PROTON：图AI生成神经疾病假说，在分子、类器官和临床系统中验证
研究团队开发了名为PROTON的异构图变换器模型，用于生成可在多个层面验证的神经疾病治疗假说。该模型应用于帕金森病、双相情感障碍和阿尔茨海默病研究，成功预测了与疾病相关的关键基因、有毒物质及潜在治疗药物。例如，在帕金森病中准确预测了杀虫剂硫丹的毒性；在双相障碍中预测了骨化三醇的潜在疗效；在阿尔茨海默病中，其预测的5种药物与超过61万患者的临床记录显示出的痴呆风险降低显著相关。
2025-12-17 速览 · 定量生物学
2025-12-17 共 21 条抓取，按综合热度排序
神经调节启发的门控联想记忆网络：扩展记忆检索与涌现多稳态
本研究提出了一种受生物物理启发的联想记忆网络模型，引入了类似神经肽的自适应、活动依赖性门控机制来模拟神经调节作用。通过多体模拟和动力学平均场理论分析，研究发现这种门控机制能从根本上重组网络的吸引子结构：网络绕过了经典的旋转玻璃相变，在远超标准临界容量的情况下仍能保持稳健、高重叠度的记忆检索，且不缩小吸引域。机制上，门控能将存储模式的瞬态“幽灵”痕迹稳定为多稳态吸引子。这为神经调节电路和神经形态架构实现更丰富的记忆动力学与计算能力提供了一条简洁通用的路径。
连续介质中时空Moran动力学的选择性波速差异研究
本研究通过推导连续介质中Moran动力学的时空极限偏微分方程，统一了描述种群结构随机演化的Moran过程与描述确定性波状扩散的Fisher-Kolmogorov-Petrovsky-Piskunov方程。模型区分了繁殖力与生存力两种适应度组分，发现空间Moran生死过程、死生过程与FKPP动力学的选择性波速存在显著差异。研究还扩展了框架至异质介质，并建立了连续空间中等温图类比及局部流守恒条件。
突破深度限制：时间干涉刺激实现人类深部脑区无创精准调控
传统非侵入性脑刺激技术存在深度与聚焦性难以兼顾的局限，使得深部脑区刺激长期依赖侵入性手术。本文聚焦新兴的经颅时间干涉刺激技术，该技术通过计算建模与动物实验验证后，已成功应用于人类，实现了对海马体、纹状体等深部脑区的首次无创、聚焦性电刺激。文章系统梳理了当前证据、作用机制，并讨论了该技术在基础神经科学研究和神经精神疾病干预中的机遇与挑战，以及未来在刺激强度与聚焦性方面的优化方向。
AI增强花粉识别：结合光学与全息显微镜的兽医影像新方法
本研究提出了一种结合光学显微镜与数字同轴全息显微镜（DIHM）的全自动花粉识别方法。针对DIHM图像中存在的散斑噪声和孪生像伪影等挑战，研究团队利用YOLOv8s进行目标检测，MobileNetV3L进行分类。在光学图像上检测准确率达91.3%，分类准确率达97%，而在DIHM图像上性能显著下降。通过引入基于Wasserstein GAN的合成数据增强技术，将DIHM图像的目标检测性能提升了7.25个百分点，达到15.4%，为兽医影像的自动化工作流程提供了重要进展。
球面等变图神经网络完整指南：构建三维分子建模的对称性框架
本文系统阐述了球面等变图神经网络（EGNNs）的理论基础与实现方法，为三维分子与生物分子系统的建模提供了遵循物理旋转对称性的学习框架。通过将节点与边特征表示为球面张量，并利用SO(3)群的不可约表示，模型确保了预测结果在输入旋转下具有物理意义的变化。文章从群表示、球谐函数、张量积等核心概念出发，逐步推导出Tensor Field Network和SE(3)-Transformer等架构，详细解释了如何在几何图上执行等变消息传递与注意力机制。该指南旨在为化学、分子性质预测、蛋白质结构建模及生成模型等领域的研究者提供全面的入门与实现参考。
利用基础模型增强贝叶斯优化，加速分子发现
本研究提出了一种无需显式代理建模的贝叶斯优化新方法，直接利用通用大语言模型和化学专用基础模型的知识来指导候选分子选择。该方法通过构建分子搜索空间的树状分区，并结合基于蒙特卡洛树搜索的局部采集函数，实现了高效探索。引入基于大语言模型的粗粒度聚类，将评估范围限制在具有更高统计属性值的分子簇内，显著提升了大规模候选集的可扩展性。实验表明，该方法在样本效率、鲁棒性和可扩展性方面均优于现有方法。
加速MHC-II表位发现：多尺度预测抗原呈递新方法
本研究针对MHC-II抗原表位预测的挑战，整合并标准化了来自IEDB等公共数据库的数据，构建了包含肽段结合、肽段呈递和抗原呈递三个递进任务的机器学习数据集。通过多尺度评估框架对现有模型进行基准测试，并采用模块化设计分析了不同建模方案。该工作为计算免疫疗法提供了宝贵资源，为机器学习指导的表位发现和免疫反应预测建模奠定了基础。
EXAONE Path 2.5：首个整合组织学与多组学的病理学基础模型
本文提出了EXAONE Path 2.5病理学基础模型，旨在克服仅依赖图像模型的局限，通过联合建模组织学、基因组、表观遗传和转录组等多模态数据，构建更全面的肿瘤生物学表征。模型核心包括支持跨模态对比学习的多模态SigLIP损失函数、保留空间结构的片段感知旋转位置编码模块，以及为WSI和RNA-seq提供专业嵌入的内部基础模型。在包含80项任务的Patho-Bench基准测试和内部临床数据集上，该模型展现出与顶尖模型相当的性能和最高的临床适应性，突显了整合基因型与表型建模在下一代精准肿瘤学中的潜力。
AnySleep：首个通道无关深度学习系统，实现高分辨率多中心睡眠分期
本研究提出AnySleep深度学习模型，解决了传统睡眠分期依赖特定电极配置和30秒固定时长的局限。该模型利用任何可用的脑电或眼电数据，可在可调时间分辨率下进行睡眠分期。在来自21个数据集的近20万小时多中心数据上验证，模型在30秒分期上达到最优性能，且在仅使用单通道数据时仍保持稳健。更重要的是，在30秒以下的分辨率上，模型能更精准地捕捉短暂觉醒，并提升对年龄、性别及睡眠呼吸暂停等生理与病理特征的预测能力，为大规模异质性睡眠研究和新型生物标志物发现提供了强大工具。
语言学家应关注语音深度学习模型：超越文本的局限
本文回应Futrell和Mahowald关于深度学习与语言学理论融合的框架，指出其过度聚焦于生成式文本大模型（LLMs）的局限性。作者认为，许多关于人类语言的有趣问题（如韵律、语调、实时加工）无法通过书面文本充分捕捉。因此，语音（音频）为基础的深度学习模型应成为语言学研究的核心工具，以更全面地探索语言本质。
社交媒体情绪轨迹解码：基于时间语义网络的潜在抑郁评估新方法
本研究提出了一种融合多尺度时间原型学习的语义解析网络模型，用于从社交媒体文本中评估潜在抑郁状态。该模型通过捕捉用户情绪表达的时间模式和语义原型，不仅能实现高精度的抑郁状态检测，还能提供具有临床意义的、关注症状持续时间的解释。在大规模数据集上的验证表明，其性能优于现有方法，并能识别出传统调查方法未系统记录的特定情绪表达模式。该框架为心理健康资源的精准配置提供了新工具。
PrIVAE：几何保持变分自编码器用于生物序列设计与优化
本研究提出了一种名为PrIVAE的几何保持变分自编码器框架，用于解决生物序列（如DNA、RNA、肽）设计中优化高维复杂功能属性的挑战。与依赖简单二元标签的现有模型不同，PrIVAE通过学习尊重属性空间几何结构的潜在序列嵌入，将属性空间建模为可通过最近邻图局部近似的高维流形。该框架利用图神经网络编码层和等距正则化器，引导潜在表示学习，从而构建出按属性组织的潜在空间，实现基于目标属性的理性序列设计。在DNA模板荧光金属纳米团簇和抗菌肽设计两个生成任务上的评估表明，模型在保持高重建精度的同时有效组织了潜在空间。湿实验进一步验证了其实际效用，对DNA纳米团簇的设计实现了高达16.1倍的稀有属性富集。
基于树对称性的多元高斯模型及其环面结构研究
本研究通过给定带颜色和零值节点的有根树，构建了一个由树组合结构决定的对称矩阵线性空间。该空间作为协方差矩阵时，推广了系统发育学中的布朗运动树模型；作为浓度矩阵时，则得到一类彩色高斯图模型。论文重点探讨了在何种条件下其逆矩阵空间构成环面簇，并证明了当导出图满足顶点正则且为块图时，通过导出拉普拉斯变换，该逆空间可由环面理想刻画。
基于加权核稀疏与全变分正则化的Pap染色RGB图像分解方法
本研究提出了一种无需训练的Papanicolaou（Pap）染色分解新方法，用于处理仅含三个通道的RGB图像。该方法通过引入加权核稀疏性（针对苏木精染色）和全变分平滑性约束，将主观的颜色观察转化为可量化的染料浓度。验证表明，其染色定量结果与多光谱成像高度一致。应用该技术区分宫颈小叶腺体增生（LEGH）前癌病变细胞与正常细胞时，基于染色丰度的分类器准确率高达98.0%，展现了RGB图像染色分解在定量诊断中的巨大潜力。
首次实验测量组织粘度，揭示细胞集体迁移中力与运动的关系
本研究开发了一种新方法，首次实验测量了上皮组织的粘度，其量级约为100帕·小时。通过分析剪切应力与应变率的分布，研究发现肌动蛋白细胞骨架和细胞间粘附的增强会提高组织粘度。该工作将组织粘度确立为描述上皮组织力学行为的有意义参数，并建立了组织微观结构与材料特性之间的直接联系，为区分细胞集体迁移中的主动力与构成性应力提供了关键一步。
冬小麦田野燕麦生态管理：不同密度下产量损失模型与经济阈值研究
本研究通过田间试验量化了野燕麦对冬小麦的竞争影响，并确定了不同小麦密度下的经济防治阈值。结果表明，提高小麦播种密度可显著抑制野燕麦的竞争力，并允许在采取化学干预前容忍更高的杂草密度。这为将播种密度调整作为综合杂草管理的关键措施提供了依据，有助于优化经济效益并减少除草剂使用。
新方法精准估算低流行传染病传播率
本研究提出了一种改进的逆向方法，用于估算低流行环境下传染病的时变传播率。该方法结合了连续和离散逆向方法，并引入了指数B样条插值技术，确保即使在病例观察稀疏的情况下，也能获得非负且平滑的传播率估计。研究利用中国真实数据，在猩红热、多株流感及年龄结构流感等模型中验证了该方法的准确性和鲁棒性，为流行病学建模和公共卫生决策提供了可靠的技术支持。
基于脑电α纺锤波动态与机器学习的麻醉过深预测新方法
本研究提出了一种实时、数据驱动的框架，利用前额脑电图提取α纺锤波动态特征，通过经验模态分解分割瞬态事件并提取振幅、时长等统计特征。采用LightGBM分类器在包含麻醉诱导、维持和苏醒阶段的临床数据集上进行训练。模型对麻醉阶段分类准确率超80%，并能提前90秒以96%的准确率预测标志麻醉药物过量的等电位抑制发生。该方法为非侵入性、可解释的预测工具，有助于预防麻醉过深及其术后不良影响。
Arbor-TVB：首个多尺度脑模拟框架，揭示癫痫从局部发作到全脑传播机制
本研究首次将微观神经元模拟器Arbor与宏观全脑模拟平台TVB集成，构建了名为Arbor-TVB的多尺度协同模拟框架。该框架通过MPI通信实现实时双向交互，将Arbor产生的离散神经元脉冲信号与TVB的连续区域平均活动相互转换。其模块化设计允许独立选择各尺度模型，并以癫痫为例，展示了如何模拟特定脑区癫痫发作及其向全脑传播的过程，为研究神经疾病机制和优化干预策略提供了新工具。
华南亚热带水库叶绿素a多因子建模研究
本研究基于2020-2024年对广东三座水库的长期监测数据，分析了水温、总氮、总磷与叶绿素a的动态关系。研究发现叶绿素a浓度呈上升趋势，且总氮比总磷对藻类增殖的影响更为显著。团队据此构建并校准了一个动态多因子水生态模型，该模型能高精度模拟叶绿素a变化，揭示了水温与营养盐的协同效应，为水库富营养化预测与科学管理提供了理论工具。