L3 筛选层 | 从海量候选中挑出值得做的（打分、排序、剪枝） | A | GALILEO（3250 亿/天）、IsoDDE 的"序列直出口袋" |
| L4 物理层 | 精算结合/选择性/自由能，确认"能不能成药" | B | Dual-LAO 15–30×、MLFF 打分对标 FEP、Relay 的长程 MD |
关键结构：A/C 是"广度层"（决定能看多少候选），B 是"深度层"（决定候选能不能被确信）；D 是"底座层"。近期突破的共同路径是 L1/L2 变便宜 → 候选数暴涨 → L4 必须同时变便宜，否则整条链会被物理层卡死（这正是 Boltz-2 试图用 L2 模型吃掉 L4 的动机）。
路径（官方披露）[事实]：
[推断] 与手段 A 的关系：V-SYNTHES（Nature 2022）是"先剪后接"的原始形态（11B 空间、需求降 5000×）；GALILEO 是同一抽象在 10¹² 量级上的实现。2026 年的新证据说明这套抽象不但没过时，反而成了肿瘤新药的直接产出口。 其代价是打分精度与数据偏差成为新的瓶颈（ULVS 综述明确列为三大挑战之二）。
路径 [事实 + 推断]：
[推断] 为什么这属于手段 C 而非 D：省下来的算力不是"MSA 缓存"，而是采样步数 × 种子数 × 单次推理成本三项乘积的整体坍缩；DNA/RNA/配体等成分与 MSA/模板一起被丢掉。D 的"预计算"精神在这里以 11 亿结构的规模复活，但技术底座已换成语言模型。
路径 [事实]：
[推断] IsoDDE 是本轮调研中唯一一家把 L1–L4 四层全部压缩进一个模型的公开案例；它的算力节省点最多在 L4（用神经网络亲和力头替代显式 FEP） 与 L1（序列直出口袋，免去晶体结构与 MSA）。
路径 [事实]：
[推断] Boltz-2 是"扩散采样（C）"与"自由能计算（B）"的合流点：如果 L4 可靠地被 L2 吸收，B 的研究价值会向"混合方法"迁移；若不能，B 依然不可替代。这是判断 B 未来研究价值的关键分叉点。
路径 [事实，官方三段式]：
[推断] 这是"MD 吞算力"最硬的证据：变构机制本质上只能用动力学采样得到，静态结构给不了。所以任何能降低长程采样成本、或提高"从轨迹里读出变构位点"效率的技术，在这条线上有明确的可付费研究价值。这也是本文档第二节"C. 真正吞算力的三块"里第 1 项的直接印证。
路径 [事实]：
[推断] 这条路径对应的正是手段 A 的"生成 + 剪枝"端（生成候选 → 多重过滤 → 湿实验），但目前的瓶颈已经从"能不能生成"移到"能不能进 III 期"。
路径 [事实]：
[推断] 这是本轮里少见的**"AI 设计分子 + 实验反推耐药机制 + 组合疗法"**闭环样本，说明生成式设计正在进入"可解释的机制层"，而不仅是"打分"。
[推断] 这一层的"降算力"具体等于 步数 × 种子数 × 复合物规模 的乘积下降；它的杠杆最大，但也最容易被"候选数膨胀"抵消。
路径 [事实]：
[推断] 这是"降算力=降采样时长"最纯粹的一个样例，且它降的是最难被 ML 取代的那段（绝对/相对自由能的热力学积分）。因此 B 的短期研究价值不会被 L2 模型立刻吞掉。
| 突破 | 真正被压掉的那一项算力 | 哪一层 |
|---|---|---|
| GALILEO 3250 亿/天 | 候选枚举 + 打分（CPU 前向传播替代逐个对接） | L3 |
| ESMFold2 binder | 采样步数/种子 + MSA/模板检索 | L2 + L1 |
| IsoDDE | 物理层（FEP）+ 晶体结构依赖 + MSA | L4 + L1 |
| Boltz-2 | FEP 模拟时长（1000×） | L4 → L2 |
| Dual-LAO | RBFE 采样时长（15–30×） | L4（采样算法） |
| Dynamo / zovegalisib | （没有省，反而必须多烧）长程 MD | L4（算力刚性区） |
[推断] 三个可操作的判断：
超大规模筛选 / 生成式化学
modelmedicines.com/newsroom/record-scale-ai-screening-with-model-medicines-on-google-cloud-galileo-achieves-325-billion-molecule-throughput-for-oncology-drug-discoveryisomorphiclabs.com/articles/the-isomorphic-labs-drug-design-engine-unlocks-a-new-frontier（DOI 10.5281/zenodo.19699685）isomorphiclabs.com/articles/building-a-new-path-to-make-medicines-with-aiinsilico.com/news/xmjsn4l091-insilico-initiates-phase-iii-clinical-tr；Phase IIa — nature.com/articles/s41591-025-03743-2doi.org/10.64898/2026.02.20.706902；PMC 版 — PMC13358977结构/设计引擎
6. Biohub（2026-05-27）ESMC / ESMFold2 / ESM Atlas 发布 — biohub.org/news/world-model-of-protein-biology/；预印本 biorxiv.org/content/10.64898/2026.06.03.729735v1；Particle 解读（PD-L1 binder 报道）— particle.news/story/biohub-releases-opensource-ai-world-model-for-protein-drug-design
7. MIT Jameel Clinic（2025-06-06）Boltz-2 说明（affinity module、FEP+ Pearson 0.62、1000×、SynFlowNet + TYK2 前瞻筛选 + ABFE 验证、BioHive 2 约 200 万/天、H100 约 20 s/分子）— jclinic.mit.edu/boltz-2-towards-accurate-and-efficient-binding-affinity-prediction/
8. BoltzGen — biorxiv.org/content/10.1101/2025.11.20.689494v2、PMC12697729、github.com/HannesStark/boltzgen
9. Protenix-v1 — biorxiv.org/content/10.64898/2026.02.05.703733v1；github.com/bytedance/Protenix；HelixFold3 — arxiv.org/abs/2408.16975v3
动力学与自由能
10. Relay Therapeutics Dynamo 平台（三段式 Motion-Based Drug Design、cryo-EM/常温 X 射线 + 长时程 MD、REL-DEL、ML+MD 耦合优化）— relaytx.com/dynamo-platform/；zovegalisib 管线 — relaytx.com/pipeline/
11. Qubit（2026-01-28）Dual-LAO 15–30× — blog.qubit-pharmaceuticals.com/blog/going-15-30-faster-in-relative-binding-free-energy-calculations
12. MDPath（JCIM）— doi.org/10.1021/acs.jcim.5c01590；数据集 doi.org/10.5281/zenodo.15637794
13. chemrxiv：ML 力场打分对标自由能 — chemrxiv.org/doi/10.26434/chemrxiv.15008810；AIQM-PBSA — chemrxiv.org/doi/10.26434/chemrxiv-2026-h0kn1；JCIM 2025 ML-in-FEP — doi.org/10.1021/acs.jcim.5c01449
行业与管线背景
14. Axis Intelligence：173 个 AI 药物项目在临床 / 肿瘤 126 项 — axis-intelligence.com/ai-drug-discovery-2026-complete-analysis/
15. MegaOne AI（2026）Insilico/Relay/Recursion 临床盘点 — megaoneai.com/blog/ai-drug-discovery-trials-2026-first-results/
16. IntuitionLabs（2026-05-01）ULVS / BRD4 深度分析（3250 亿/天、deep docking 多级流水线、ULVS 综述三大挑战）— intuitionlabs.ai/articles/ai-ultra-large-virtual-screening-brd4
17. 采样加速方法学：Straight-Line Diffusion arXiv 2503.02918；DualFast arXiv 2506.13058；RL+快速采样 arXiv 2606.01220；LiteMol / LiteFold
18. FDA AI 药物开发指南（终稿预期 2026 Q2）与 FDA/EMA 十条原则 — ema.europa.eu/en/news/ema-fda-set-common-principles-ai-medicine-development-0
cd .agents/skills/anysearch
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"V-SYNTHES virtual screening 5000x compute reduction Nature 2022 chemical space pruning drug discovery","max_results":6},
{"query":"machine learning interatomic potential NequIP ANI molecular dynamics speedup drug discovery 2026","max_results":6},
{"query":"AlphaFold3 diffusion sampling steps reduction faster inference 2026 AI drug discovery","max_results":6},
{"query":"MSA reuse fragment library precomputation protein structure prediction speedup","max_results":6}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"AI-designed CDK12/13 inhibitors resistant cancers Insilico clinical trial","max_results":6,"freshness":"year"},
{"query":"Isomorphic Labs 2026 drug discovery milestone clinical trial AI designed","max_results":6,"freshness":"year"},
{"query":"Recursion Exscientia 2026 pipeline results AI drug discovery physics platform","max_results":6,"freshness":"year"},
{"query":"Qubit Pharmaceuticals 2026 machine learning potential free energy perturbation speedup","max_results":6,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"HelixFold3 Protenix open source fast protein structure prediction diffusion speedup minutes","max_results":6,"freshness":"year"},
{"query":"LiteMol diffusion molecular generation faster sampling 20x Microsoft","max_results":6},
{"query":"machine learning force field free energy perturbation pharmaceutical 2026 accuracy speedup production use","max_results":8,"freshness":"year"},
{"query":"AI-discovered drug phase 3 2026 oncology clinical success","max_results":8,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"Relay Therapeutics zovegalisib RLY-2608 motion-based drug design molecular dynamics platform allosteric","max_results":6,"freshness":"year"},
{"query":"Boltz-2 free energy prediction FEP BoltzGen binder design 2026 milestone","max_results":6,"freshness":"year"},
{"query":"Schrodinger machine learning force field 2026 production use pharma free energy calculations speedup","max_results":6,"freshness":"year"},
{"query":"MSA-free protein language model ESM3 evolutionary design oncology binder 2026","max_results":6,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"BoltzGen binder design sampling steps diffusion number of samples inference cost compute","max_results":6,"freshness":"year"},
{"query":"machine-learning force-field scoring rivals free-energy calculation FEP accuracy 2026","max_results":6,"freshness":"year"},
{"query":"AACR 2026 AI-driven drug discovery oncology virtual screening generative chemistry breakthroughs","max_results":8,"freshness":"year"},
{"query":"ColabFold MSA server cache reuse protein folding 2026 speedup AlphaFold3 no MSA","max_results":6,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"AlphaFold 3 does not use MSA templates single sequence input diffusion","max_results":6},
{"query":"MSA server ColabFold reuse cached MSA cost structure prediction pipeline 2026","max_results":6,"freshness":"year"},
{"query":"fragment library de novo protein design 2026 RFdiffusion RoseTTAFold all-atom compute efficiency","max_results":6,"freshness":"year"},
{"query":"ESMFold2 binder design cancer immunology targets preprint 2026 compute days","max_results":6,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"machine learning potential NequIP protein ligand free energy 2026 order of magnitude faster simulation pharmaceutical","max_results":6,"freshness":"year"},
{"query":"Relay Therapeutics compute platform 2026 simulations daily motion based drug design throughput","max_results":6,"freshness":"year"},
{"query":"AI ML potential molecular dynamics cancer drug discovery 2026 allosteric site conformational ensemble compute","max_results":6,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"ESMFold2 binder design five cancer immunology targets DockQ affinity validation ESMC world model details","max_results":8,"freshness":"year"},
{"query":"Model Medicines GALILEO platform BRD4 MDL-4102 methodology workflow active learning training data","max_results":8,"freshness":"year"},
{"query":"Boltz-2 architecture flow matching affinity head FEP head MSRv2 training data","max_results":6},
{"query":"Isomorphic Labs IsoDDE components potency selectivity ADMET synthesis design agents 2026","max_results":6,"freshness":"year"}]'
python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"rentosertib ISM001-055 TNIK target PandaOmics Chemistry42 generative design pathway Insilico","max_results":6},
{"query":"Insilico CTX-439 CDK12 dual inhibitor generative AI Chemistry42 discovery path preclinical 2026","max_results":6,"freshness":"year"}]'
# 全文抽取（本轮新增）
python3 scripts/anysearch_cli.py extract "https://modelmedicines.com/newsroom/record-scale-ai-screening-with-model-medicines-on-google-cloud-galileo-achieves-325-billion-molecule-throughput-for-oncology-drug-discovery"
python3 scripts/anysearch_cli.py extract "https://jclinic.mit.edu/boltz-2-towards-accurate-and-efficient-binding-affinity-prediction/"
python3 scripts/anysearch_cli.py extract "https://www.isomorphiclabs.com/articles/the-isomorphic-labs-drug-design-engine-unlocks-a-new-frontier"
python3 scripts/anysearch_cli.py extract "https://relaytx.com/dynamo-platform/"
python3 scripts/anysearch_cli.py extract "https://particle.news/story/biohub-releases-opensource-ai-world-model-for-protein-drug-design"
# 注：biorxiv / PMC / ncbi 对 extract 返回反爬或失败页，正文改由官方新闻页、机构页、MIT Jameel Clinic 页交叉验证。