近期，在广西大学超算平台的助力下，计算机与电子信息学院、广西高校并行分布与智能计算重点实验室、国家高性能计算中心南宁分中心成员取得了多项研究成果：
2026年1月，张锦雄老师、唐春艳老师在AI抗体生成领域取得重要进展，研究论文"GeoGAD: geometry-aware antibody design framework for complementarity-determining region precision engineering"（GeoGAD：互补决定区精准工程中几何感知的抗体设计框架）被国际生物信息学领域顶刊、中国计算机学会CCF推荐交叉/综合/新兴领域A类国际学术期刊《Bioinformatics》录用发表（论文链接：https://doi.org/10.1093/bioinformatics/btag042），论文第一作者为硕士研究生韦松健。
该研究针对抗体CDR设计中几何约束建模不足、多尺度空间关系缺失、构象表征能力不够等问题，提出了一个新型抗体设计框架——GeoGAD（几何感知高斯注意力机制）。该框架创新性地引入了旋转位置编码（RoPE）技术，增强了模型对空间几何特征的敏感性。在技术实现上，构建了专门的几何感知模块，通过动态消息传递、自适应边特征更新和多边类型协同坐标优化，巧妙融合了原子、残基和结构域多尺度的空间特征。同时，该框架提出了一种边类型敏感的高斯注意力机制，利用空间高斯核建模长程序列依赖关系，在聚焦局部关键残基的同时，兼顾了全局上下文的建模能力。目前，GeoGAD在抗体序列-结构联合建模、CDR设计以及亲和力优化三大核心任务中均展现出卓越性能，成功实现了抗体序列与构象的端到端联合生成。这一突破性成果不仅为抗体的精准设计提供了强有力的技术支撑，也将为相关疾病的诊断与治疗带来新的契机。
2026年4月，钟诚教授、王丽老师团队在非编码RNA-药物反应预测领域取得重要进展。研究论文“mDADGAN: Predicting miRNA–Drug Response Associations Using lncRNAs and a Diffusion-Based Generative Adversarial Network”（mDADGAN：构建lncRNA和基于扩散的生成对抗网络预测miRNA–药物反应关联）在《Journal of Chemical Information and Modeling》发表（J. Chem. Inf. Model. 2026, 66, 5429–5445；论文链接https://doi.org/10.1021/acs.jcim.6c00254），论文第一作者为硕士研究生赖雯茵。
《Journal of Chemical Information and Modeling》（JCIM）由美国化学会（ACS）出版，主要刊登化学信息学、分子建模、机器学习与化学生物数据分析、计算机辅助药物设计等方向的新方法和重要应用。JCIM最新2年影响因子为5.3，5年影响因子为6.3，JCR分区为Q1；在中国科学院文献情报中心期刊分区表2025年3月升级版中，该刊为二区期刊、并为Top期刊。
图1 mDADGAN论文发表页面与摘要信息（来源：论文首页截图）
miRNA（微小核糖核酸）是调控基因表达的重要非编码RNA，在肿瘤发生发展、药物敏感性和耐药性调控中发挥关键作用。该研究提出了一种新型预测框架——mDADGAN。该研究聚焦于miRNA在肿瘤发生、药物敏感性及耐药性调控中的关键作用，旨在通过准确预测miRNA与药物反应的潜在关联，为精准治疗和药物重定位提供科学依据。
针对现有计算方法面临的数据稀疏、类别不平衡及高阶调控关系捕获不足等瓶颈，mDADGAN创新性地整合了ncDR、SM2miR、RNAInter和NoncoRNA等多个权威数据库，构建了“miRNA–lncRNA–药物”异构网络。该模型巧妙地将lncRNA作为调控中介，融合多源生物特征，并引入扩散扰动表示增强与代价敏感生成对抗学习策略，大幅提升了特征鲁棒性，有效破解了正负样本严重不平衡的难题。
图2 mDADGAN模型总体框架示意图（来源：论文Figure 1）
在模型设计方面，mDADGAN以lncRNA作为连接miRNA与药物反应的重要调控中介，融合RNA序列、二级结构、相似性和药物分子指纹等多源特征，并利用异构图卷积学习潜在表示。同时，模型引入扩散扰动表示增强机制和代价敏感生成对抗学习策略，在提升特征鲁棒性的同时，更好地应对正负样本严重不平衡问题。
本研究涉及多源生物数据整合、异构网络构建、扩散建模、生成对抗训练、十折交叉验证和案例分析等计算密集型环节。广西大学超算平台为模型训练、参数调优和大规模实验验证提供了重要算力支撑。
研究团队进一步通过冷启动实验、代价权重分析和消融实验验证了关键模块的有效性。该研究为非编码RNA介导的药物反应关联预测提供了新的计算思路，有望为肿瘤药物反应机制研究、药物敏感性和耐药性分析以及精准医学中的候选生物标志物发现提供计算支持。
2026年5月，张锦雄老师、唐春艳老师团队的研究论文“MDCDR: Predicting cancer drug response via multimodal feature fusion and feature disentanglement”于被国际生物信息学重要期刊、中国计算机学会CCF推荐交叉/综合/新兴领域B类国际学术期刊《Briefings in Bioinformatics》录用发表（论文在线链接：https://doi.org/10.1093/bib/bbag299）。Briefings In Bioinformatics隶属于生物学大类，中科院二区期刊，最新影响因子为7.7，论文第二作者为硕士研究生徐贺东。
该论文提出了一种在融合层面运作的特征解耦模块，通过多粒度对比学习分离出跨域共享反应模式与特定药物-细胞系私有模式，在此基础上构建层级化融合模块，促进上下文融合特征与结构融合特征的深度互补与协同增强，从而在提升临床预测精度与泛化能力的同时，增强模型机制的可解释性。实验结果表明MDCDR在临床前和临床数据集上显著优于现有方法，并对新细胞系和新药物表现出良好的泛化能力。此外，对急性髓性白血病的案例研究表明，MDCDR具有阐明通路-药物关联的能力，为精准治疗提供了可生物学解释的指导。
2026年6月，钟诚教授、唐春艳老师团队在药物分子生成领域取得重要进展，研究论文"Geometric Structure-Aware Diffusion Model with Self-Optimization Strategy for Molecular Generation"被国际知名期刊、中国科学院文献情报中心期刊分区表2025年3月升级版一区期刊《Journal of Chemical Theory and Computation》录用发表（论文链接：http://pubs.acs.org/doi/abs/10.1021/acs.jctc.5c02183）。论文第一作者为硕士研究生杜文锋。
随着人工智能技术的飞速发展，基于生成模型的分子设计正成为加速新药研发的新引擎。该研究提出了一种创新的几何结构感知扩散模型——MolGD，为分子生成与优化任务提供了全新解决方案。针对传统模型生成分子结构不合理的问题，MolGD专门设计了一个几何结构感知网络（GSAN）作为核心数据预测模块，用于从噪声数据中直接预测真实分子数据。GSAN网络通过分子图注意力网络（MGAT）在拓扑消息传递过程中巧妙融入几何信息，并利用几何重构网络（GRN）精准更新原子空间位置，成功实现了分子结构的一体化建模。此外，MolGD在分子属性上展现出强大实力：一方面，将量子属性作为条件约束，指导生成具有特定目标量子性质的分子；另一方面，结合自优化策略，引导模型生成类药性高且易于合成的分子。目前，MolGD模型在分子生成的有效性、稳定性、特定量子性质生成以及类药性优化等核心指标上均达到了国际领先水平（SOTA）。这一突破性成果不仅验证了AI在分子设计中的巨大潜力，也为未来的智能药物研发开辟了全新思路。
