q-bio
01-23 00:00
研究揭示了当前AI架构在在线神经记忆中存在“稳定性鸿沟”：当使用共享的连续参数（如神经网络权重）同时进行快速事实存储和语义知识提取时，记忆会迅速崩溃。通过定义语义密度（ρ），研究发现即使具备完美注意力和无限上下文，仅需存储5个高密度相关事实（ρ > 0.6）或20-75个中等密度事实，准确率就会坍缩至接近随机水平。这种失败源于存储与检索共享同一基质的写入干扰，并导致生产系统中出现40-70%的模式漂移和0-100%的校正率波动。研究借鉴神经科学的互补学习系统理论，提出“知识对象”作为离散、类型化的记忆单元，与神经权重配对，构建真正的双轨学习架构。
神经记忆稳定性鸿沟语义密度互补学习系统知识对象ai架构
q-bio
01-23 00:00
本文提出将量子互补性重新解释为一种认知原则，而非关于实在的本体论主张。通过重新审视爱因斯坦-玻尔论战，作者揭示了描述完备性与语境意义之间的持久张力。基于此，文章引入了“认知互补性”作为在非经典不确定性下进行推理的结构性原则，并提出了“量子直觉”这一可检验的认知能力。量子直觉被定义为一种能够维持表征多元性、调控承诺时机并以语境敏感方式解决视角不相容性的能力。该框架为量子测量理论与认知科学之间建立了原则性桥梁，并为研究不可约不确定性下的决策行为开辟了实证路径。
量子直觉认知互补性量子测量认知科学不确定性决策爱因斯坦-玻尔论战
q-bio
01-23 00:00
本研究探讨了基于结构化定性访谈的大语言模型（LLMs）能否生成近似真实个体的心理测量反应，并评估其对特质强度变化的敏感性。26名成人完成了开放式访谈和四项标准化自评量表。GPT-4o和Qwen3-235B-A22B根据访谈内容推断个体心理特征，并以角色身份回答问卷。结果显示，两种模型在所有量表上的表现均优于随机基线，GPT-4o展现出更高的准确性和可重复性。模拟反应在ASRS、BAARS-IV和RAADS-R量表上与人类数据高度匹配，但在AQ量表的“关注细节”子量表上存在局限。研究表明，基于访谈的LLMs能够生成连贯且优于随机水平的神经发育特质模拟，支持其作为合成参与者在早期心理测量研究中的潜在应用，但也揭示了明确的领域特异性限制。
大语言模型神经多样性心理测量学模拟代理人工智能adhd/asd
q-bio
01-23 00:00
本研究利用网络分析、非平稳时间序列分析和多变量模式分类技术，探究了腹语后效现象背后的神经机制。腹语后效指持续暴露于腹语错觉后，单感官听觉定位会向先前视觉刺激的位置偏移。研究发现，这种重校准发生在听觉处理通路的早期阶段，并且后效会随着时间推移而衰减。该工作为理解多感官整合与感知可塑性提供了新的网络视角。
腹语后效网络分析听觉通路多感官整合脑电图感知可塑性
q-bio
01-23 00:00
本研究提出了ECGomics，一个用于心电信号多维解构的系统性范式与开源平台。它借鉴基因组学的分类严谨性，将心脏活动解构为结构、强度、功能和比较四个维度，有效融合了专家定义的形态学规则与数据驱动的潜在表征，弥合了手工特征与深度学习嵌入之间的鸿沟。该框架已实现为一个包含Web研究平台和移动端集成的可扩展生态系统，支持高通量分析、实时信号采集与结构化诊断报告生成，为数字生物标志物发现和个性化心血管医学奠定了基础。
心电分析数字生物标志物人工智能开源平台心血管医学可解释ai
q-bio
01-23 00:00
本研究探索了在没有外部位移信号输入的情况下，连续吸引子网络（CANs）学习实现稳定状态间转移的能力。通过比较环形与折叠蛇形两种拓扑结构，并系统评估不同时间尺度下的稳定性，研究发现：在短期评估下，网络倾向于收敛到缺乏持续吸引子动力学的“捷径”关联解；只有当在长时间自由运行中明确要求稳定性时，真正的基于吸引子的转移动力学才会涌现。这表明吸引子动力学是一种受约束的机制，而非局部学习的默认结果。此外，拓扑结构严格限制了学习转移的能力，环形拓扑可实现长期稳定，而折叠蛇形拓扑在流形不连续处存在无法完全克服的几何极限。
连续吸引子网络状态转移学习拓扑约束循环神经网络计算神经科学动力学稳定性
q-bio
01-23 00:00
本研究针对循环神经回路中强相关噪声通过非线性传递函数的问题，提出了一种新的动态平均场理论方法。该方法将Ornstein-Uhlenbeck噪声的非线性函数替换为均值和协方差匹配的高斯等效过程，并结合扩展非线性性的对数正态矩闭合，推导出循环神经元网络的闭合动态平均场理论。该理论能准确捕捉一阶瞬态、固定点以及噪声诱导的分岔结构偏移，在强涨落区域优于标准的线性化近似。该方法适用于动力学通过非线性变换平滑依赖于OU过程的广泛场景，为计算神经科学模型中噪声依赖相图的分析提供了可行路径。
动态平均场理论循环神经网络非线性噪声ornstein-uhlenbeck过程分岔分析计算神经科学
q-bio
01-23 00:00
本研究提出探索增强潜在推理框架（ELILLM），以解决大语言模型（LLMs）在基于结构的药物设计（SBDD）中面临的对蛋白质结构理解不足和分子生成不可预测的挑战。该框架将LLM的生成过程重新解释为编码、潜在空间探索和解码的工作流。通过贝叶斯优化系统性地探索潜在嵌入，并利用位置感知代理模型高效预测结合亲和力分布以指导搜索。知识引导的解码进一步减少了随机性并有效施加了化学有效性约束。在CrossDocked2020基准测试中，ELILLM相比七种基线方法展现出强大的受控探索能力和更高的结合亲和力得分。
药物设计大语言模型潜在空间探索贝叶斯优化结合亲和力预测分子生成
q-bio
01-23 00:00
本研究提出了SAGE-FM，一种基于图卷积网络（GCN）的轻量级空间转录组学基础模型。该模型通过掩码中心点预测目标进行训练，在涵盖15个人体器官的416个Visium样本上学习到了空间连贯的基因表达嵌入。实验表明，SAGE-FM在无监督聚类和保持生物学异质性方面优于现有方法，并能有效泛化至下游任务，例如在口咽鳞状细胞癌的病理学家标注中达到81%的准确率。此外，模型通过计算机模拟扰动实验，成功捕获了与真实情况一致的方向性配体-受体及上游-下游调控效应。
空间转录组学基础模型图卷积网络基因表达生物信息学可解释ai
q-bio
01-23 00:00
本研究提出一种机器学习方法，利用临床测试和标准MRI数据，旨在改善非遗忘型阿尔茨海默病（atAD）的诊断。该方法整合了海马体体积和全脑MRI特征，在区分atAD与非AD认知障碍方面，相比仅使用海马体体积的传统方法表现更优。通过Boruta统计方法识别出关键脑区特征。在NACC和ADNI数据集上的实验表明，该方法将atAD病例的正确诊断率（召回率）分别从52%提升至69%和从34%提升至77%，同时保持了高精确度。
阿尔茨海默病机器学习医学影像非遗忘型诊断模型神经科学
q-bio
01-23 00:00
针对现有药物相互作用（DDI）预测模型在真实场景（涉及大量未见药物）中泛化能力不足的问题，本研究提出了一种新的关系学习框架GenRel-DDI。该框架将DDI预测重构为以关系为中心的学习问题，使交互表征的学习独立于具体药物身份，从而捕获可迁移的交互模式。实验表明，该方法在多个基准测试中显著优于现有方法，尤其在严格的实体不相交评估中优势明显，为稳健的DDI预测提供了有效方案。
药物相互作用关系学习模型泛化药物发现人工智能
q-bio
01-23 00:00
本研究提出了一种创新的重建算法，首次将全玻片成像（WSI）与定量相位成像（QPI）技术相结合。该算法基于自参考三波数字全息显微镜，能够自适应地处理局部或拼接的全息图，从而实现对宫颈涂片等细胞样本的高通量、无标记全玻片成像。实验表明，该算法在处理上皮细胞样本时表现良好，为计算机辅助细胞学筛查提供了更丰富的信息维度。
全玻片成像定量相位成像数字全息细胞学筛查图像重建宫颈涂片
q-bio
01-23 00:00
本研究通过体外荧光各向异性竞争结合实验，精确测量了人类转录因子Klf4与大量短DNA序列的物理结合能。研究发现，结合能的高度非线性序列依赖性可通过结合线性能量模型与描述转录因子耦合识别核苷酸的伊辛模型来捕捉。该统计力学模型仅用体外测量参数，即可准确预测单个长DNA分子上的Klf4结合模式，并能无额外拟合地预测Klf4在全人类基因组中的占据情况。
转录因子结合能基因组学统计力学klf4体外实验
q-bio
01-23 00:00
本文提出一个数学与哲学框架，利用层理论在神经状态空间上建模大脑功能。局部神经或认知功能被表示为层的截面，而全局一致性则对应于全局截面的存在。大脑病理被解释为此类全局整合的障碍，并使用层上同调工具进行分类。该框架建立在当代神经科学的神经流形计划以及层理论的标准结果之上，并通过莱布尼茨的视角进行解读。
神经科学数学建模层理论神经流形认知整合计算神经科学
q-bio
01-23 00:00
本研究提出潜在因果扩散（LCD）模型，将单细胞基因表达视为在测量噪声下观测到的平稳扩散过程。该模型在预测单细胞RNA测序筛选中未见扰动组合的分布偏移方面优于现有方法，同时学习基因调控的机制性动力系统。通过开发的CLIPR方法，可近似扩散模型所描述基因间的直接因果效应。该框架在模拟系统和全基因组扰动筛选中均能恢复因果结构，将基因聚类为功能模块，并解析标准差异表达分析无法揭示的因果关系。
单细胞测序因果推断扩散模型基因调控扰动建模生成模型
q-bio
01-23 00:00
本研究提出了一种神经环路机制分解方法，旨在将功能性磁共振成像的功能连接分解为具有明确治疗干预指向性的生物机制成分，如输出驱动、输入响应性和调制门控。该方法整合了图约束、时滞感知的Transformer来估计有向通路特异性路由分布与驱动信号，并结合测量感知的状态空间模型来建模血流动力学卷积并恢复内在潜变量动态。这种双头架构产生的可解释环路参数，有望为从fMRI到治疗策略选择提供更直接的桥梁。
精准精神病学功能磁共振成像神经环路机制transformer模型状态空间模型生物标志物
q-bio
01-23 00:00
本研究提出了一种新颖的集体运动模型，个体仅能朝两个方向移动或保持静止。当个体遇到反向运动的邻居时，会通过“停止”而非立即对齐的方式进行互动。研究发现，这种“停止互动”机制能在大型群体中自发产生持久的有序运动，这不同于传统的基于平均方向或噪声诱导的有序机制。通过确定性及随机平均场近似分析，研究确定了该行为发生的条件，并基于个体的模拟验证了理论预测。
群体运动涌现秩序停止机制平均场理论生物物理模型
q-bio
01-23 00:00
本研究提出了一种改进的两群体SIRD传染病模型，其关键创新在于将感染力设定为依赖于各群体中的活跃（存活）人口，而非经典模型中的总人口。研究证明了易感者最终规模恒为正，并可通过一个映射的唯一不动点来刻画。分析表明，最终易感者数量与基本再生数相关，且随传播率增加而减少。数值模拟对比了活跃人口模型与经典模型，揭示了二者在最终规模和是否出现多波疫情方面的显著差异。
传染病模型sird模型最终规模群体结构不动点理论数值模拟
q-bio
01-23 00:00
本研究首次在临床尿液培养的抗生素耐药性预测中，对量子机器学习进行了大规模实证评估。研究开发了量子投影学习方法，并在IBM量子处理器上进行了60量子比特实验。结果表明，量子方法虽未全面超越经典基线，但在特定抗生素（如呋喃妥因）和特定数据划分下表现相当或更优，揭示了量子优势可能依赖于数据特性。通过分析数据复杂度指标（如香农熵、费希尔判别比等），构建了一个多元特征模型（AUC=0.88），能准确预测量子方法优于经典模型的场景。这为在生物医学应用中，基于数据复杂度特征自适应选择量子或经典模型提供了新策略。
量子机器学习抗生素耐药性数据复杂度临床预测量子优势生物医学应用
q-bio
01-23 00:00
本研究针对ChorHendySnir2006提出的进化模型——一个具有三个叶子的有根系统发育树，在Jukes-Cantor (JC69)分子进化模型和分子钟假设下，证明了其似然函数存在唯一的最大值，且该最大值解析地依赖于模型参数。研究通过微分拓扑方法将证明简化为一个代数问题，并借助Maple软件库求解。该结果证实了原论文的猜想，为相关系统发育推断提供了理论支撑。
系统发育学最大似然估计jukes-cantor模型分子钟计算生物学进化模型
q-bio
01-23 00:00
本研究探讨了在认知负荷下，个体对情绪记忆进行主动回忆与抑制时的大脑网络机制。研究通过平衡整合分数量化认知控制效率，并利用静息态功能连接分析发现，对积极和消极记忆的高效抑制分别与不同的脑区连接模式相关。焦虑水平会选择性调节这些网络机制，例如在抑制积极记忆时，焦虑会调节前额叶连接与认知效率的关系。研究揭示了支持认知负荷下情绪记忆控制的功能性脑架构，并表明焦虑严重程度在焦虑连续体上塑造了这些网络层面的机制。
情绪记忆控制静息态功能连接认知负荷亚临床焦虑脑网络机制认知效率
q-bio
01-23 00:00
本文针对生物学缺乏统一数学空间来描述其上下文依赖、部分可观测、简并性和不可逆动力学等特性的问题，提出了一个统一的数学框架。该框架的核心是将生物状态表示为由上下文（包括环境和历史）索引的局部凸空间，其中邻近性由一族半范数而非单一全局度量定义，从而允许生物相关性随条件变化。该空间通过可容许集编码生物约束，通过观测映射形式化部分可观测性，并通过状态与动力学之间的多对一关系捕获不可逆性。文章给出了该空间内的显式构造、算子和界限，并以EGFR突变非小细胞肺癌的单细胞数据为例，展示了如何将数据映射到该框架中，校准数值阈值，并生成关于罕见耐受状态、上下文依赖的邻近性和早期稳定化的可检验预测。
生物数学局部凸空间上下文依赖不可逆动力学简并性定量预测
q-bio
01-23 00:00
本研究提出PhageMind，一种基于元学习的计算框架，旨在解决跨细菌属的菌株级噬菌体宿主范围预测难题。该方法通过知识图谱整合噬菌体尾丝蛋白与细菌O抗原合成基因簇等关键生物学特征，从已充分研究的系统中学习感染通用原理，并能在数据有限条件下快速适应新菌属。在埃希氏菌属、克雷伯菌属等四个属的留一法评估中，模型展现出高预测精度与强适应性，为噬菌体疗法等应用提供了可扩展的实用工具。
噬菌体宿主预测元学习知识图谱菌株特异性跨属迁移计算生物学