集成统计与机器学习的生物研究自动化分析平台
本研究提出一个集成平台，将经典统计方法（如t检验、ANOVA、相关性分析）与随机森林分类等机器学习技术相结合，旨在解决生物研究中多工具切换导致的工作流效率低下问题。平台实现了自动超参数优化、特征重要性分析及数据预处理，为无丰富编程经验的研究者提供了统一接口。初步测试表明，该平台能在保持方法严谨性的同时，通过提升分析效率和可解释性来加速生物发现流程。
2025-12-01 速览 · 定量生物学
2025-12-01 共 24 条抓取，按综合热度排序
BeeRNA：基于人工蜂群算法的RNA三级结构逆折叠设计方法
本研究提出BeeRNA，一种基于人工蜂群优化算法的RNA逆折叠设计方法，旨在解决为特定三级结构设计核苷酸序列的计算难题。该方法结合碱基对距离筛选与基于RMSD的结构评估，并考虑热力学约束与自适应突变率，以生成具有平衡GC含量的生物合理序列。在短链与中链RNA（<100 nt）设计上，BeeRNA在保证高结构保真度的同时实现了实用的CPU运行时间，为合成生物学与生物技术中的RNA设计提供了新的无训练、轻量级工具。
基于密度神经时序点过程的心跳动态建模研究
本研究将密度神经时序点过程应用于18名受试者的心跳动态建模。该方法利用时序点过程捕捉潜在的生理归纳偏置。研究者从经典点过程文献中引入拟合优度框架，用于优化神经时序点过程的超参数、确定捕捉时间依赖性的合适训练序列长度，并在心跳数据上展示了零样本预测能力。
DeepPNI：基于语言和图模型的突变驱动蛋白-核酸结合能预测
本研究开发了名为DeepPNI的深度学习回归模型，用于预测氨基酸突变对蛋白-核酸复合物结合自由能的影响。模型整合了来自1951个突变的结构与序列特征，其中结构特征通过边缘感知RGCN编码，序列特征由蛋白质语言模型ESM-2提取。在五折交叉验证中，模型取得了0.76的平均皮尔逊相关系数，并在蛋白-DNA、蛋白-RNA子集及不同温度的实验数据集上表现一致，证明了其泛化能力与鲁棒性。
有限序列数据可重构一级系统发育网络的条件与算法
本研究首次为一级半有向系统发育网络的有限序列重构问题建立了理论边界。针对允许谱系合并的进化网络模型，研究证明在Cavender-Farris-Neyman演化模型下，重构正确网络所需的序列长度随分类群数量呈对数、多项式或多对数级增长，具体取决于参数区间。研究同时提出了新的四分类群推断规则，为网络重构提供了算法基础。
新方法揭示新冠病毒变异株全球传播路径：非洲和印度次大陆为主要突变源
研究者开发了一种名为S-EPS的系统发育无偏框架，通过分析2020年3月至2024年6月期间全球13个区域的660万份新冠病毒基因组数据，揭示了其全球传播的源-汇动态。研究发现，非洲和印度次大陆是产生关键突变的主要源头，东南亚是早期传播枢纽，而俄罗斯和南美洲则主要扮演了“接收者”的角色。关键突变在源地区建立适应性所需时间更长，但一旦受体结合域上的氨基酸替换在主要源头达到1%的流行率，就有80%的概率传播到其他地区，中位领先时间为2个月。
短期突触可塑性通过蹦床机制唤醒被遗忘的记忆
本研究通过理论分析和数值模拟，揭示了短期突触可塑性在Hopfield联想记忆网络中的关键作用。研究发现，短期可塑性虽对临界记忆容量提升有限，但在超载状态下能显著增强记忆提取。其机制类似于蹦床：网络活动轨迹短暂接近某个被存储但已遗忘的记忆模式时，短期可塑性会动态降低该模式附近的能量，从而“捕获”并稳定网络状态，实现记忆唤醒。研究还发现了与瞬态动力学匹配的最佳可塑性时间常数。
谱Koopman算子框架：为随机反应网络提供低维动态表征
本研究提出了一种用于随机反应网络的谱Koopman算子框架。该框架通过利用Koopman算子的紧致性，能够从模拟或实验数据中直接提取主导谱模式，从而为这类高维、复杂的连续时间马尔可夫跳跃过程提供一个可处理的低维动态表征。该方法不仅能高效预测所有初始状态下的矩、事件概率等统计量，还推导了连续时间参数敏感性和交叉谱密度，为探究噪声结构和频域行为提供了新工具。研究在合成细胞内反馈控制器、随机振荡器等生物相关系统中验证了其有效性。
细胞如何共享有限资源？新理论揭示分支状肌动蛋白网络的共存与选择机制
本研究提出了一种理论，解释了细胞中不同密度的分支状肌动蛋白网络如何在一个共享且有限的单体池中动态共存。核心发现是，网络的生长会局部消耗单体，从而在密度与生长速率之间形成负反馈回路，这一竞争关系可由一个中心方程描述。理论分析表明，随着竞争强度增加，网络会从共存状态转变为选择状态，而无需特定的分子过程参与。该理论与时空模拟结果高度一致，表明局部单体消耗是调控分支肌动蛋白网络生长的决定性因素。
LAYER框架：可解释AI揭示筋膜等非肌肉组织在腰背肌筋膜痛中的关键作用
本研究开发了名为LAYER的可解释人工智能框架，用于分析三维超声图像中的六个组织层，并量化它们对肌筋膜性腰背痛的预测贡献。基于超过4000次扫描的大规模队列，研究发现非肌肉组织（如深筋膜膜）对疼痛预测具有显著贡献，其显著性甚至接近肌肉组织，挑战了传统以肌肉为中心的疼痛研究范式，为疼痛机制理解和靶向治疗提供了新的定量、可解释的分析工具。
利用大规模并行模仿学习模拟小鼠前肢肌肉骨骼抓取动力学
本研究开发了一个行为驱动的仿真平台，用于模拟高保真的行为动力学、生物力学和神经回路。通过整合来自神经科学实验室的运动学数据，建立了一个在生物力学模型中复现自然运动的流程。研究团队在模拟物理环境中，利用模仿学习框架，使肌肉骨骼模型执行灵巧的前肢抓取任务。得益于JAX和Mujoco-MJX的GPU加速，小鼠手臂模型的训练速度超过每秒100万步。结果表明，对能量和速度施加自然主义约束，能使模拟的肌肉骨骼活动更好地预测真实的肌电图信号，这为能量和控制约束在建模肌肉骨骼运动控制中的关键作用提供了证据。
电子密度图提升3D分子学习：在亲和力预测与量子性质任务中展现优势
本研究评估了电子密度图作为3D分子学习输入的潜力。相比传统的原子类型表示，电子密度图提供了连续且物理基础更强的信息。在蛋白质-配体结合亲和力预测（PDBbind）和量子性质预测（QM9）任务中，基于体素的3D卷积神经网络测试了原子类型、原始电子密度和密度梯度幅度三种输入。结果显示，在数据有限时，基于密度的输入在亲和力预测中表现更优；在量子性质预测中，即使输入密度来自较低精度方法，基于密度的输入在大规模数据下仍能超越原子类型表示，表明其编码了丰富的结构和电子信息。
线性时间识别所有snarls和superbubbles：基于SPQR树的统一框架
本研究首次提出了在线性时间内识别所有snarls的算法，并基于统一的SPQR树框架，同时为superbubbles的识别提供了新的线性时间算法。该框架通过将气泡状结构建模为底层无向图的2-分离器，利用SPQR树编码所有2-分离器的特性，高效地遍历并发现这些结构。算法在多种泛基因组数据集上评估，识别snarls的速度比vg工具快达2倍，识别superbubbles的速度比BubbleGun快达50倍，为泛基因组学中的关键结构分析提供了高效统一的解决方案。
Deep Learning Architectures for Code-Modulated Visual Evoked Potentials Detection
arXiv:2511.21940v1 Announce Type: cross Abstract: Non-invasive Brain-Computer Interfaces (BCIs) based on Code-Modulated Visual Evoked Potentials (C-VEPs) require highly robust decoding methods to address temporal variability and session-dependent noise in EEG signals. This study proposes and evaluates several deep learning architectures, including convolutional neural networks (CNNs) for 63-bit m-sequence reconstruction and classification, and Siamese networks for similarity-based decoding, alongside canonical correlation analysis (CCA) baselines. EEG data were recorded from 13 healthy adults under single-target flicker stimulation. The proposed deep models significantly outperformed traditional approaches, with distance-based decoding using Earth Mover's Distance (EMD) and constrained EMD showing greater robustness to latency variations than Euclidean and Mahalanobis metrics. Temporal data augmentation with small shifts further improved generalization across sessions. Among all models, the multi-class Siamese network achieved the best overall performance with an average accuracy of 96.89%, demonstrating the potential of data-driven deep architectures for reliable, single-trial C-VEP decoding in adaptive non-invasive BCI systems.
化学网络资源分配随机模型揭示新型最优调控机制
本研究分析了化学反应的随机模型，该模型包含三类化学物质，可将外部资源流转化为产物。研究重点探讨了当资源流过低时，通过化学物质R的隔离进行调控的机制，其灵感源于生物细胞基因表达的关键调控机制——严格反应。通过尺度分析，研究意外地发现了三种可能的渐近状态，并对应建立了具有快速过程的随机平均原理。其中一种“最优隔离状态”此前未被识别，它能在低资源输入下仍保持网络状态良好，显示出该调控机制的高效性。
快速动态相似性分析：高效比较神经系统的动态过程
本文提出了一种名为fastDSA的新方法，用于高效比较神经系统的动态相似性。该方法通过数据驱动的奇异值阈值自动选择有效的Hankel嵌入模型阶数，并采用一种新颖的优化过程来替代计算成本高昂的正交约束。实验表明，fastDSA在保持准确性和鲁棒性的同时，计算速度比现有方法快至少一个数量级。
首个扩散Transformer模型实现条件化4D fMRI合成
本研究首次提出了一种用于体素级4D fMRI条件生成的扩散Transformer模型。该模型结合了3D VQ-GAN潜在压缩、CNN-Transformer主干网络，并通过AdaLN-Zero和交叉注意力实现强任务条件化。在HCP任务fMRI数据上，模型成功复现了任务诱发激活图，保持了真实数据中观察到的任务间表征结构，实现了完美的条件特异性，并使ROI时间序列与经典血流动力学响应对齐。模型性能随规模扩大可预测地提升，任务诱发图相关性达0.83，RSA达0.98，在所有指标上均超越U-Net基线。
实验揭示神经元隐藏状态：电压钳与电流钳结合构建稳态分岔图
本研究提出了一种通用实验方案，通过结合慢斜坡电压钳（闭环反馈）和电流钳（开环）电生理学协议，系统构建了内嗅皮层神经元（兴奋性与抑制性）的稳态分岔图。该方法能动态揭示电流钳实验中稳定与不稳定（隐藏）的稳态，并通过观测稳态与峰电位状态间的转换，为稳态的稳定性与分岔提供证据。这种不依赖模型的技术扩展了模型验证的范围，覆盖了相空间中原本无法触及的区域，并实验验证了经典的慢-快分解方法。该研究为利用更先进的控制策略观测复杂隐藏状态、超越药理学操作控制真实细胞开辟了新途径。
固定树拓扑假设对系统动力学推断的影响评估
本研究系统评估了在病毒数据集上使用固定树拓扑策略对系统发育和系统动力学参数估计的影响。研究发现，替换模型和位点模型的全局参数对固定拓扑假设具有鲁棒性，而依赖于树时间结构的参数，如分子钟速率、节点年龄和种群动态历史，则可能出现显著偏差。结果强调了在计算效率与推断准确性之间寻求平衡的重要性，并呼吁开发更快速、同时整合拓扑和参数估计的时间感知方法。
深度学习揭示猕猴V4视觉皮层编码地形图：形状与纹理分离处理
本研究利用基于大规模钙成像数据训练的深度神经网络模型（V4“数字孪生”），系统探究了猕猴中级视觉皮层V4区神经元对多种视觉特征的编码组织方式。研究发现，偏好二维轮廓形状的神经元也倾向于偏好由阴影或纹理梯度定义的三维表面形状；而偏好二维纹理的神经元则更倾向于偏好由均匀纹理定义的平坦表面。这表明V4可能将视觉刺激的几何形状和表面外观编码分解给不同的神经元群体，并以交错簇的形式组织在其地形图中。
动态环境中细胞大小调控参数的统计推断新方法
本研究提出了一种基于分段确定性马尔可夫链的新框架，用于在动态环境中建模细胞大小调控。该方法将细胞分裂事件建模为依赖于当前细胞大小和出生后新增大小的随机跳跃，并用尺度、形状和分裂策略三个参数来表征分裂过程。研究者推导了分裂概率的解析公式，并基于此建立了最大似然估计框架，系统评估了不同样本量下的推断准确性。该模型适用于分析动态环境中细胞大小调控的新实验数据。
FoldSAE：通过稀疏表示学习引导蛋白质折叠
本研究将稀疏自编码器（SAE）应用于蛋白质结构生成模型RFdiffusion的内部表示，揭示了与二级结构相关的可解释特征。基于此发现，团队开发了一种新颖的引导机制，通过可调超参数实现对蛋白质二级结构形成的精确控制，同时揭示了模型内部块级和神经元级的可解释表示。这项工作为增强RFdiffusion的可解释性提供了新框架，并展示了如何将对内部特征的理解直接转化为对蛋白质设计过程的精确控制。
deepFEPS：统一生物序列特征提取的深度学习工具包
针对生物序列（DNA、RNA、蛋白质）的机器与深度学习应用，常因特征提取过程分散于多个库和预处理步骤而面临门槛。本研究开发的deepFEPS是一个开源工具包，它将k-mer嵌入、文档级嵌入、基于Transformer的编码器、自编码器潜在特征及图嵌入等五类前沿特征提取方法，整合进一个统一、可复现的工作流。该系统通过网页或命令行界面接受FASTA输入，输出可直接用于分析的特征矩阵，并自动生成包含序列统计、维度、稀疏度、方差分布及可视化诊断的质量控制报告。deepFEPS降低了生物信息学中现代表示学习的实践障碍，有助于用户快速将原始序列转化为下游分类、聚类和预测建模所需的高级嵌入特征。
生态演化博弈中的随机波动：环境反馈与种群规模依赖
本研究在Tilman等人建立的生态演化博弈动力学框架基础上，探讨了包含环境反馈机制的双策略系统中的随机波动问题。研究采用Ω展开法进行系统分析，结果表明：当宏观方程的内点均衡渐近稳定时，各策略的种群规模会围绕该均衡值波动，其方差收敛于一个与环境承载力成正比的常数。模拟验证了Ω展开近似的有效性，并证实了结论的可靠性。这类似于Fudenberg和Harris针对无限种群在外部噪声下的随机复制动力学，表明当环境承载力足够大时，生态演化博弈的动态稳定性可以扩展到随机体系。