Watvina

structure based drug screening, drug design, pharmocology

[周览资源 @grgerwcwetwet]

史上最强原生PPT Skill，更适合中国宝宝

https://t.co/HGFDAn1z6j

[撸毛吃猪脚饭 @mnmn94253156337]

清华刚开源了一个 Agent OS，叫 PilotDeck

最打动我的数据 同样跑 7 个复杂任务：
· Claude Sonnet 4.6 单 Agent → $18.36
· Sonnet 4.6 主 + MiniMax-M2.7 从 → $3.15，分数反而更高

这就是 PilotDeck 的「智能路由」——自动判断任务难度，匹配对应模型。

三大核心功能：

1 WorkSpace 隔离
每个项目独享文件系统、记忆、技能集。A 项目不会污染 B 项目。

2 白盒记忆
传统 Agent 记忆是黑箱。PilotDeck 每条记忆都可追溯、可编辑、可一键回滚。

3 Always-on 后台
人走了 Agent 继续跑，产出文件 + 汇总报告等你回来。

🔗 https://t.co/CZX6LXGuGu

[Nix0n @UnTalNixon_exe]

🧬 El fin de la ciencia inventada? Cero alucinaciones en PubMed con Claude

Usa el nuevo protocolo MCP para conectar Claude directamente a la base de datos de PubMed. ¿El resultado? Analiza más de 50 papers médicos en segundos con 0% de alucinaciones.

Lo que soluciona:

Conexión Real: Consulta la API oficial de PubMed en tiempo real (mira las tablas y gráficos adjuntos).

Cero Datos Falsos: Valida identificadores (PMID) y resultados clínicos reales de forma exacta.

Metanálisis Express: Convierte horas de lectura médica en resúmenes estructurados al instante.

El Siguiente Nivel (Idea de Producto):

Review Pipelines: Agentes que redacten revisiones sistemáticas automáticas basadas en este protocolo.

Clinical Alert Bot: Un bot que monitoree PubMed y publique hallazgos críticos en X o Discord de forma autónoma.

Se acabaron las citas bibliográficas falsas.

Repooooo 👇👇

[Hira_Labo🐻データサイエンス @hirat62363752]

Affinity Fine-Tuning of Boltz-2: An Open Framework for Protein-Ligand Potency Prediction in Drug Discovery

Boltz-2のリガンド親和性予測のファインチューニングフレームワーク
固有の実験データでアフィニティ予測部分のみ最適化

https://t.co/T5htMQi0bP
https://t.co/41SAJMWtJq

[Marinka Zitnik @marinkazitnik]

Scientific discovery is not a single chain of thought @GaoShanghua @AdaFang_ . It is a long-running process of competing hypotheses, failed experiments, shared insights, and changing research directions

AutoScientists lets AI agents do the same

https://t.co/JHAkbEx2Ac

🧪 We call this AutoScientists: self-organizing agent teams for long-running scientific experimentation

Open science:
Paper: https://t.co/mzEx5xwtSE
Code: https://t.co/1OLxN4AW94

@HarvardDBMI @harvardmed @broadinstitute @KempnerInst

[虎小象 @hx831126]

先讲一个你可能从来没听说过的人。

1930年，英国语言学家 C.K. Ogden 做了一件很偏执的事——他把整个英语词汇表研究了一遍，然后问了一个问题：如果只能留下最核心的那些词，英语还能不能用？

他的答案是：850个词，够了。

这850个词，不是随便选的，是他穷尽分析之后筛选出来的"语言骨架"。他把它们分成5类：

100个操作词（Operations）：这、那、是、有、做……就是那些让句子转起来的胶水词

400个普通事物（General Things）：名词里最高频、最基础的那层

200个可描绘事物（Picturable Things）：能画出来的具体东西，比如 door、fire、river

100个性质词（Qualities）：描述世界的形容词，比如 clear、simple、important

50个反义词（Opposites）：成对出现，学一个等于学两个

——————

然后他把这套体系命名为 Basic English，发表出来。

接下来发生的事情更有意��。丘吉尔在二战期间公开赞扬这套体系，认为它是盟国推广英语教育的最佳基础。H.G. 威尔斯把它写进了《世界大战》的续集设定里，作为未来世界通用语言的蓝图。乔治·奥威尔……没有赞扬它，但《1984》里那套压缩语言"新话"（Newspeak）的灵感，正是来自对 Basic English 的深深警惕——他担心语言被缩减之后，人的思想也会跟着被缩减。

这就是这850个词的能量：支持者觉得它是桥梁，批评者觉得它是枷锁，争论了将近一百年。

但我想说的不是那场争论。我想说的是——这850个词，对今天的英语学习者来说意味着什么。

大多数人学英语，是被一本本厚厚的词汇书和无尽的考纲压着学的。CET-4、CET-6、托福、��思……每一个证书背后都是几千个词的暴力记忆，背了忘，忘了背，从来没有真正"用"过。

Ogden 给出的逻辑完全相反：不是多，而是深。

这850个词，每一个都是高频中的高频，每一个在日常英语表达里都有不可替代的位置。当你真正把这850个词学透——不只知道它的意思，还知道它的用法、它的近义词在什么场景该用哪一个——你对英语的掌握会比背了5000个词却每个只认识中文意思要扎实得多。

这是一种截然不同的语言观：根扎得够深，枝才能生得够远。

——————

于是我做了这个网站：https://t.co/MNteHwzK9m
（准确的说我让 Codex 做的）

原版 Ogden 的资料是一本PDF，黑白的，排版像上个世纪（它确实是上个世纪的）。我想让它变成真正可以用来学习的东西。

花了不少时间（花了不少 Token ）最终做成了这样：

每一个词，都有一张完整的卡片。

卡片上有：这个词的中文释义、英文定义（用简单的英语解释英语，就像 Ogden 本人的风格）、一句真实语境下的例句，以及2到3个同义词。五个类别各有自己的颜色，一眼就知道你在学哪个区域的词汇。

每一个词，都可以听发音。

接的是有道词典的语音接口，默认英式发音，可以切换美式。点单词听一次，点例句听一次，语速比正常稍慢一点，适合跟读。不是那种机械的合成音，真的可以听。

最让我花心思的，是同义词那里。

很多人背单词的时候，同义词只是"差不多的意思"。但真正用英语的时候，difference 和 distinction 不一样，speak 和 talk 不一样，simple 和 easy 不一样。差在哪里？什么场景该用哪个？

———————

网站是免费的，不需要注���，不会收集任何信息。

直接访问就行：https://t.co/MNteHwzK9m

如果你身边有正在学英语的人，或者觉得自己英语"学了很多年但还是用不好"的，可以发给他们看看。

也许这850个词，是一个值得重新开始的起点。
👆

以上的文案也是它写的，我越来越没有用了

[Watvina @Biocheming]

@tvytlx 要不考虑下我写的rocode方案

[Kyle Hessling @KyleHessling1]

Hello again, everyone!

We've got another really fun 9b, this one specifically trained for tool calling and agentic coding workflows in @NousResearch Hermes agent.

Happy to report that it crushes, and as a 9b it runs on super affordable hardware. We also hit this one with some coding domain-specific training, and it scored a 53.33% on SWE bench on a slice of 200 samples!

To me, I was really shocked to see this high of a score on a 9B model in swe, correct me if I'm wrong, but I think that's nipping at the heels of the Gemma 4 series, much larger models on this particular benchmark, which is really incredible to see!

It also crushes the HermesAgent-20 benchmark, scoring an 85 vs the base model's 71!

Make sure to run it hot, --temp around 1, that seems to be the sweet spot for running these particular fine tunes in harnesses. If you have trouble, you can work your way down, but it does a much better job departing from base models, overthinking when you run it, high temp ~1.

Please spin it up in Hermes and let us know your thoughts! Looking forward to hearing your feedback as always!

Also, those of you waiting for Qwopus 3.6 27B, I have put together a preliminary evaluation for you in my HF repo, go check it out; we will be releasing the full model very soon! I will put the preliminary repo in the comments!

https://t.co/vP2s9iP6wL

[Roland.W @rwayne]

上海 AI Lab、复旦、上交大这两天联合发了篇论文叫 Thoth，登上 ICLR 2026。

做的事是让大模型生成生物医学领域可执行的实验 protocol。

以前 AI 写实验步骤其实经常翻车。步骤缺失，顺序混乱，参数也会幻觉出来。

比如 5mL 凝胶预混液配 25µL APS、2.5µL TEMED。

缩到 1mL 时 APS 应该是 5µL，对比模型写成了 5mL。

差 1000 倍。

Thoth 改造了这个流程。先让模型写机器可读的"实验骨架"，把动作、对象、参数都标清楚。然后再把骨架填成自然语言步骤。

骨架里出现的每个动作必须在最终步骤里体现，避免空心框架。

8B 小模型在 SciRecipe-Eval 上平均超过 ChatGPT-4o 3.69%

[Watvina @Biocheming]

@ShenHuang 哈哈

[Watvina @Biocheming]

I'm happy, for the rocode improvement.https://t.co/0vpvEyGQ9r

[AIGCLINK @aigclink]

开源软件著作权申请Skill：SoftwareCopyright-Skill，自动生成申请材料，让你一个软著怒省几百块代办费

它会让AI读取本地项目，从项目分析、业务理解、申请表信息、操作手册到代码材料，自动生成全套软著申请材料

包括操作手册DOCX、代码材料DOCX、申请表信息TXT等

在理解代码结构和业务���能基础上，写操作手册并非直接套用模板

代码材料只来自开发者已有项目，禁止AI编造源码

源码足够时按常见鉴别材料要求生成前30页和后30页，不足60页时按规则生成全部代码材料

关键节点比如业务口径、申请表字段、代码选择等会让人工确认

默认在当前项目目录生成材料，代码、文档和草稿都留在本地

对于小团队或个人开发者比较实用，让AI做这些文书工作

#SoftwareCopyrightSkill #软著skill #skill

[Pranam Chatterjee @pranamanam]

What if we could design ligands that not only bind a target, but functionally direct it toward activation or inhibition? In our #ICML2026 Spotlight, we present TD3B, a discrete diffusion framework for directional allosteric binder generation! 🦉

📜: https://t.co/EI8AOWChqY
🤗: https://t.co/kNC0ywflgQ

[Watvina @Biocheming]

@Jaden_riku openclaw出来，我也没用过。当时自己正在写rocode，后来hermes出来，我还是没时间用，一直在写rocode。现在各种code非常多了，codex和claude code毫无疑问能解决大部分场景了。更加复杂的智能体编排，我用rocode实验

[Watvina @Biocheming]

@teortaxesTex Test for rocode with deepseek model: Total Hit/Miss : 23.2M/690.5K; Last Turn: 5.7M/180K

[Vincent Logic | 信号＞噪音 @VincentLogic]

发现个 Claude Code 的神级 Skill，画图颜值真的吊打 Mermaid 和 https://t.co/ZPDFPSUIlj！

fireworks-tech-graph，只要你一句话，它直接给你吐出生产级别的 SVG+PNG 技术图。

最绝的是它有 7 种神仙画风：深色终端风、工程蓝图风、毛玻璃风，甚至还能模仿 OpenAI 和 Claude 的官方��色风格。

支持 14 种 UML 图，像 RAG 架构、多智能体协作这种复杂图，一句"帮我画个 RAG 架构图，深色风格"直接搞定。

安装贼简单，一行命令 `npx skills add yizhiyanhua-ai/fireworks-tech-graph` 就能装到 Claude Code 里，输出 SVG 方便二次编辑，高清 PNG 直接贴文档。

平时写技术文档、做汇报 PPT 的，这个必须试一下。

项目地址放评论区了👇

[scavin @scavin]

中国软件著作权申请材料 生成器 Skills
https://t.co/S0LMkCLu0I

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

兄弟们，PDF转电子书还不爆炸？这玩意能把扫描版PDF直接打磨成EPUB，鸟哥试了直接跪了！

PDF Craft，一个让你扔掉OCR烦死人的开源神器。关键功能一个个给你拆开：

① 全程离线，AI直转Markdown，不用联网，隐私狂魔狂喜；
② 一键生成带结构的EPUB，章节目录比亲妈还清晰；
③ 智能过滤页眉页脚页码脚注，垃圾全给你删干净；
④ 图表公式自动以图片保留，排版不会像车祸现场；
⑤ 联合LLM构建书籍结构，输出质量吊打付费软件。

但是！有坑你得知道：
👉 首次使用会自动下载AI模型，推荐配DeepSeek用。
👉 扫描版双栏？这货也能搞定，但别拿垃圾清晰度去难为它。
👉 转换速度？实测300页PDF，5分钟出成品，你还想怎样？

链接甩这了，周末不搞点黑科技？收藏等于学会，但我劝你直接上手试。
🔗 https://t.co/6KpY02axZg

（小声：用之前记得看README，别怪我没提醒中文支持问题）

[Watvina @Biocheming]

@xiongchun007 也可以试试rocode

[Biology+AI Daily @BiologyAIDaily]

Confidence Is the Key: How Conformal Prediction Enhances the Generative Design of Permeable Peptides

1. The paper argues that RL-guided generative design can be misled by predictive models when generation drifts outside the model’s applicability domain, producing “high reward, high uncertainty” peptides—especially problematic for understudied cyclic peptides.

2. They integrate conformal prediction (CP) directly into the reinforcement learning (RL) scoring loop (PepINVENT-style peptide completion), so the agent is rewarded not just for predicted permeability, but for permeability predictions made with calibrated confidence at a user-chosen confidence level (here, 80%).

3. Core technical setup: a permeability classifier (XGBoost on ECFP features) is trained on CycPeptMPDB PAMPA data (6876 cyclic peptides; threshold LogPexp ≥ -6 as permeable). On top of this, they build an aggregated Mondrian inductive conformal predictor (ACP with 10 ICPs) outputting two p-values: P1 (permeable) and P0 (non-permeable).

4. Key conceptual point: CP’s two p-values encode “evidence for each class,” enabling four outcomes (Class 0, Class 1, Both, None). In RL, the target is not merely “high P(permeable)” but conformal efficiency: confidently permeable designs where P1 > 0.2 and P0 < 0.2 (at significance 0.2).

5. Baseline finding: optimizing raw model probability (standard practice) increases average predicted permeability (raw score rises ~0.51→0.87 over 350 epochs), but many “permeable” designs are not conformally confident—highlighting a mismatch between probability-based rewards and calibrated reliability.

6. They test multiple CP-based reward designs: maximize P1, maximize (1−P0), maximize (P1−P0), plus two discrete schemes: “harsh” (reward 1 only if both thresholds met) and “soft” (reward 1 if both met, 0.5 if one met, else 0).

7. Main methodological takeaway: single p-value optimization (P1 alone or 1−P0 alone) is learnable but does not reliably increase the number of confidently permeable peptides, because maximizing P1 does not ensure low P0 (and vice versa). The joint decision structure of Mondrian ICP matters.

8. Best-performing strategy: the CP “soft” scoring function converges fastest to the desired region (defined as reaching ~50% conformally efficient permeable predictions among valid molecules) and yields more reliable hits than raw-probability scoring when “hits” are defined as confident + within-domain.

9. Practical insight on generation dynamics: the soft reward reduces brittleness from sparse rewards (compared to harsh) and improves efficiency—fewer unique valid molecules may be generated overall, but a higher fraction meet the calibrated confidence criterion, meaning less wasted exploration in uncertain space.

10. Robustness check: performance depends on peptide length and training-data coverage. The CP-soft approach works well for lengths well represented in training (6, 7, 8, 10), but deteriorates for 9, 11, 12, effectively flagging when the predictor’s applicability domain is being exceeded—useful as a “stop relying on this objective” signal.

📜Paper: https://t.co/9o1GQpcjZs
#ConformalPrediction #ReinforcementLearning #GenerativeModels #PeptideDesign #CyclicPeptides #UncertaintyQuantification #Cheminformatics #ComputationalBiology #DrugDiscovery #MachineLearning