q-bio
01-30 00:00
本研究提出了一种结合颜色直方图分析与卷积神经网络（CNN）的皮肤病变分类新方法。研究引入“病变颜色数量”作为关键诊断特征，通过分析PH2、ISIC2016和Med Node三个公开数据集的像素值，利用基于PH2的颜色直方图算法估计缺失的颜色真值。设计并训练了一个包含残差跳跃连接的19层CNN，根据颜色数量将病变分为三类，最佳模型加权F1分数达75%。采用DeepDream和LIME进行特征可视化与决策解释，结果表明病变颜色数量是描述皮肤状况的重要特征，所提模型在临床诊断支持中展现出潜力。
皮肤病变分类颜色直方图卷积神经网络医学图像分析特征可视化临床诊断
q-bio
01-30 00:00
本研究提出ATTNSOM框架，用于预测细胞色素P450酶对小分子药物的代谢位点。该模型通过共享图编码器、分子条件化原子表示和跨亚型注意力机制，整合了分子的内在反应性与不同P450亚型间的关联代谢模式。在两个原子分辨率标注的基准数据集上，ATTNSOM在多个P450亚型上均表现出优异的Top-k预测性能，并显著提升了马修斯相关系数，证明了显式建模跨亚型关系对于提升代谢位点预测准确性的重要性。
药物代谢p450酶图神经网络注意力机制代谢位点预测计算生物学
q-bio
01-30 00:00
本研究提出了一种直接从脑电图（EEG）数据构建微分动态因果网络的新方法，以解决脑系统从微观到宏观尺度病理生理建模的挑战。该方法基于条件耦合的神经元回路，描述了对观测EEG数据有贡献的相互作用神经元群体的平均行为。网络节点代表参数化的局部神经系统，有向边代表具有传输参数的节点间连接。网络采用分层结构，节点和边参数在个体间变化但遵循混合效应模型。研究开发了一种新颖的进化优化算法，使用从随机微分方程的Chen-Fliess展开导出的损失函数进行参数推断。该方法在合成和真实EEG数据上进行了评估，并在癫痫活动分析中成功追踪了表征动态因果性的参数变化，揭示了癫痫发作前后因兴奋-抑制性中间神经元失衡和连接改变导致的网络功能中断。
动态因果网络脑电图分析癫痫研究参数推断混合效应模型神经建模
q-bio
01-30 00:00
本研究开发了一个整合知识图谱、通路分析和网络药理学的计算流程，以阐明阿育吠陀单味草药治疗2型糖尿病和肥胖的多靶点机制。研究从印度阿育吠陀药典中筛选出11种草药及其188种植物化学成分，通过构建Neo4j知识图谱，识别出PTPN1、GLP1R、DPP4和PPARG等关键疾病相关靶点。分析揭示了草药成分作为“植物化学混合物”的分子机制，与FDA批准的协同药物组合机制一致，并发现了结构不同但作用于共同或不同疾病通路的互补性植物化学对，为开发多靶点疗法提供了新思路。
网络药理学知识图谱阿育吠陀糖尿病肥胖多靶点治疗
q-bio
01-30 00:00
本文提出ToxSearch-S方法，通过引入物种形成的质量-多样性进化算法，改进大型语言模型的红队测试。该方法并行维护多个高毒性提示的生态位，而非仅优化单一最佳提示。实验表明，相比基线方法，ToxSearch-S达到了更高的峰值毒性（约0.73 vs. 约0.47），并覆盖了更广泛的语义主题（更高的有效主题多样性 $N_1$ 和更大的独特主题覆盖 $K$）。形成的物种在嵌入空间中分离良好（平均分离比约1.93），并展现出不同的毒性分布，表明该方法能将对抗性空间划分为行为差异化的生态位，从而揭示更广泛的攻击策略。
红队测试质量-多样性算法物种形成大型语言模型对抗性提示毒性检测
q-bio
01-30 00:00
本文提出BrainFuse，一个旨在弥合神经科学与人工智能之间基础设施鸿沟的统一平台。它通过三个核心能力解决算法、计算与部署挑战：1）将详细的神经元动力学（如Hodgkin-Huxley模型）集成到可微分学习框架中；2）在GPU上实现高达3000倍的系统级加速；3）提供高度兼容的流程以支持神经形态硬件部署。实验表明，BrainFuse能在单芯片上高效部署约3.8万个HH神经元与1亿个突触，功耗低至1.98W，同时赋予AI模型更强的输入噪声鲁棒性和时序处理能力。
计算神经科学神经形态计算可微分模拟生物物理模型ai硬件部署跨学科平台
q-bio
01-30 00:00
研究通过扩展经典SIR模型，提出HeSIR模型以量化行为异质性对疫情传播的影响。模型假设个体在感染性与易感性上存在高低两种模式，并引入网络同质性（风险偏好相似者更易互动）参数。研究推导出包含度分布与同质性的疫情阈值闭合表达式，发现阈值附近存在“复苏区”，感染数可能先降后升，导致大规模传播。模拟验证了该机制，并证明HeSIR可映射为标准SIR过程，为理解行为差异（尤其在群体分化时）对防控的潜在破坏提供了统一框架。
行为异质性疫情传播模型网络同质性hesir模型流行病阈值复杂网络
q-bio
01-30 00:00
本研究提出SMB-Structure，一种用于结构化电子病历（EHR）的“世界模型”训练范式。它结合了联合嵌入预测架构（JEPA）与下一个标记预测（SFT），旨在模拟患者状态随时间推移和干预措施而演变的动态过程，而非仅仅预测下一个标记。模型在纪念斯隆凯特琳癌症中心（23,319名患者）和INSPECT肺栓塞队列（19,402名患者）上得到验证。线性探针评估表明，该方法学习到的嵌入能捕捉疾病动态，在患者异质性高的复杂任务上表现优于自回归基线。
电子病历建模世界模型患者动态模拟联合嵌入预测临床人工智能纵向数据分析
q-bio
01-30 00:00
本研究提出RNAGenScape，一种用于生成属性优化mRNA序列的新框架。该框架通过联合训练自编码器与属性预测器，学习数据的内在流形结构，并利用属性引导的朗之万动力学在该流形上进行迭代优化。该方法将更新投影回流形，确保生成的序列具有生物活性，避免了传统方法可能产生的非功能性序列。在三个不同规模的mRNA数据集上，RNAGenScape将中位属性增益提升了最高148%，成功率提高了30%，同时保持了生成序列的生物可行性。
mrna设计序列生成流形学习朗之万动力学属性优化生物信息学
q-bio
01-30 00:00
本研究提出了一种热信息学新框架，能够直接从任意数据集的微观状态分布中推导出熵、内能、温度和亥姆霍兹自由能等宏观热力学变量。该数据驱动方法可用于描述系统如何重组、交换信息以及在稳定与不稳定状态间转换。应用于母婴双人脑电实验，该框架捕捉到任务切换和错误时“信息热”的增加，并揭示正确选择源于更稳定、低“温度”的状态。在独立的光遗传学实验中，同一组变量成功区分了不同刺激条件，并在热力学状态空间中描绘出连贯的轨迹。该框架为跨物种、跨模态的复杂系统分析提供了紧凑且物理解释性强的宏观描述工具。
热信息学复杂系统脑电分析宏观变量数据驱动跨物种研究
q-bio
01-30 00:00
本文提出了scDataset，一个PyTorch数据加载器，旨在解决在数亿细胞规模的单细胞组学数据集上训练深度学习模型时，数据无法全部载入内存的难题。它通过结合块采样与批量获取技术，实现了准随机采样，在保证I/O效率的同时维持了训练所需的小批量数据多样性。在包含1亿细胞的Tahoe-100M数据集上，相比真正的随机采样，scDataset实现了超过两个数量级的加速，且能直接处理AnnData文件。理论分析和多个分类任务的实验表明，其性能与真正的随机采样相当。
单细胞组学深度学习数据加载高效采样pytorch大规模数据
q-bio
01-30 00:00
本研究提出了一种新的动力学模型，将人群个体的移动与病原体在人群中的传播动态进行耦合。模型假设当易感者与感染者足够接近并持续一定时间时，传播才会发生。研究证明，该模型在形式上与经典的SIRS流行病模型兼容。通过引入适当的无量纲变量并考虑其趋近于零的极限，模型可简化为一个对流-漂移-扩散型的偏微分方程（介观模型），其空间均匀解恰好退化为SIRS模型。研究还证明了模型特定实例解的存在唯一性，并探讨了其在连接动力学模型、演化博弈论和数理流行病学方面的应用与推广潜力。
动力学模型流行病传播sirs模型偏微分方程个体移动数理生物学
q-bio
01-30 00:00
本研究结合主动推理与信息论，探索了多智能体系统中“联合能动性”与“集体知识”的涌现过程。通过模拟鸟群动态，研究者发现，当每个智能体在最小化自身自由能的同时与邻居相互耦合时，它们会自组织形成一个更高阶的统计边界（马尔可夫毯），使整个“鸟群”可被视为一个拥有自身感觉、行动和内部状态的涌现智能体。面对外部扰动（如“捕食者”）时，鸟群展现出比个体更快、更协调的响应。关键的是，协同信息分析表明，鸟群编码了关于捕食者位置的信息，这些信息并非每个个体都能获取，从而证明了隐性的集体知识。
群体智能主动推理集体知识自组织信息论多智能体系统
q-bio
01-30 00:00
本研究针对显微图像恢复中动态范围大、关键结构稀疏且对比度空间变化等独特挑战，提出了一种新的对数焦频损失函数（LFFL）。该方法受人类视觉对数感知原理启发，结合了对数空间差异的自适应频谱加权和对数阻尼误差测量，确保在所有频带上实现平衡重建，同时保持结构连贯性和精细纹理。在具有真实基准数据的荧光细胞核去模糊和斑马鱼胚胎图像去噪任务中，相比仅使用空间域损失或现有频域损失的方法，该框架在多项质量指标上均取得了提升。
图像恢复显微成像生成对抗网络频域损失生物图像处理对数感知
q-bio
01-30 00:00
本文是两篇系列文章的第二部分，聚焦于基因调控序列的长期演化理论。通过整合转录因子- DNA 相互作用模型，研究者可以构建一个全局、生物物理现实且定量的基因型-表型图谱，用于模拟调控序列的长期演化。文章回顾了上位性、鲁棒性、可演化性等进化概念在调控序列演化中的应用，并探讨了若干基本问题，例如从头演化一个顺式调控元件需要多长时间，以及序列空间中存在多少非平凡的调控功能。最后，文章评估了建立调控序列演化统一理论的可能性，并指出了关键的开放挑战。
基因调控顺式调控元件演化理论基因型-表型图谱可演化性
q-bio
01-30 00:00
本研究以生理学家的视角，深入剖析了一个用于拟合神经活动的先进基础模型（Wang et al., 2025）。通过分析模型“神经元”对参数化刺激的时间响应特性，并构建解码流形与编码流形，揭示了模型不同处理阶段（前馈编码器、循环模块、读出模块）在表征结构上的本质差异。研究发现，循环模块通过“推开”不同时间刺激模式的表征，实现了能力跃升，其“管状性”度量指标量化了这种刺激依赖的神经活动发展，具有生物学合理性。然而，读出模块的高保真度依赖于大量特化特征图，而非生物合理机制。研究为理解神经基础模型的内部工作机制提供了窗口，并提出了通过早期引入循环和约束读出特征来增强模型生物合理性的设计思路。
神经基础模型表征分析循环神经网络生物合理性计算神经科学
q-bio
01-30 00:00
本文综述了吸引子动力学作为神经回路基本计算模式的作用，它通过稳定的自持神经活动模式支持多种认知功能。作者回顾了四个关键案例：海马空间表征、颞下皮层视觉分类、知觉适应与启动，以及由感觉历史塑造的工作记忆偏差。研究表明，自联想神经网络模型能够揭示生物神经系统基于吸引子的信息处理机制，并阐明经验如何塑造神经活动与行为的共同计算原则。
吸引子网络神经计算认知功能自联想模型海马体工作记忆