EPFL（洛桑联邦理工学院）

DBMol: Design of High-Affinity, Target-Specific Small Molecules through Structure Prediction Models

DBMol：通过结构预测模型设计高亲和力、靶向特异性小分子

Yiming Qin, Kai Yi, Miruna Cretu, Sjors H. W. Scheres, Pietro Liò, Pascal Frossard

机构 * EPFL（洛桑联邦理工学院） ； MRC-LMB（医学研究委员会分子生物学实验室） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究旨在利用结构预测模型设计高亲和力小分子。核心方法是引入DBMol框架，经交替优化和投影过程，结合结构预测模型优化分子。主要贡献是有效优化亲和力代理，提高口袋覆盖率，保持分子多样性，在无参考配体监督下有竞争力。

Neural Kolmogorov Equations: Parallelizable Learning of Stochastic Dynamics under General Noise

神经柯尔莫哥洛夫方程：一般噪声下随机动力学的可并行学习

Arthur Bizzi, Olga Fink

机构 * EPFL（洛桑联邦理工学院） ； Imperial College（帝国理工学院） 纠错

AI总结 针对神经随机微分方程现有方法的局限性，提出神经柯尔莫哥洛夫方程，基于柯尔莫哥洛夫前向方程重构，通过其算子结构学习随机强迫，利用拉格朗日伽辽金投影和算子分裂实现并行训练，在多基准测试中表现良好。

Physics-Informed Super-Resolution of Atmospheric Data

大气数据的物理信息超分辨率

Chang Xu, Gencer Sumbul, Hugo Porta, Manon Béchaz, Sebastian Schemm, Devis Tuia

机构 * EPFL（洛桑联邦理工学院） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对全球变暖下大气数据超分辨率问题，提出基于原始方程的PISR方法及NPC度量，通过约束SR模型遵循物理方程，实验表明该方法能提升重建保真度，增强极端事件检测能力。