q-bio
02-05 00:00
本研究提出了一种新方法，将描述生长中自催化系统的n维常微分方程（ODE）网络，重新表述为一维延迟微分方程（DDE），以刻画其长期动力学。该方法通过追踪反应路径上的生物质转移，将网络的整体放大效应和转移延迟总结为DDE的核函数，该函数可作为自催化动力学的特征标识。这种降维的DDE公式化方案，使得不同拓扑结构和复杂度的反应网络得以比较，并为网络生长速率提供了严格的估计框架。
自催化网络生物质转移延迟微分方程生长动力学反应网络降维
q-bio
02-05 00:00
本研究提出了一种用于生物神经系统的概率建模框架。该框架将生理记录视为一个底层连续时间随机动力系统的离散时间部分观测，该系统通过其状态演化实现计算。我们采用具有可微漂移和扩散函数的耦合随机微分方程系统，并利用变分推断来推断其状态和参数。该框架允许无缝集成现有数学模型、神经网络或两者的混合体，以学习和比较不同模型。通过在三个涵盖不同物种、脑区和行为任务的神经科学数据集上进行评估，结果表明，与复杂的黑盒方法相比，这些混合模型在预测刺激诱发的神经和行为反应方面实现了有竞争力的性能，同时所需参数数量少一个数量级，并能提供不确定性估计和自然的解释语言。
生成模型随机微分方程神经动力学变分推断计算神经科学
q-bio
02-05 00:00
本研究提出了一种两阶段生成模型，用于设计具有新颖化学组成的金属有机框架（MOFs）。该模型克服了现有方法依赖固定构建块和已知局部坐标的限制。第一阶段使用基于SMILES的自回归模型生成金属和有机构建块，并结合化学信息学工具进行3D结构初始化。第二阶段引入一种流匹配模型，预测构建块的平移、旋转和扭转角（$\theta_{\text{torsion}}$），从而将它们组装成有效的3D框架。实验表明，该方法在重构精度、生成有效、新颖且独特的MOFs方面表现优异，并具备创造新型构建块的能力。
金属有机框架生成模型流匹配分子设计结构预测化学信息学
q-bio
02-05 00:00
高通量测序数据是生命科学的基础，并正成为P4（预测、预防、个性化、参与式）医学的一部分。目前，基因组数据处理依赖于高能耗的计算集群和数据中心，存在数据传输、能耗高和耗时长的痛点。本文介绍了BioPIM项目，该项目旨在利用新兴的内存内计算技术，通过协同设计适用于多种PIM架构的算法与数据结构，实现基因组学工作负载的高效、节能、低成本分析，从而摆脱对数据中心和云平台的依赖。
内存内计算基因组学生物信息学能效计算p4医学高通量测序
q-bio
02-05 00:00
本研究开发了一种利用心电图（ECG）客观检测产前心理压力的深度学习方法。研究团队采用ResNet-34编码器，通过SimCLR对比学习在FELICITy 1队列（151名孕妇）的40,692个ECG片段上进行预训练，并利用多层特征提取进行二元分类和连续压力评分（PSS）预测，覆盖母体、胎儿和腹部ECG信号。模型在内部验证中表现优异（胎儿ECG准确率达99.8%，$R^2=0.95$），并在使用不同设备的FELICITy 2 RCT队列中进行外部验证（母体ECG准确率77.3%，AUC=0.826）。基于信号质量的通道选择策略使性能提升12%。该方法为替代主观问卷、实现连续客观的产前压力监测提供了新途径。
产前压力心电图分析自监督学习深度学习医学人工智能对比学习
q-bio
02-05 00:00
本研究提出GPCRLMD，一种用于高效模拟G蛋白偶联受体（GPCR）与配体复合物全原子动力学的深度生成框架。该方法首先通过谐波先验变分自编码器（HP-VAE）将复合物映射到受物理信息约束的规则化等距潜空间，以保持几何拓扑。随后，在潜空间内利用残差潜流采样演化轨迹，再解码回原子坐标。通过以初始结构为锚点的相对位移捕获时间动力学，该残差机制有效解耦了静态拓扑与动态涨落。实验表明，GPCRLMD在GPCR-配体动力学模拟中达到先进水平，能准确复现热力学观测量及关键的配体-受体相互作用。
gpcr模拟生成模型分子动力学变分自编码器潜流模型药物发现
q-bio
02-05 00:00
本研究提出了一个梦境过程的认知与计算模型，旨在调和关于梦境功能的理论分歧。传统观点认为梦境内容源于随机信号，因此可能无重要功能。然而，该模型通过模拟表明，即使是由海马体自发激活的随机信号，也能在梦境睡眠中促进学习与记忆巩固。模型模拟了清醒时模式在睡眠中的神经重放过程，其特性与多项实证研究的结论一致，为“梦境是大脑清醒活动的延续”这一观点提供了计算依据。
计算模型梦境功能记忆巩固海马体神经重放学习机制
q-bio
02-05 00:00
本文综述了将强化学习范式引入演化博弈论的最新进展。传统模型多基于模仿学习，假设个体固定地复制成功邻居的策略，这常导致理论与行为实验的预测偏差。强化学习则假设个体通过试错与环境反馈进行内省式策略优化。综述表明，这一新范式为理解合作、公平、信任、资源协调及生态动力学等复杂社会与生态现象提供了一个统一且有前景的理论框架。
演化博弈论强化学习合作演化社会动力学计算社会科学
q-bio
02-05 00:00
本研究构建了一个基于斑马鱼神经力学仿真的“透明”测试平台，以解决神经回路机制模型缺乏真实基准的验证难题。研究发现，基于大语言模型（LLM）的树搜索方法能够自主发现预测模型，其性能显著优于现有预测基线。研究指出，仅依赖感觉驱动信号不足以实现忠实的系统辨识，模型会利用统计捷径；而引入结构先验知识对于实现鲁棒的分布外泛化及恢复可解释的机制模型至关重要。该成果为真实神经记录建模提供了指导，并为AI驱动的科学发现提供了更广泛的模板。
神经回路建模系统辨识大语言模型树搜索计算神经科学机制模型
q-bio
02-05 00:00
本研究提出BrainVista，一个多模态自回归框架，旨在解决自然态fMRI研究中多模态输入与复杂皮层网络拓扑之间的时间尺度不匹配问题。该框架通过引入网络级标记器解耦系统特定动态，并利用空间混合头捕获网络间信息流。其核心创新在于提出刺激到大脑（S2B）掩蔽机制，以同步高频感官刺激与血流动力学滤波信号，实现严格的历史因果条件建模。在Algonauts 2025、CineBrain和HAD数据集上的验证表明，该模型在fMRI编码性能上达到最优，并在长时程推演中显著优于基线，模式相关性分别提升了36.0%和33.3%。
自然态fmri多模态建模自回归框架大脑动态预测因果建模神经编码
q-bio
02-05 00:00
本研究对226篇关于岛屿生态系统服务与气候变化的同行评议文献进行结构化分析，发现仅30%的研究明确分析了不确定性，超过半数完全未涉及。不确定性评估主要依赖情景分析，概率与集合框架应用有限。文化服务和极端气候影响的不确定性整合程度最低，且少有研究将不确定性处理与政策决策框架关联。在生态阈值狭窄、海陆耦合强、缓冲空间有限的岛屿系统中，对不确定性的忽视会放大决策风险。研究为未来强化不确定性整合指出了具体方向。
生态系统服务气候变化不确定性分析岛屿生态科学评估决策框架
q-bio
02-05 00:00
本研究系统比较了泊松潜变量模型中两种梯度估计方法：指数到达时间模拟与Gumbel-SoftMax松弛。主要技术贡献是对EAT方法的改进，理论上保证了一阶矩的无偏性（精确匹配发放率），并减少了二阶矩偏差。在变分自编码器和部分可观测广义线性模型任务中，改进的EAT方法在分布保真度、梯度质量和超参数鲁棒性方面表现优异，性能常与精确梯度相当。
泊松分布梯度估计计算神经科学潜变量模型变分自编码器
q-bio
02-05 00:00
本研究提出了AtlasPatch，一个用于计算病理学工作流的高效、可扩展的全切片图像预处理框架。它解决了现有工具在组织检测上依赖不准确的启发式阈值，或采用基于AI但计算复杂度高的方法的问题。AtlasPatch的核心是基于约30,000张异质性、半手动标注的WSI缩略图数据集，对Segment-Anything模型进行高效微调，以训练其组织检测模块。该工具将组织掩码从缩略图外推至全分辨率切片，以提取用户指定放大倍率的图像块坐标，并可选择将图像块直接流式传输到常见图像编码器中进行嵌入或存储。评估表明，AtlasPatch在分割精度、计算复杂度和下游多实例学习任务中均达到最先进性能，同时计算成本仅为现有方法的一小部分。
计算病理学全切片图像图像预处理组织检测图像块提取高效微调
q-bio
02-05 00:00
本文提出GROOVE，一种针对高内涵扰动数据的半监督多模态表征学习方法。其核心创新是GroupCLIP损失函数，它弥合了用于配对数据的CLIP与用于单模态监督对比学习的SupCon之间的差距，专门解决弱配对场景下的对比学习问题。该方法结合了动态回译自编码器框架，以鼓励跨模态纠缠表征，同时在共享潜在空间中保持组级一致性。研究还引入了一个全面的组合评估框架，系统地评估不同最优传输对齐器下的表征学习效果。在模拟和两个真实单细胞遗传扰动数据集上的实验表明，GROOVE在下游跨模态匹配和插补任务中表现优异。
对比学习多模态学习弱配对数据表征学习单细胞数据最优传输
q-bio
02-05 00:00
本研究提出S3-GFN模型，通过软正则化序列生成式流网络，结合大规模SMILES语料库学习到的化学先验知识，引导分子生成向高奖励、可合成的化学空间发展。模型采用基于可合成与不可合成样本缓冲区的对比学习信号进行离策略回放训练，实验表明S3-GFN能生成高可合成性（≥95%）且具有更高奖励的分子，解决了传统硬约束方法在灵活性与可扩展性上的不足。
分子生成可合成性生成式流网络药物发现机器学习
q-bio
02-05 00:00
本文提出了一种名为MILCCI的新型数据驱动方法，用于分析大规模重复测量（试验）产生的时间序列数据。该方法能够识别数据背后的可解释成分，捕捉跨试验的变异性，并整合试验的元数据标签信息（如任务难度、动物选择等类别），以区分每个类别标签对数据的具体贡献。MILCCI扩展了稀疏的逐试验分解框架，利用每个类别内的标签相似性，对成分构成进行细微的、标签驱动的跨试验调整，并学习每个成分随时间演化的时间轨迹。其性能在合成数据及投票模式、在线页面浏览趋势和神经元记录等真实世界数据中得到验证。
时间序列分析多标签整合可解释成分数据驱动方法跨试验变异性
q-bio
02-05 00:00
本研究通过修改经典的Wright-Fisher模型，探讨了种群规模变化和短期环境波动如何影响植物种子库（种子休眠）的演化。模型区分了仅产生非休眠种子的野生型个体和产生休眠种子的突变型个体。分析表明，在种群规模下降时，种子库策略更易被选择；而在种群规模恒定或增长时则相反。令人惊讶的是，即使种群规模变化非常缓慢（在进化时间尺度上），这一结论依然成立。数学上，该分析将问题简化为一个受强漂移作用而被限制在流形上的随机动力系统，并通过Lyapunov-Schmidt约化方法，推导出极限扩散系数的显式公式，为具有强漂移和非线性约束的模型提供了一个推导扩散近似的通用框架。
种子库演化种群动态随机动力系统扩散近似wright-fisher模型进化生态学
q-bio
02-05 00:00
本研究通过将公共物品博弈与复杂网络上的流行病模型耦合，揭示了异质性在集体免疫形成中的双重作用。研究发现，社交网络的结构异质性（如枢纽节点）能促进合作并抑制疾病传播，因为高度连接的节点出于自身风险考虑会采取保护策略。相反，个体感染成本的异质性则会破坏合作、放大疫情，形成“最薄弱环节”问题。研究指出，异质性的影响取决于它创造的是影响力不对称（杠杆点）还是动机不对称（薄弱环节），为干预政策提供了新思路。
协同演化复杂网络公共物品博弈流行病模型异质性集体行为
q-bio
02-05 00:00
本研究提出了蛋白质自回归建模（PAR），这是首个通过从粗到细的下一尺度预测来生成蛋白质骨架的多尺度自回归框架。PAR利用蛋白质的层次化特性，像雕刻雕像一样生成结构，先形成粗略拓扑，再跨尺度细化结构细节。该框架包含三个核心组件：多尺度下采样操作、编码多尺度信息的自回归Transformer，以及基于流的、以条件嵌入为指导的骨架原子解码器。研究通过引入噪声上下文学习和计划采样，有效缓解了自回归模型中因训练与生成过程不匹配导致的暴露偏差问题，显著提升了生成质量。值得注意的是，PAR展现出强大的零样本泛化能力，支持灵活的人为提示条件生成和基序支架搭建，无需微调。在无条件生成基准测试中，PAR能有效学习蛋白质分布，生成具有高设计质量的骨架，并展现出良好的扩展性。
蛋白质设计自回归模型多尺度生成结构预测零样本学习深度学习
q-bio
02-05 00:00
本研究结合集总参数模型，通过引入尺寸依赖的室间隔缺损分流阻力与年龄依赖的体肺循环缩放关系，模拟了不同大小室间隔缺损（VSD）在儿童成长过程中的血流动力学变化。研究揭示了VSD尺寸、血管参数与年龄三因素对心内分流、心室负荷及循环压力的综合影响，为构建儿科VSD数字孪生模型、实现个性化医疗管理奠定了理论基础。
计算生理学先天性心脏病血流动力学数学模型儿科心血管数字孪生
q-bio
02-05 00:00
针对全球数百万罕见孟德尔病患儿面临的诊断困境，本研究提出了RareCollab智能诊断框架。该系统将稳定的定量诊断引擎与基于大语言模型的专家模块相结合，整合基因组、转录组测序数据和临床表型信息，对潜在致病变异进行优先级排序。在未确诊疾病网络患者的严格基准测试中，RareCollab实现了77%的前5位诊断准确率，相比广泛使用的变异优先级排序方法提升了约20%。该框架展示了模块化人工智能如何利用多模态证据实现准确、可扩展的罕见病诊断。
罕见病诊断多模态ai孟德尔病变异优先级转录组学智能医疗