今日速览 · AI 导读
自动抓取 arXiv 多学科 RSS，DeepSeek 自动润色标题与摘要，最快 24 小时内汇总。
AI 导读
今日看点（自动摘要）：q-bio: AI实施科学案例：提升大型儿科医疗系统数据可信度的实践；q-bio: BEAT-CF因果模型：指导囊性纤维化急性加重临床试验设计的新框架；q-bio: PanFoMa：轻量级泛癌基础模型与基准数据集发布
数据源：arXiv 官方 RSS（physics / math / cs / q-bio / econ / astro-ph 等）。
标题与摘要由 DeepSeek 进行中文润色，便于快速浏览；外链跳转至原文。
AI 速览助手：点击卡片“速览全文”可拉取 arXiv HTML，生成全文要点并缓存；右下角悬浮按钮可随时展开/收起速览。
自动抓取：每日 14:00 初始化批次并每 15 分钟轮询学科，24h 无数据则回退 72h/7 天；arXiv 周末停更时自动跳过。
往期回顾：点击上方“往期回顾”进入日历页，按月查看每日抓取总数，并跳转到对应日期速览。
2025-12-04 共 24 条抓取，按综合热度排序
本研究在Shriners Children's大型儿科医疗系统中开展了一项AI实施科学案例研究。核心贡献包括：将研究数据仓库现代化为OMOP CDM标准，并部署于安全的Microsoft Fabric环境；开发了一个兼容Python的数据质量评估工具，扩展了现有OHDSi工具，并基于METRIC框架融入了可信AI原则，以评估信息缺失、冗余、及时性和分布一致性。研究还比较了针对颅面短小症的系统和个案特定AI实施策略，为混合实施方法提供了见解。
囊性纤维化（CF）患者肺功能会因急性加重（PEx）而不可逆地下降。为优化PEx管理策略，研究团队构建了BEAT-CF因果模型。该模型是一个结合有向无环图（DAG）和贝叶斯网络（BN）的框架，通过整合临床专家知识，描述了背景风险因素、治疗方案与气道病原体定植如何影响单次PEx结局的因果关系。该模型旨在指导临床试验设计、数据收集与分析，为比较不同PEx管理方法的有效性提供可重复的因果推断框架。
本研究提出了PanFoMa，一个结合Transformer与状态空间模型优势的轻量级混合神经网络，用于学习高效且具判别性的单细胞RNA测序表征。模型通过前端局部上下文编码器捕获复杂的基因相互作用，后端全局序列特征解码器高效整合全局信息。同时，研究构建了包含超过350万个高质量细胞、涵盖33种癌症亚型的大规模泛癌单细胞基准数据集PanFoMaBench。实验表明，PanFoMa在细胞类型注释、批次整合及多组学整合等多个任务上均优于现有先进模型。
本文综述了酪蛋白激酶2（CK2）在果蝇生物钟系统中的核心作用。CK2通过对核心时钟蛋白PER的磷酸化，精确调控其稳定性、核转位与降解，从而决定昼夜节律的时相与稳健性。研究指出，CK2功能失调不仅破坏果蝇节律，其分子机制还与癌症、代谢疾病、神经退行性疾病及精神障碍等人类病理过程密切相关，为理解节律紊乱相关疾病提供了重要模型。
本研究提出SpikGPT，一种混合深度学习框架，用于解决单细胞转录组学中因批次效应或未知细胞群带来的注释挑战。该框架整合了scGPT生成的细胞嵌入表示与脉冲Transformer架构，通过多头脉冲自注意力机制实现高效节能的特征提取。在多个基准数据集上，SpikGPT性能达到或超越了主流工具。其独特优势在于能通过低置信度预测将未知细胞类型归类为“未知”，从而准确识别训练数据中未出现的新细胞状态，有助于发现疾病相关或新型细胞群体。
生物分子的功能依赖于其在多种结构或“构象”之间的转换能力。研究团队提出了ConforMix，一种推理时算法，通过结合分类器引导、过滤和自由能估计，增强了对构象分布的采样。该方法可升级现有的扩散模型，无论是为静态结构预测还是构象生成而训练的，都能更高效地发现构象变异性，且无需预先了解主要的自由度。应用案例表明，该方法能捕捉包括结构域运动、隐秘口袋灵活性和转运蛋白循环在内的结构变化，同时避免非物理状态，展示了其可扩展性、准确性和实用性。
本研究针对细胞培养生物工艺中实时批次过程监控面临的挑战，如历史数据有限、反馈稀疏、过程条件异质等，对多种机器学习方法进行了全面的基准测试。研究评估了特征降维、在线学习和即时学习等方法在一个模拟数据集和两个真实实验数据集上的表现。结果表明，在数据同质环境下批量学习有效，而在冷启动场景下，即时学习和在线学习展现出更强的适应性。研究还发现，进料培养基成分和过程控制策略等元特征对模型可迁移性有重要影响，并指出将拉曼光谱预测与滞后的离线测量相结合可提高监控精度。
细胞间通讯是多细胞生物发育、稳态维持和疾病进展的关键。本文系统综述了利用单细胞和空间组学数据推断细胞间通讯的140余种计算方法，涵盖基于配体-受体先验知识的整合方法与从头推断策略，并探讨了该领域当前面临的挑战与未来机遇。
本研究开发了一个智能体模型，模拟澳大利亚养老院中员工与居民的互动，追踪其移动、任务执行和近距离接触事件。模型发现，中低护理需求居民与早晚班员工的接触频率最高，而高风险接触集中在日常结构化活动中。通过集成空气传播模块模拟发现，单一感染员工即可引发传播，感染风险在接触率高的班次和中度护理居民中最高。疫苗接种场景（尤其是员工与居民共同接种）可将预测传播降低高达68%。
本研究提出了一种结合条件密度估计与图神经网络的近似贝叶斯推断方法，用于分析网络生长过程中的混合机制。该方法将生成机制分配给每条边的形成事件，而非节点层面，从而能够解释网络生成过程及其随时间动态演化。研究验证了该方法能有效推断模型中各机制的相对权重，并应用于多种现实世界网络形成机制的分析。
本研究提出了一种基于向量量化变分自编码器（VQ-VAE）的无监督框架，用于废水基因组测序中的病毒变异检测。该方法无需参考基因组或变异标签，通过k-mer标记序列学习基因组模式的离散码本，并结合掩码重建预训练与对比学习，提升了对高噪声、低覆盖度数据的鲁棒性和嵌入表征的判别力。在包含约10万条读长的SARS-CoV-2废水测序数据上，模型取得了99.52%的平均标记准确率，并通过对比微调使聚类轮廓分数提升超过40%，为公共卫生监测提供了可扩展且可解释的新工具。
本研究探讨了主动推理框架中偏好分布的设定方式如何影响智能体的决策与学习。通过比较四种偏好分布（软/硬目标、是否包含目标塑造）在网格世界导航任务中的表现，发现目标塑造策略能有效提升任务完成效率（促进利用），但会以牺牲对环境动态的学习（阻碍探索）为代价。
本文系统阐述了睡眠调控的基本范式，批判性地分析了当前主流开环方法的内在局限，并正式提出了睡眠闭环调控的概念框架。作者综述了五种常用调控技术的研究，评估其在闭环系统中的整合潜力，并指出构建有效闭环系统的三大核心挑战：传感器方案选择、监测模型设计与调控策略设计，同时提出了潜在的解决方案。这项工作旨在推动睡眠调控技术向个性化、精准化的闭环系统演进。
本研究利用图C*-代数（Toeplitz-Cuntz-Krieger代数）对具有平行连接和反馈回路的大脑突经网络进行建模，将其描述为一个代数量子系统。通过分析该系统的KMS热力学态，研究者发现这些态对应于一个具有记忆衰减的非马尔可夫随机过程的稳态分布，能够捕捉影响力沿指数加权路径的传播，从而提供神经元相互作用的全局统计度量。将该框架应用于秀丽隐杆线虫的突触网络，发现在KMS态熵达到峰值的逆温度下，神经运动神经元成为传入路径结构流的主要枢纽，这与运动在其行为中的基础作用相吻合，表明功能中心性可能源于神经元的拓扑嵌入而非仅局部生理特性。
本研究提出了一种用于生成建模的核相似性匹配框架。该框架将表示学习问题转化为最大化输入核与潜在核之间的相似性，从而自然地导出一个隐式生成模型。该模型能够同时学习自底向上（刺激到潜在）和自顶向下（潜在到刺激）的交互，可用于学习流形结构，并为大脑如何编码任务表征提供新见解。研究还提出了一种基于交替方向乘子法（ADMM）的新算法来求解目标函数。
本文针对生物系统偏微分方程模型参数推断的挑战，提出了一个统一的数学框架——相关积分似然方法。该方法适用于处理具有异质性或混沌动力学的系统，包括模式形成模型和基于个体的模型。研究比较了随机采样策略与确定性梯度流方法，展示了如何在该框架下整合这些方法以提升推断性能，为使用不完整、噪声或异质数据校准复杂生物模型提供了实用工具。
研究提出大脑并非处于单一临界点，而是通过结构模块化与区域兴奋性异质性协同作用，进入一个扩展的格里菲斯相。这一相态提供了宽广的全局兴奋性范围，其中嵌入了一个平衡全局/局部信息传输的最优点。个体在该相态内的不同位置，通过功能连接的灵活配置，形成了独特的全局网络动力学与认知特征，从而在稳健性与灵活性之间取得平衡，适应多样化的认知需求。
美国国立卫生研究院（NIH）Bridge2AI项目组联合领域专家，针对DICOM格式医学影像数据，开发了一套标准操作程序（SOPs），旨在解决数据管理流程缺失问题。该SOPs覆盖静态及前沿视频成像模态，重点规范了数据集中聚合、验证与去标识化流程，并前瞻性地审查了针对面部DICOM扫描的新去面部化方法，以应对AI/ML数据再识别风险。此举是实现可查找、可访问、可互操作、可重用（FAIR）数据，进而构建AI就绪数据集的关键前提。
研究利用云南热带雨林冠层塔吊，通过408个样方和54个数据记录仪，分析了附生苔藓群落的物种与系统发育周转。发现群落垂直周转率比水平高约30%，表明从树干基部到树冠的微气候梯度（如光照）是塑造群落结构的关键环境过滤器，其重要性超过宿主树木年龄等因素。
本研究将拓扑数据分析应用于高分辨率骨图像，提取生物力学相关特征以预测骨强度。研究发现，源自持续同调论的拓扑特征在预测表现上优于传统形态计量学指标，尤其揭示了常被忽略的内部空隙结构具有最强的预测力。该方法为骨质疏松症风险评估提供了新框架。
本研究利用新一代神经质量模型，分析了由90个脑区构成的大规模脑网络的复杂时空动力学。模型通过PING机制显式捕捉兴奋与抑制性神经群落的宏观伽马活动。研究发现，相比经典模型，新一代模型提供了更丰富的动力学行为，并揭示了解剖连接在跨频率耦合中的关键作用，即伽马振荡的振幅可被更慢的节律调制。这些结果增强了大规模脑动力学分析的生物物理基础。
DeepBioisostere是一种深度生成模型，通过自主选择和替换分子片段，实现端到端的生物电子等排体替换，以同时满足多种目标属性。该模型能捕捉分子图上的复杂关系，优化药物相似性和合成可及性等复杂属性，并利用实验生物测定数据学习，在保持生物活性的前提下提出替换方案，甚至能生成训练数据之外的潜在生物电子等排体。
本研究提出了一种基于机器学习的、高效且低成本的方法学框架，用于早期药物开发和临床试验支持。该方法的核心创新在于直接利用PubChem数据库中的预计算标识符（CID和SID），省去了实时生成分子描述符这一计算密集型步骤，从而实现了显著的效率提升。在针对人类D3多巴胺受体拮抗剂等四种不同生物测定的案例研究中，该CID_SID模型平均执行时间仅需3.3秒，远快于依赖结构描述符的传统模型（约106-110秒），同时保持了83.5%的准确率等稳健的平均性能指标。研究表明，在涉及海量化合物筛选的规模化框架中，该方法能极大节省计算资源。
本研究通过一个最小化模型，揭示了环境随机性、种内/种间竞争与扩散如何共同作用，维持物种丰富群落的多样性、稀有物种的普遍性及物种组成更替。研究发现，即使物种具有相同的长期平均适合度，波动也会驱动群落向丰度不均和物种灭绝方向发展，但自我限制和扩散机制能够维持物种丰富的状态。模型在“缓冲-稳定”参数平面上系统预测了不同的经验相关丰度分布形态，并将静态分布与物种更替动态联系起来，为利用群落统计和物种时间序列数据推断生态过程提供了理论框架。