2025-12-18 共 16 条抓取，按综合热度排序
本研究针对肾透明细胞癌（ccRCC）中预后不良的脂质缺乏型亚型（DCCD），构建了一个分层跨尺度分析框架，用于术前无创分子分型。该框架通过跨模态映射，将分子特征与组织病理学及CT影像表型关联，建立了“分子-病理-影像”的监督桥梁。其中，PathoDCCD模型捕获了从细胞形态到组织结构的微观多尺度特征，而RadioDCCD模型则整合了全肿瘤及其亚区域影像组学与异质性度量等宏观信息。在总计1659名患者的五个队列中验证，该框架能可靠地复现分子亚型并进行术前预测，成功识别出临床结局最差的患者群体。
本研究针对高致病性禽流感（HPAI）在奶牛群中的传播，建立了一个包含环境病原库和随机噪声的随机SEI_sI_aR-B仓室模型。通过理论分析确定了模型解的正定性和有界性，推导了无病平衡点和地方病平衡点，并利用下一代矩阵法计算了基本再生数。数值模拟验证了理论结果，并表明随机波动对疾病持续存在有显著影响。敏感性分析指出，无症状感染牛的传播率（$\beta_a$）是疫情传播的主要驱动因素。研究强调，有效的防控策略需优先关注无症状携带者的早期检测与隔离，并加强环境管理。
本研究提出了一种新颖的多尺度数学框架，将描述宿主内感染动力学的常微分方程组与描述封闭空间内病原体空气传播的扩散型偏微分方程耦合。通过匹配渐近分析，在中等扩散率条件下，从耦合系统中推导出一个保留空间异质性的非线性常微分方程模型。该模型在充分混合极限下可恢复经典的靶细胞限制病毒动力学框架，为同时研究瞬态宿主内感染动态和群体水平疾病传播提供了可处理且具有生物学基础的建模工具。
本研究通过定制生长室和生物信号放大器，记录了烟草在12小时人工光周期下的动作电位（APs），发现光暗转换时存在一致的光诱导和暗诱导APs。基于Hodgkin-Huxley框架的数学模型成功复现了这些生物电响应。在自然光下仅观察到光诱导APs（POCE现象），而人工光周期快速转换时则出现光暗诱导APs的耦合动态（NETO现象）。模型通过电压无关的速率参数保持了计算效率，为理解植物环境应激的电生理机制提供了定量工具。
本研究针对膀胱癌联合疗法中细胞间相互作用随时间变化的问题，提出了一种在稀疏数据场景下学习时变参数的方法。传统固定参数模型难以捕捉治疗干预下的动态演化，而实验数据往往仅有少数时间点的肿瘤体积记录。作者采用物理信息神经网络（PINN）方法，利用已知的生物物理约束，预测未观测时间点的细胞亚群轨迹。该方法为学习外部干预下生物体间的演化相互作用提供了一个计算框架，且结果与亚群轨迹的生物学解释一致。
本研究提出Primer C-VAE，一种基于变分自编码器（VAE）和卷积神经网络（CNN）的可解释深度学习模型，用于自动设计特异性PCR引物。该模型在SARS-CoV-2变异株（Alpha、Beta、Gamma、Delta、Omicron）分类上达到98%的准确率，并能生成变异株特异性引物。这些引物在目标变异株中出现频率>95%，在其他变异株中<5%，在计算机模拟PCR测试中表现良好。对于Alpha、Delta和Omicron，模型生成的引物对能产生<200 bp的片段，适用于qPCR检测。该方法也成功应用于大肠杆菌和福氏志贺菌等具有长且相似基因组的生物，展现了其灵活性与可靠性。
本文针对染色质追踪FISH-omics实验数据缺乏标准化交换规范的问题，提出了社区开发的FOF-CT文件格式。该格式基于已发布的显微镜元数据标准，旨在标准化来自不同成像模态的处理结果，以促进数据的共享、复用和分析。作者介绍了FOF-CT格式，并展示了其在4DN数据门户和OME图像数据资源中管理的精选数据集，通过示例分析流程说明了标准化、FAIR兼容的数据集在促进数据整合、建模和获取生物学新见解方面的潜力。
本文提出了一种名为广义最大感染边减少（gLRIE）的动态资源分配策略，用于控制两个相互竞争的节点状态（如健康与感染）在社交网络中的扩散。该策略基于最小风险-最大收益原则，适用于通用的连续时间SIS类扩散模型，允许任意的节点状态转移速率函数。研究表明，gLRIE是随时间最小化感染节点数量的贪婪解。模拟结果显示，该策略在多种场景下（包括小型社区的现实中对抗传播活动）均优于现有替代方案。
本文研究种群在随时间周期性变化的网络节点上扩散与增长的模型。不同于以往通过复杂数学工具推导精确条件的方法，作者利用线性系统间的初等比较原理，提出了一个易于验证的充分条件，用于判断种群能否实现整体增长。特别地，当所有节点自身均为“汇”（即无扩散时种群会在各处灭绝）时，该条件表明：只要满足特定要求，即使扩散强度随周期呈指数级减小，种群也能在长周期下实现增长，从而正面回答了一个已知猜想。
本研究针对存储多个离散吸引子的神经网络，提出了一种关于其固定点局部稳定性的普适理论。通过直接分析雅可比矩阵谱的体分布和离群值，研究证明，当网络负载低于一个临界值时，所有固定点都是稳定的。该临界值不同于经典的“临界容量”，它取决于固定点中神经活动的统计特性以及单神经元的激活函数。分析特别强调了阈值线性激活函数和类稀疏模式的计算优势。
本研究通过顶点模型结合主动力波动，揭示了细胞运动如何调控组织粘弹性响应。模型成功复现了体节前中胚层的应力松弛动力学，提取出内在力学时间尺度，并捕捉到运动依赖性在弹性与粘性行为间的转变。研究发现，在时空脉冲式外力作用下，组织表现为力学滤波器：长波长输入被累积，而短波长扰动被快速抹除。模拟局部运动热点可产生持续的突出组织变形，与脊椎动物肢芽早期形态一致，为运动驱动活性、波长选择性力学记忆与组织图案涌现建立了最小框架。
本研究通过改良的条件性幻觉任务，结合情绪操纵，探讨了压力与负性情绪在早期精神病幻觉生成中的作用。研究发现，精神病患者比健康对照组表现出更高的幻觉发生率和先验权重。更重要的是，在压力情境下，所有参与者的先验权重均显著增加，表明情绪状态可能通过增强适应不良的先验信念来诱发幻觉。这为理解幻觉的贝叶斯计算模型（即先验信念压倒感官证据）提供了初步的行为证据。
本研究提出了一种模型无关的度量指标 Ω，用于量化离散动力系统中的开放演化（OEE），即系统持续产生新表型而非最终趋于稳定的能力。Ω 通过计算随时间实现的吸引子序列中，每个吸引子周期长度的驻留时间加权贡献来评估 OEE。在随机布尔网络（RBNs）测试平台上，研究比较了经典布尔动力学与多种受生物学启发的非经典机制（如概率上下文切换、退火规则突变、次协调逻辑、模态必然/可能门控以及量子启发的叠加/纠缠）。结果表明，与不可判定性相关的、状态依赖的机制是实现持续创新的关键条件。
本文综述了机器学习在RNA靶向小分子药物设计中的应用。由于RNA与蛋白质在结构特征和与小分子相互作用上存在根本差异，针对蛋白质设计的机器学习模型无法直接应用于RNA。因此，研究者们开发了RNA特异性的方法，主要聚焦于结合位点识别和虚拟筛选。文章系统比较了不同任务下的机器学习工具、方法及其在RNA特异性背景下的相关性。作者强调了建立标准化、面向药物设计的评估方法的必要性，并提供了建立这些标准的明确指南，同时提出了一个用于评估当前模型预测特定药物-RNA相互作用能力的基准。
本文提出了一种新的信息瓶颈框架——功能信息瓶颈（fIB），用于严格区分神经网络中的概率表征与启发式编码。传统方法仅关注表征的统计充分性，而fIB额外引入了最小性要求，以识别那些真正执行概率计算（如贝叶斯后验推断）的神经编码。研究应用该框架分析了在静态推理（线索组合、坐标变换）和动态状态估计（卡尔曼滤波）任务上优化的神经网络。结果表明，这些网络并未发展出对贝叶斯后验的最小化编码，而是依赖于对输入的启发式重编码。这挑战了先前关于此类网络会自然形成概率表征的结论，并为系统性地探究神经回路在复杂决策中如何表征概率信息奠定了方法论基础。
本文提供了一套完整的胃电图采集与分析教程，旨在降低该技术的应用门槛。研究团队使用低成本OpenBCI Ganglion放大器进行数据采集，并开发了一套开源处理流程。该流程包含异常值剔除、频率滤波、运动伪影过滤以及基于独立成分分析的降噪步骤。与传统方法依赖人工主观选择单一通道不同，本方法在自动剔除干扰成分后，从所有记录通道重建胃电信号，从而减少了数据损耗、保留了全部通道信息，并降低了研究者主观偏差的影响。教程附有原理验证，表明该方法相比传统方法能有效减少数据剔除率。