MindDance AI 生物医药简报是一份面向 AI 制药、计算生物学和蛋白质设计从业者的每日简报。 我们从 arXiv 和 bioRxiv 每天数百篇新论文中，筛选出最值得关注的 3-5 篇 AI + 生命科学交叉方向的工作，用从业者能理解的语言解读它们的意义。
为什么做这个
AI 正在深刻改变生命科学和药物发现。arXiv 的机器学习分类 (cs.LG) 和定量生物学分类 (q-bio.*) 每天新增数百篇论文，bioRxiv 上的计算生物学工作也在快速增长。但 AI 生物医药领域的论文散布在多个分类和预印本平台，缺少一个专注于这个交叉方向的筛选和解读入口。
MindDance 简报就是为了解决这个问题：每天 3 分钟，知道 AI 生物医药领域最重要的进展。
核心读者是 AI 制药公司的研究员、计算生物学方向的博士生和博后、药企 AI 部门的数据科学家、以及关注这个方向的投资人和创业者。优先级按 Drug > Chem > Bio > Med 排列——药物发现和分子层面的工作排在最前面。
适合谁读
- AI 制药研究员：跟踪分子生成、对接、ADMET 预测、逆合成等方向的最新方法
- 计算生物学从业者：关注蛋白质设计、结构预测、基因组建模、分子动力学等
- 药企 AI 部门：高效获取 AIDD 领域动态，判断哪些方法值得引入 pipeline
- 生物信息学学生/博后：追踪前沿、发现新工具和新 benchmark
- 生物医药投资人：持续跟踪 AI 生命科学的技术脉络
怎么筛选
数据采集（四源）
每天自动采集来自四个数据源的论文：
- arXiv 核心分类：q-bio.BM（生物分子）、q-bio.QM（定量方法）、q-bio.GN（基因组学）、q-bio.MN（分子网络）——直接相关，不需要预过滤
- arXiv 扩展分类：cs.LG（机器学习）、cs.AI（人工智能）、physics.chem-ph（化学物理）、physics.bio-ph（生物物理）——通用分类，用 104 个生物医药关键词自动预过滤，只保留 AI + 生命科学交叉的论文
- bioRxiv：Bioinformatics、Biophysics、Pharmacology、Systems Biology、Synthetic Biology、Biochemistry、Molecular Biology、Genomics、Computational Biology 共 9 个学科——用 AI 关键词反向过滤，只保留使用了机器学习/深度学习方法的论文
- Hugging Face Daily Papers：社区推荐的高热度论文，作为补充信号
此外，通过 Semantic Scholar API 补充引用数据和代码仓库信息。
多信号评分（8 类信号）
每篇论文通过规则引擎，综合 8 类信号自动打分：
| 信号 | 权重 | 逻辑 |
|---|---|---|
| 机构背景 | 2.5 | 来自 80+ 家 AI 制药公司（Isomorphic、Recursion、XtalPi 等）、大型药企 AI 部门（Genentech、AstraZeneca 等）、顶级学术机构（Baker Lab、MIT、清华等）的论文获得加分 |
| 顶刊/顶会 | 2.0 | 发表在 Nature/Science/Cell 系列、NeurIPS/ICML/ICLR、或领域核心期刊（JCIM、J Med Chem、Nucleic Acids Research 等）的论文获得加分 |
| 领域相关性 | 2.0 | 标题/摘要中匹配 AIDD 核心关键词（drug design、binding affinity、protein folding、molecular dynamics 等 30+ 个关键词）的密度越高分数越高 |
| 代码可用 | 1.5 | 有开源代码实现的论文获得加分——AIDD 领域可复现性极重要 |
| GitHub 热度 | 1.0 | 关联仓库在 GitHub Trending 上的论文获得加分 |
| 社区推荐 | 1.0 | 被 Hugging Face Daily Papers 收录 |
| 学术影响力 | 0.5 | Semantic Scholar 引用数越高分数越高（分 3 档） |
| 社区热度 | 0.5 | Hugging Face 投票数越高分数越高（分 4 档） |
领域相关性门槛：没有任何领域相关性的论文（domain_relevance = 0）不会进入"重点关注"，即使总分达标。这确保 Featured 论文必须与 AI 生物医药直接相关。
得分达到阈值的论文进入 "重点关注"（2-5 篇）和 "也值得关注"（最多 12 篇）两个层级。
AI 解读
算法做筛选，AI 做解读。每篇入选论文由 Claude Sonnet 4.5 基于标题和摘要生成解读，遵循统一的编辑原则：
- 先讲问题，再讲方案：先讲生物学/化学问题背景，再讲 AI 方法如何解决
- 标注验证层级：明确区分 in silico / in vitro / in vivo 验证，标注实验验证的充分程度
- 保持克制：不称所有东西为"突破"，对 benchmark 结果注明数据集和比较基准
- 术语保留原文：关键术语保留英文原文（binding affinity、docking、ADMET、inverse folding 等）
- 可验证：每篇解读都链接原论文，读者可以自行查证
全流程透明
每期简报都有对应的 论文来源页（sources），公开展示所有候选论文及其得分理由。
覆盖的主题方向
MindDance 简报覆盖 12 个 AI 生物医药主题，按优先级排列：
- 分子生成与优化：de novo design、scaffold hopping、分子图生成
- 蛋白质结构预测：AlphaFold、co-folding、cryo-EM 辅助建模
- 蛋白质设计：inverse folding、定向进化、酶设计
- 分子对接与结合：docking、binding affinity、virtual screening
- ADMET 与成药性：毒性预测、药代动力学、QSAR
- 分子动力学：force field、FEP、enhanced sampling、coarse-grained
- 化学合成与逆合成：retrosynthesis、反应预测、合成路线规划
- 基因组与转录组：单细胞分析、基因调控、多组学
- 抗体与生物大分子：nanobody、CDR 设计、affinity maturation
- 临床与医学 AI：biomarker、精准医疗、医学影像
- AI Agent for Science：自动化实验、假设生成、自驱动实验室
- 生物基础模型：蛋白质语言模型、基因组语言模型、多模态生物模型
每个方向有独立的话题页，方便按领域追踪。
更新频率
MindDance 简报 每天更新，采用 T+1 发布节奏（覆盖昨日论文，最大化新鲜度）。中文版和英文版同步发布。
已知局限
- 解读基于摘要而非全文：深度有限，关键实验结论以原论文为准
- 扩展分类依赖关键词预过滤：cs.LG 中使用非标准术语的跨领域论文可能被遗漏
- bioRxiv 时效性：bioRxiv API 有延迟，部分论文可能在次日才被采集到
- AI 生成解读的局限：AI 可能误解论文细节，所有解读都应以原论文为准
- 评分偏差：偏 drug discovery 导向的评分可能低估纯生物学理论贡献
FAQ
MindDance 简报和 Papers With Code、Semantic Scholar 有什么区别？
它们是论文索引和发现工具。MindDance 做的是另一件事：专注 AI + 生命科学交叉方向，帮你判断今天哪些生物医药 AI 论文值得关注，以及为什么。不做全量索引，只做每日精选和从业者视角的解读。
为什么有些热门论文没有进入"重点关注"？
热度只是评分信号之一。我们更看重领域相关性和从业者视角的实际影响。没有领域相关性的论文不会进入"重点关注"，即使总分很高。
解读是 AI 自动生成的吗？
是的。论文筛选和评分是全自动的，解读由 Claude Sonnet 4.5 基于论文标题和摘要生成。关键实验结论以原论文为准。如果发现解读偏差，欢迎反馈。
如何引用 MindDance 简报的内容？
建议同时引用两个链接：1. MindDance 简报文章页（用于解读上下文）2. 对应论文来源页中的原论文链接（用于技术事实与实验结论）