2026-01-15 共 18 条抓取，按综合热度排序
本研究针对经典单室泵漏模型无法描述上皮细胞与封闭管腔相互作用的局限，构建了一个包含细胞内室与管腔室的双室泵漏模型。该十维系统模型推导了被动与Na+/K+-ATPase驱动主动系统的解析平衡态，分析了生理参数对平衡的影响及系统的局部稳定性。全局敏感性分析揭示了离子与体积稳态的主要决定因素，并发现Na+/K+-ATPase在基底膜与顶膜的定位存在根本差异：顶膜钾离子循环不足可导致管腔体积失控性膨胀。该框架为研究上皮转运及预测泵定位与电导变化导致稳定功能或病理性管腔扩张提供了数学可处理且生理学基础扎实的理论工具。
本研究为确定性去噪扩散模型（DDDM）提供了坚实的理论解释。通过引入反向转移核（RTK）框架，将确定性与随机性扩散过程统一于概率形式主义下。研究表明，直接去噪过程隐式优化了噪声样本与干净样本间的结构化传输映射，从而解释了其高效推理的原因。RTK视角不仅确保了数值稳定性、消除了随机方差以提高样本一致性，还支持了保持SE(3)等变性的可扩展去噪器。在GEOM-DRUGS数据集上的实验表明，该方法比随机扩散模型收敛更快、结构保真度更高，同时保持了化学有效性。
本文针对生物医学研究中常见的区间删失协变量问题，提出了一种新的半参数估计方法GELc。该方法基于广义线性模型，通过增强Turnbull非参数估计器来处理协变量的区间删失数据。理论证明GELc估计量在温和正则条件下具有一致性和渐近正态性，并提供标准误估计。模拟研究验证了其良好的有限样本性能和置信区间的满意覆盖率。方法已应用于艾滋病临床试验和营养学观察研究，并开发为R包ICenCov。
本文揭示了费希尔基本定理（描述自然选择引起的基因频率变化）是一个更普遍数学规则的特例：回归预测在变化环境中的分解。该规则指出，平均响应的总变化可分解为两项之和：一项归因于预测变量的差异（回归系数保持不变），另一项归因于环境变化导致的回归系数偏移。这一分解在经济学中被称为Oaxaca-Blinder分解，是因果分析的基本工具。认识到其数学普适性有助于澄清费希尔定理的争议，并为跨学科因果推断提供统一框架。
本文提出“几何稳定性”作为表征分析的新维度，用于量化表征结构在扰动下的稳健性。通过Shesha框架在七个领域的2,463种配置中验证，发现稳定性与相似性指标（如CKA）在经验上几乎不相关（$\rho \approx 0.01$），且机制不同：相似性在移除主成分后失效，而稳定性仍能捕捉精细流形结构。该指标在安全监控中可更敏感地检测结构漂移，在可控性预测中与线性可操纵性高度相关（$\rho = 0.89$-$0.96$），并能揭示迁移学习中的几何代价。
本研究构建了在随机环境中、种群规模可变条件下，单倍体种群“彩票式繁殖”的种群遗传模型。模型无需对种群规模或突变率做强假设，即可恢复样本中观察到的突变数量。主要成果包括：推导出连续时间合并过程（Kingman合并或Beta/Poisson-Dirichlet合并族）；在大种群中，时间尺度与N/log N或N代成正比；纳入种群规模波动后，得到时间变换的多重合并过程；通过模拟揭示了特定情况下，合并过程泛函的近似与吸引域中祖先过程的差异。
本研究利用完整和撕裂状态肩袖肌腱的全体积位移数据集，通过变分系统识别（VSI）方法求解应力平衡方程的弱形式，以推断其材料特性。实验采用沿纤维方向拉伸，激活了肌腱复杂几何结构下的体积、拉伸和剪切机制。研究对比了neo-Hookean模型、含高阶不变量的修正Holzapfel-Gasser-Ogden（HGO）模型以及仅含三项的简化多项式模型。结果表明，修正HGO模型能较准确地捕捉肌腱变形机制，而neo-Hookean模型无法复现损伤肌腱的关键剪切行为；简化多项式模型仅用三项即达到与修正HGO模型相当的精度。这为肌腱损伤与修复的临床级预测模拟提供了模型基础。
本研究提出了一种名为SGAC的新型抗菌肽分类框架，旨在解决现有方法的两大瓶颈：一是难以有效捕捉肽的三维空间结构信息，二是训练数据中已知抗菌肽与大量非抗菌肽之间的严重类别不平衡。SGAC首先利用轻量级OmegaFold预测肽结构，并基于Cα原子构建肽图以捕获其骨架几何与空间拓扑。核心创新在于结合了图神经网络提取结构特征，并引入了权重增强对比学习与权重增强伪标签蒸馏技术，前者通过自适应权重聚类结构相似的肽，后者为未标记样本生成高置信度伪标签，从而协同实现平衡且一致的表征学习。在公开数据集上的实验表明，SGAC性能显著优于现有基线方法。
本研究系统评估了开放神经影像数据集（OpenNeuro）中元数据的隐私风险。通过开发并应用软件工具 metaprivBIDS，对符合 BIDS 标准的 TSV/JSON 文件计算了多种隐私度量指标（如 k-匿名性、l-多样性、SUDA、PIF）。研究发现，总体隐私保护状况良好，严重漏洞罕见，但几乎所有数据集都存在可缓解的问题。关键发现是：临床评分数据（如神经心理学结果）的重识别风险较低，而人口统计学变量（如年龄、出生时性别、性取向、种族、收入、地理位置）是主要的隐私脆弱点。研究最后提出了实用的风险缓解措施，以促进更安全的数据共享实践。
本文提出了一种“假设优先”的神经影像机制建模框架，旨在弥合统计模型与生物物理模型之间的鸿沟。该框架将模型规范转化为可检验的机制假设，并在进行常规分析前，通过特征泛化约束下的模型行为预期来筛选和剔除不恰当的假设。核心创新在于计算模型在更广泛特征$Z$的似然下，于参数空间内对输出$Y$的期望，并由此推导出镜像统计模型与实证结果进行比较。合成实验表明，该框架能有效拒绝错误假设、惩罚不必要的自由度，同时保留有效假设，为无需高级专业训练即可使用机制模型提供了实用途径。
本研究提出一种无监督贝叶斯推断方法，仅需一次双轴力学测试即可识别心肌组织的正交各向异性超弹性本构参数。该方法利用全场运动学数据替代传统多模式测试，结合稀疏反力测量，在合成心肌组织样本上成功恢复了Holzapfel-Ogden模型参数及其不确定性。该方法显著减少了样本需求和实验操作，为活体软组织的不确定性量化表征提供了新途径。
本文介绍了geohabnet，一个用于评估地理位置在物种扩散中潜在重要性的R软件包。该工具超越了传统的栖息地适宜性制图，通过整合扩散概率、栖息地适宜性等关键因子，在网络框架下分析栖息地连通性。它利用公开或用户提供的数据集、六种网络中心性指标及用户选择的地理尺度，为宿主依赖性物种（如病原体、害虫、传粉者）的扩散路径提供量化分析。文中以非洲和美洲新兴植物害虫的监测优先级为例，展示了如何生成地理位置重要性地图，为生物安全、入侵科学和保护生物学中的管理工作提供快速、开源且可重复的基线评估。
本研究开发了一种图神经网络（GNN）替代模型，用于加速一个包含年龄结构和空间分辨率的机制性元胞自动机模拟模型。该模型在模拟德国400个县的空间图上，针对不同疫情阶段和最多三个接触变化点进行测试。采用ARMAConv架构的GNN在30-90天的预测范围内，实现了10-27%的平均绝对百分比误差（MAPE），同时运行时间相对于预测范围保持（接近）恒定。与原始机制模型相比，评估速度最高提升了28,670倍，为时间紧迫的决策场景提供了即时、可靠的响应工具。
本研究提出了一种基于反馈对齐的新型局部学习规则，利用间接的低维误差反馈来训练大型神经网络。该方法将前向传播与反向传播解耦，在保持高维表示的同时，精确控制误差信号的维度。理论推导从线性网络出发，并成功扩展到非线性、卷积和Transformer架构。实验表明，即使误差维度低至任务维度级别，其性能也能与传统反向传播相媲美。这一突破不仅为构建更符合生物学的学习模型铺平了道路，也挑战了神经网络训练中对高维梯度信号的常规依赖。
本研究针对一种罕见的先天性心脏病——动脉干（TA）进行了计算机模拟分析。约25%的TA患者存在四叶式主动脉瓣形态，这与瓣膜反流和再手术风险增加相关。研究团队基于一名新生儿患者的术前和术后CT影像及超声心动图数据，建立了患者特异性的瓣膜模型，并模拟了手术修复前后的血流动力学条件。模拟结果显示，术前存在轻度反流，瓣膜开闭不对称且中心对合不良。术后血流动力学条件的改变显著改善了瓣膜的中心对合，从而消除了反流，与体内观察结果一致。该研究表明，TA修复术后血流动力学的改变本身即可改善瓣膜性能，为理解术后恢复机制提供了新见解。
本研究通过扩展简化的核回归模型，建立了小脑样网络中观察到的连接模式与学习能力之间的数学联系。利用机器学习理论，发现非随机连接结构会塑造网络的归纳偏好：若函数依赖于被过度采样的输入，或依赖于倾向于连接到相同隐藏层神经元的神经元集合，则更容易被学习。该方法为理解小脑样网络中其他处理模式的功能意义提供了分析框架。
本文系统回顾了过去三十年为满足可扩展、灵活的祖先模拟与推断需求而发展出的祖先重组图采样器。祖先重组图是群体遗传学的重要理论工具，但其广泛应用长期受限于匹配大规模数据分析所需的计算成本。近二十年来，随着计算瓶颈的逐步突破，涌现出日益复杂的ARG模拟与推断软件。文章重点评估了各类采样器的性能、易用性及底层算法的生物学真实性，旨在为希望自行开发‘带重组的溯祖’采样器的研究人员提供全面的技术概览。
本研究基于广义高斯导数模型，对视觉简单细胞与复杂细胞的时空感受野模型进行了深入的理论分析。模型将感受野描述为适应不同图像速度与拉伸程度的仿射高斯导数。通过用不同角频率与速度的运动正弦波刺激这些理想化模型，我们以类似于神经生理学实验的方法，表征了其方向与速度选择性。理论结果与初级视皮层神经元的生理测量数据一致，表明存在对特定运动方向与速度敏感的神经元，且不同神经元的选择性范围存在差异。该研究支持了初级视皮层的简单细胞应具有局部伽利略协变性，以处理不同运动方向与速度视觉刺激的假说。