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: 数字建模从组织学预测空间通路活性，揭示肿瘤微环境异质性；q-bio: 斯坦福医疗AI监控框架：确保部署后系统安全有效；q-bio: 非均匀分支随机游走：结合谱系与密度效应建模细菌菌落生长
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。
2025-12-11 共 20 条抓取，按综合热度排序
本研究提出一种计算框架，能够直接从常规苏木精-伊红染色的组织学图像中，预测微米级分辨率（55和100微米）的空间通路活性。利用计算病理学基础模型提取的图像特征，研究发现TGFb信号通路是三个独立的乳腺癌和肺癌空间转录组数据集中预测最准确的通路。在87-88%的可信预测案例中，生成的空间TGFb活性图反映了肿瘤区域与邻近非肿瘤区域之间的预期对比，这与TGFb在调节肿瘤微环境内相互作用的已知作用一致。值得注意的是，线性和非线性预测模型表现相似，表明图像特征可能与通路活性呈主要线性关系，或非线性结构相对于测量噪声较小。这些发现证明，从常规组织病理学中提取的特征可以恢复空间上连贯且具有生物学可解释性的通路模式，为在肿瘤微环境研究中整合基于图像的推断与空间转录组信息提供了一种可扩展的策略。
斯坦福医疗团队提出并实践了一套AI系统部署后监控框架，旨在确保AI在医疗场景中的持续安全、质量和效益。该框架围绕系统完整性、性能和影响三大支柱构建，不仅关注技术运行状态与准确性，还评估系统对临床医生和患者的实际价值。文章提供了针对传统AI和生成式AI的具体监控计划制定指南，并讨论了资源有限、组织复杂性等实施挑战，为医疗机构提供了确保AI长期可靠运行的实用模板。
本文提出了一种新颖的非均匀分支随机游走框架，用于模拟生长过程。该模型创新性地将分支速率和位移分布与个体谱系相关联，以更真实地刻画如细菌菌落生长等现象。现有随机模型通常假设个体行为独立同分布，或仅考虑时空非均匀性，而忽略了基于谱系的非均匀性对过程长期行为的影响。研究通过在二维空间中构建多个分支速率和位移分布随谱系、时间、空间变化的模型，并利用计算机模拟调整参数，观察生成的结构，并将其与真实细菌菌落图像进行比较，以探究生长模式的形态。
本文为生成模型中常见的“温度调节”启发式方法提供了物理解释框架。研究发现，在具有巨大“能隙”的系统中，从稀疏数据中学习会导致模型系统性高估高能态概率，而降低采样温度可以纠正此偏差。研究进一步量化了最优采样温度如何取决于数据规模与系统底层能量景观的相互作用，并指出在某些条件下，提高温度反而能获得更好的生成性能。该框架将温度调节转化为揭示真实数据分布特性和模型学习极限的诊断工具。
本研究提出一个元学习框架，用于发现循环神经网络中支持结构化信用分配的局部学习规则。该方法通过“学习过程的切向传播”优化可塑性参数，产生仅依赖局部信息和延迟奖励的三因子学习规则，为理解生物循环回路中的学习机制提供了新视角。
本研究提出NeuroSketch框架，通过系统性的模型架构优化来提升脑机接口中的神经解码性能。研究从基础架构分析入手，发现二维卷积神经网络在解码任务中表现优异，并从时空角度探究其有效性。在此基础上，从宏观到微观逐层优化架构，在视觉、听觉、言语三种模态，EEG、SEEG、ECoG三类脑信号以及八种解码任务上进行了超过5000次实验验证。结果表明，NeuroSketch在所有评估数据集上均达到了最先进的性能水平。
单细胞组学数据分析常受批次效应干扰。本研究提出基于高斯混合模型的MoDaH算法，首次为批次校正提供了严格的理论保证。在明确参数化批次效应的新模型下，作者建立了校正误差的最小最大最优界，并证明MoDaH通过利用各向异性高斯混合聚类的最新理论进展达到了该最优界。在多种单细胞RNA-seq和空间蛋白质组学数据集上的实验表明，MoDaH在去除技术噪声与保留生物信号之间取得了优异平衡，其经验性能媲美甚至超越当前主流启发式方法。
本研究提出了一种面向多GPU集群及未来E级超算的新型脉冲神经网络构建方法。该方法基于消息传递接口（MPI），允许每个进程独立构建局部连接，并预先准备数据结构，从而在状态传播过程中实现跨集群的高效脉冲交换。研究通过分别使用点对点通信和集合通信，展示了两种皮层模型的扩展性能，为大规模复杂延迟微分方程系统的模拟提供了高效的通信与内存管理方案。
本研究针对部分观测的线性和近线性随机微分方程模型，提出了首个基于微分代数的结构可辨识性分析通用框架。该框架通过推导描述系统统计矩动态的确定性递推关系，迭代构建仅包含观测矩的方程，从而确定结构上可辨识的参数组合。研究明确了SDE模型结构可辨识性的定义，并揭示了初始条件对可辨识性的影响，为校准生物等领域的随机模型提供了关键理论工具。
本研究提出了一种名为QCAI的新型后验可解释AI方法，旨在解读Transformer解码器中的交叉注意力机制，以理解T细胞受体与pMHC复合物之间的结合。为解决XAI方法定量评估的难题，团队构建了包含274个实验确定结构的TCR-XAI基准数据集。评估表明，QCAI在该基准上，无论是可解释性还是预测准确性，均达到了最先进的性能水平。
本研究通过推广一类描述生物系统中持久瞬态行为的模型，揭示了一种产生超均匀性的新机制。在该模型中，粒子对共享资源的竞争将种群导向一个具有长个体寿命的临界稳态。其空间扩展形式表现出超均匀的密度涨落。通过显式粗粒化，研究者建立了与随机模拟结果高度吻合的流体动力学理论。与以往的非平衡超均匀态模型不同，该模型即使在趋近临界点时也不存在守恒律，超均匀性源于系统趋近临界点时相互作用范围的发散。
本研究提出SimpleFold，首个基于流匹配（flow-matching）的蛋白质折叠模型。它摒弃了传统模型中计算昂贵的三角更新、显式配对表示等专用模块，仅使用标准Transformer块与自适应层，通过生成式流匹配目标进行训练。该模型参数量达30亿，在约900万个蒸馏蛋白质结构及实验PDB数据上训练。在标准基准测试中，SimpleFold-3B性能与最先进模型相当，且在通常难以实现的集成预测方面表现优异。其通用架构使其在消费级硬件上部署和推理更高效，为蛋白质折叠模型设计开辟了新路径。
本文提出了一种名为SAPIN的新型计算模型，旨在解决传统神经网络依赖全局反向传播这一生物学上不合理的机制。SAPIN受主动推理和生物神经形态可塑性启发，在二维网格上运行，通过最小化局部预测误差进行学习。其核心创新在于结合了局部的类赫布突触可塑性规则和细胞在网格上迁移以优化信息接收场的结构可塑性机制，从而同时学习如何处理信息（突触权重）以及如何配置计算资源（网络拓扑）。模型在经典的Cart Pole强化学习基准测试中成功实现了平衡策略，验证了其通过最小化预测误差维持稳态的内在驱动力。
本研究提出了一种基于黎曼流形（对称正定矩阵空间）的计算框架，用于量化步态运动。通过Log-Euclidean度量将原始骨骼姿态序列转化为几何特征向量，分析不同速度（慢、中、快）下的步态变异性和平滑度。与传统欧几里得方法显示的线性增长模式不同，黎曼度量揭示了一种非线性的“倒U型”模式，表明高速运动时系统趋于稳定，遵循最小努力的测地线轨迹，优化了运动效率。这为临床生物力学诊断和可解释机器学习模型提供了更敏感、更稳健的分析基础。
传统模型认为灵长类视觉皮层有两条通路：腹侧通路负责物体识别，背侧通路处理空间和动作信息。本研究整合解剖学、神经影像学和神经心理学证据，提出并证实存在第三条视觉通路。该通路从早期视觉皮层经运动敏感区V5/MT延伸至上颞沟，专门处理面部表情、眼神注视和身体动作等动态社交线索，用于推断他人意图与行为。这一发现更新了对视觉皮层功能组织的理解，并强调了上颞沟在社会认知中的核心作用。
研究调查了印度150只成年流浪狗对不同人类奖励的偏好。实验发现，高价值食物（鸡肉）最能驱动流浪狗接近并保持接近行为，而抚摸虽然能引发更高的亲和行为得分，但比食物更快让狗感到满足。这表明流浪狗在与陌生人互动时，优先考虑高能量摄入而非社交互动，符合最优觅食策略，以平衡能量需求与潜在风险。
本研究整合强化学习建模、转录组学和神经影像学，揭示了人类与猕猴在逆转学习任务中行为表现差异的神经机制。两者在奖赏预测误差的编码层面具有相似的神经信号与基因表达模式，但人类在将误差信号转化为适应性行为时，更广泛地募集了背侧前扣带回和背外侧前额叶皮层。适应性差异的关键在于前额叶对误差信号的“读取”与转化效率，而非编码能力本身。
本研究提出多模态癌症检测网络（MMDCNet），通过整合医学影像的视觉特征与患者临床数据，显著提升乳腺癌自动检测性能。该方法采用计算机视觉技术处理影像，同时通过全连接网络学习结构化患者元数据，将两类特征融合形成综合表征。在Mini-DDSM数据集上，准确率从79.38%提升至90.87%，在纯影像数据集上也达到97.05%的准确率，证明了多模态学习在医疗诊断中的潜力。
Uchimata是一个用于可视化基因组3D结构的工具包，包含一个用于网页渲染的JavaScript库和一个用于Jupyter Notebook的Python组件。其主要特点包括提供表达性视觉编码方式，并能根据基因组语义和空间特征对3D结构进行筛选。该工具包设计为与Python生态中的生物信息学工具高度集成，采用MIT开源协议，代码已在GitHub和Zenodo上发布。
肠道微生物群通过脑肠轴双向调节睡眠生理，影响神经递质（如血清素、GABA）、短链脂肪酸代谢及昼夜节律。菌群失调与睡眠障碍、神经炎症及免疫功能障碍相关。研究表明，益生菌、粪菌移植等微生物靶向疗法有望恢复睡眠稳态，为神经退行性疾病和代谢综合征提供干预新思路。