q-bio
03-19 00:00
本研究提出了一种用于重建神经元网络交互图的框架，该网络建模为多元点过程。该方法通过双变量推断，仅从一对神经元的脉冲序列中识别突触连接，无需观测其余网络活动。核心贡献是脉冲触发估计器，利用Galves-Löcherbach动力学的局部重置特性，将局部突触跳跃与高阶网络贡献解耦，显著降低估计方差并消除对基线放电强度的虚假依赖。通过采用在样本平均和新型金字塔外推法之间切换的自适应混合逻辑，即使在低信噪比情况下也能确保对兴奋性、抑制性和无效连接的鲁棒分类。数值实验验证了该框架在密集团和结构化分层网络上的可扩展性和精确性。
神经元网络突触分类点过程图重建脉冲触发估计
q-bio
03-19 00:00
本研究构建了一个包含肿瘤细胞、健康细胞和免疫细胞相互作用的时滞微分方程模型，专门分析乳腺癌治疗。模型结果表明，节拍化疗方案在疗效上优于传统的最大耐受剂量方法，并揭示了仅靠化疗难以完全清除肿瘤细胞的振荡动力学现象。敏感性分析证实了模型在节拍治疗方案下的稳健性，与实验中观察到的节拍化疗与最大耐受剂量比值相符。该研究强调了联合疗法协同作用的重要性，为优化癌症治疗策略提供了数学基础。
乳腺癌治疗节拍化疗肿瘤免疫模型微分方程联合疗法剂量优化
q-bio
03-19 00:00
本研究开发了一种无需额外样品制备的细菌鉴定方法，可直接从未开封的固体琼脂平板背面进行拉曼光谱检测，与培养条件完全一致。该方法结合了密度泛函理论（DFT）材料计算与机器学习分析，对仅表达绿色荧光蛋白（GFP）差异的两种大肠杆菌变体实现了高达97.7%的分类准确率，比传统开盖测量方法平均准确率提升10.8%，方差降低0.76%。该方法能穿透3-4 mm厚的背景材料，对培养基和基底材料变化具有鲁棒性，为细菌生长、生物膜形成及抗生素耐药性发展的实时、非干扰监测提供了新工具。
拉曼光谱细菌鉴定非干扰监测机器学习密度泛函理论临床微生物
q-bio
03-19 00:00
本研究提出了一种名为拓扑引导生物力学分析（TGBP）的白盒框架，旨在利用常规肿瘤CT扫描自动化评估脊柱不稳。该框架通过两项几何创新解决转移性骨溶解导致的拓扑模糊问题：一是基于椎管参考的分区方法以明确后外侧边界，二是通过协方差导向包围盒（OBB）进行上下文感知的形态测量归一化以量化椎体塌陷。结合辅助影像组学和大语言模型（LLM）模块，TGBP实现了端到端、可解释的脊柱不稳评分。在多中心、多癌种队列（N=482）中验证，TGBP在三层稳定性分诊中达到90.2%的准确率，并在盲法阅片研究中显著优于肿瘤内科医生。
脊柱不稳筛查ct影像分析拓扑引导生物力学分析白盒ai机会性筛查
q-bio
03-19 00:00
本文提出ATMOS，一种基于状态空间模型（SSM）的新型生成框架，用于高效生成生物分子系统的原子级分子动力学（MD）轨迹。该方法结合了基于Pairformer的状态转移机制以捕获长程时间依赖性，以及基于扩散的模块以自回归方式解码轨迹帧。在PDB晶体结构和mdCATH、MISATO等大规模MD模拟数据集上训练后，ATMOS在生成蛋白质单体及复杂蛋白质-配体系统的构象轨迹方面均达到最先进性能，为建模生物分子动力学提供了高效的新途径。
分子动力学模拟生成模型状态空间模型生物分子构象蛋白质-配体系统轨迹预测
q-bio
03-19 00:00
本研究探讨了生物神经回路中抑制性中间神经元介导的归一化是否有助于学习。通过在具有独立兴奋性和抑制性群体的人工神经网络上进行图像识别任务测试，发现仅在前向推理时应用归一化对学习无益。但当将归一化扩展至反向传播的误差信号时，网络性能显著提升。这表明，若大脑中的抑制性归一化能改善学习，其机制可能同样依赖于对学习信号本身的归一化处理。
神经回路学习抑制性归一化误差信号人工神经网络图像识别
q-bio
03-19 00:00
本研究提出了首个通用型EEG到文本的基础模型NeuroNarrator，旨在将脑电信号片段转化为精确的临床叙述。其核心是构建了首个大规模对齐数据集NeuroCorpus-160K，包含超过16万个EEG片段及其结构化临床描述。模型首先通过对比学习将时域EEG波形与空间地形图对齐，建立谱空间基础表征。在此基础上，采用受状态空间启发的架构，整合历史时域与频域上下文，驱动大语言模型生成连贯的临床叙述。该方法在连续信号动态与离散临床语言之间建立了原则性桥梁，支持可解释的叙述生成，有望辅助专家解读并优化临床报告工作流。
脑电图分析基础模型临床报告生成多模态对齐状态空间模型神经科学ai
q-bio
03-19 00:00
本研究提出了一种创新的脑机接口，利用脑电图（EEG）信号作为大型语言模型（LLM）的输入，以辅助有语言或运动障碍的用户。核心方法是先训练一个分类器，从EEG信号中实时估计用户满意度。该预测结果随后被整合到一个测试时缩放（TTS）框架中，动态调整图像生成模型的推理过程。实验表明，EEG信号能够有效预测用户偏好，为将神经反馈融入自适应模型交互开辟了新路径。
脑机接口eeg信号用户偏好对齐自适应生成辅助技术大型语言模型
q-bio
03-19 00:00
本研究提出了一种名为 UNICORN 的新型超声 Nakagami 成像方法，用于评估肝脏脂肪变性。该方法基于超声包络信号的分数函数，提供了一个精确的闭式估计器，用于估计表征组织散射特性的 Nakagami 参数。与依赖固定窗口大小、仅能可视化特定感兴趣区域（ROI）的传统方法不同，UNICORN 能够实现逐像素的参数估计和映射，从而生成高分辨率的参数图像。实验使用真实患者数据验证了该方法在临床检测肝脏脂肪变性方面的有效性、鲁棒性和泛化能力，并能提供与脂肪变性相关的背向散射统计特征的视觉区分。
超声成像肝脏脂肪变性nakagami参数估计分数匹配高分辨率成像医学图像分析
q-bio
03-19 00:00
研究团队利用合成DNA的随机池作为同步熵源，为一次性密码本（OTP）生成共享密钥。该方法将包含随机索引-载荷对的重复DNA分子作为共享秘密，通过本地测序和数字化产生共同的二进制掩码用于OTTP加密，实现了不依赖计算假设的无条件安全性。东京与巴黎间的实验演示生成了约400 Mb的共享秘密掩码，其最小熵满足NIST SP 800-90B标准，错误率可支持整体解密失败率低至$2^{-128}$。该系统能通过分子拷贝数统计抵抗两类对抗干扰，且无距离限制，为全球敏感通信提供了高通量安全新途径。
dna加密无条件安全一次性密码本熵源同步分子密码学远程密钥分发
q-bio
03-19 00:00
本研究提出TAP-GPT，一个基于TableGPT2微调的领域自适应表格大语言模型框架，用于解决阿尔茨海默病（AD）预测中表格生物标志物数据量小、不完整的问题。该模型使用表格提示而非纯文本，在少样本场景下对来自ADNI的多模态生物标志物数据进行分类。实验表明，TAP-GPT在少样本设置下优于传统机器学习基线，并在不进行插补的情况下对缺失数据保持稳定性能。其结构化、模态感知的推理过程与已知AD生物学知识一致，为构建基于表格LLM的多智能体临床决策支持系统奠定了基础。
阿尔茨海默病预测表格大语言模型少样本学习多模态生物标志物临床决策支持
q-bio
03-19 00:00
本研究提出Q-BIOLAT框架，用于在二元隐空间中建模和优化蛋白质适应度景观。方法首先利用预训练蛋白质语言模型将序列转化为连续嵌入，再压缩为紧凑的二元表示。在此空间中，蛋白质适应度被近似为一个二次无约束二元优化（QUBO）模型，从而可通过模拟退火、遗传算法等经典启发式方法进行高效组合搜索。在ProteinGym基准测试中，该方法成功捕获了蛋白质适应度景观的有意义结构，并能识别出高适应度变体。该框架为蛋白质表示学习与组合优化建立了桥梁，其QUBO公式化使其可直接与新兴的量子退火硬件兼容，为量子辅助蛋白质工程开辟了新方向。
蛋白质工程适应度景观量子退火qubo优化表示学习组合优化
q-bio
03-19 00:00
传统语言学认为词语的发音与意义之间是任意的，但本研究通过分析英语中所有220对字母对比，发现单个音素携带结构化、多维的语义信号。三个大型语言模型在九个感知维度上独立恢复出一致的音素-意义关联，这些关联可由发音-语音特征（如发音方式和位置）系统预测。英语母语者的行为数据证实了这些模式（正确率80.8%），初步跨语言证据表明核心映射关系可能超越英语。研究表明，声音-意义的象似性并非偶然现象，而是语音信号中普遍存在的结构化属性。
语音象似性音素语义语言模型跨语言研究认知语言学
q-bio
03-19 00:00
本研究提出SCALE，一个用于大规模虚拟细胞扰动预测的专用基础模型，旨在解决该领域在训练推理效率、高维稀疏表达空间建模稳定性以及生物学保真度评估方面的瓶颈。模型采用基于BioNeMo的框架，在匹配系统设置下实现了预训练12.51倍和推理1.29倍的加速。其核心将扰动预测建模为条件传输问题，结合基于LLaMA的细胞编码和面向端点的监督，提升了训练稳定性与扰动效应恢复能力。在Tahoe-100M数据集上，采用以生物学意义指标为中心的评估协议，模型在PDCorr和DE Overlap指标上分别比现有最佳方法提升了12.02%和10.66%。
虚拟细胞模型扰动预测条件传输可扩展计算单细胞分析生物信息学
q-bio
03-19 00:00
本研究提出“智能体认知画像”框架，旨在解决当前基于模式识别的阿尔茨海默病自动化筛查方法牺牲临床结构效度的问题。该框架将标准化临床评估分解为原子认知任务，并协调多个专用大语言模型智能体，通过确定性函数调用提取可验证的评分要素，从而将语义理解与量化测量解耦，有效缓解幻觉并恢复结构效度。在包含402名参与者、横跨八个认知任务的临床标注语料库上，该框架在任务评分匹配率达到90.5%，AD预测准确率达85.3%，超越了主流基线方法，同时生成了基于行为证据的可解释认知画像。
阿尔茨海默病智能体框架认知评估结构效度大语言模型可解释ai
q-bio
03-19 00:00
本研究通过最优控制理论重新诠释了经典的变分原理，为非线性偏微分方程系统中行波解的入侵速度提供了一个下界估计。首先分析了具有密度依赖扩散项和非线性反应项的单物种模型，证明了对任意容许测试函数，最大化相关参数即可得到波速的界限。将该框架应用于多孔-费希尔方程等案例，探讨了非线性选择机制何时超越经典的线性边际稳定性准则。随后将方法扩展至多物种反应扩散系统，在弱耦合条件下利用变分框架推导出行波速度的类似界限，并通过数值模拟验证了预测波速的准确性。
最优控制反应扩散方程行波解波速选择变分原理非线性系统
q-bio
03-19 00:00
本文提出了一种强化学习快速适应框架，通过让策略函数和价值函数共享一个低维的“目标嵌入”系数向量来捕获任务身份。该框架采用双线性演员-评论家分解进行预训练，其中评论家被分解为 $Q = \sum_k G_k(g) y_k(s,a)$，$G_k(g)$ 是目标条件系数向量，$y_k(s,a)$ 是学习的价值基函数。这种乘法门控机制类似于大脑皮层第5层锥体神经元中观察到的增益调制现象。在测试时，基函数被冻结，仅需一次前向传播即可零样本估计 $G_k(g)$，从而无需梯度更新即可立即适应新任务。在MuJoCo Ant多方向运动任务上的实验表明，该结构允许策略头专门化于方向子集，而共享系数层则实现泛化，通过在目标嵌入空间中进行插值来适应新方向。
强化学习快速适应价值分解目标嵌入增益调制双线性分解
q-bio
03-19 00:00
本研究通过多代细胞追踪和机器学习检测算法，分析了硅藻Seminavis robusta的细胞分裂模式。研究发现，在营养生长阶段，大小不同的子细胞（较大的上壳细胞和较小的下壳细胞）在分裂间隔时间上并无显著差异，且分裂时间与昼夜周期的关联较弱。然而，较小的下壳子细胞表现出更高的运动性。该研究揭示了硅藻细胞周期调控与细胞行为的新特征。
细胞分裂硅藻细胞追踪机器学习细胞运动性细胞周期
q-bio
03-19 00:00
本研究将Golubitsky和Stewart提出的对称破缺物种形成理论扩展至三个支系的情况，探讨了N个遵循相同动力学规律的种群如何通过性状分化形成独立支系。模型基于性状变量的五阶多项式微分方程，包含一阶或二阶耦合项。研究提出了寻找所有稳态及其稳定性的通用策略，并通过数值模拟展示了三支系分布随耦合强度和环境参数的变化规律。结果表明：强耦合会减少稳定态数量，而更大的种群规模N会提高系统最终进入三支系状态的概率。文中还讨论了性状变量出现零根时该方法的局限性与应用潜力。
同域物种形成对称破缺三支系模型种群动力学稳态分析性状分化
q-bio
03-19 00:00
本研究针对诱导多能干细胞（iPSC）在规模化3D聚集体培养中存在的空间与代谢异质性难题，开发了一个模块化的多尺度机理基础模型。该模型通过扩展单层培养的动力学网络，并与一个包含明确氧化还原相互作用的生物系统之系统（Bio-SoS）多尺度模型耦合，将细胞外培养动态、细胞内代谢通量和细胞氧化还原状态整合在一起。研究利用系统的单层和聚集体实验（包括多种同位素示踪、细胞外代谢物分析和双光子光学氧化还原成像）对模型进行了改进和验证。该集成框架统一了不同培养配置下的异质数据集，为跨异质培养尺度的代谢和氧化还原响应提供了机理解释，为可扩展的iPSC生物制造奠定了定量基础。
诱导多能干细胞多尺度建模代谢异质性生物制造氧化还原成像系统生物学
q-bio
03-19 00:00
本文介绍了使用HADDOCK3整合建模平台对蛋白质-聚糖相互作用进行建模的详细协议。聚糖结构多样且灵活，其相互作用建模极具挑战。该平台支持纳入实验或预测的相互作用约束，并允许对解进行柔性优化。以线性均聚糖4-β-吡喃葡萄糖与Humicola grisea Cel12A酶催化结构域的相互作用为例，从非结合结构开始应用该协议，可获得界面配体RMSD值低于3埃、质量可接受至中等的模型。该协议经过优化和基准测试，为蛋白质-聚糖相互作用的整合建模提供了一个通用框架。
计算生物学分子对接蛋白质-聚糖相互作用整合建模haddock3
q-bio
03-19 00:00
本研究通过数学模型探讨了物种在共享栖息地中饮食范围的演化。模型显示，物种的饮食范围（即利用资源的广度）决定了其面临的竞争强度：范围窄则竞争少但资源依赖性强，范围宽则资源选择多但竞争加剧。研究发现，物种共演化过程具有高度的路径依赖性，并存在长期准稳态。最终，随机效应会驱动物种向更泛化的饮食策略演化，揭示了生态位形成中从特化到泛化的缓慢转变机制。
生态位演化饮食范围物种竞争共演化动力学数学模型随机效应
q-bio
03-19 00:00
本研究提出了一种用于胸部X光片印象部分草稿生成的多模态检索增强生成（RAG）系统，旨在解决传统生成方法常出现的“幻觉”和缺乏临床依据的问题。系统结合了对比图像-文本嵌入、基于病例的相似性检索和引用约束的草稿生成，确保输出与历史放射学报告的事实对齐。实验表明，多模态融合检索性能显著优于仅使用图像的检索，在临床相关发现上的Recall@5超过0.95。该流程生成的输出具有明确的引用可追溯性，相比传统生成方法更具可信度。
放射学报告生成检索增强生成多模态融合临床决策支持医学人工智能