心脏瓣膜流体模拟新方法：基于参数化表面模型的快速3D流阻生成
本研究提出了一种快速计算心脏瓣膜流阻障碍的新方法，以简化流体-结构相互作用模拟的计算负担。该方法基于参数化表面模型，通过曲线自适应采样生成多段线表示，进而构建表面点集，并利用最小化、采样和三角剖分三种算法高效计算网格节点到瓣膜表面的距离。结合穷举节点迭代和递归邻居搜索两种网格遍历策略，后者能显著减少距离计算量。该方法在主动脉瓣和二尖瓣模型上验证了其灵活性与高效性，适用于计算模拟中快速更新瓣膜形状。
今日速览 · 定量生物学
Showing last 24h for this domain
神经网络新方法大幅提升化学反应网络模拟效率，可捕捉罕见事件
本研究提出了一种基于神经网络的创新方法，用于高效求解描述化学反应网络随机动力学的化学主方程。该方法通过利用自然梯度下降和时间依赖变分原理等优化技术，实现了5至22倍的加速，并结合增强采样策略来捕捉罕见事件。研究在包括MAPK级联网络在内的多个挑战性反应网络中，证明了其相比先前神经网络方法具有更低的计算成本和更高的精度，并成功将其应用于二维反应-扩散系统，超越了近期仅能处理一维系统的张量网络方法。
基于饱和算法的化学反应网络原子溯源新框架
本研究提出了一种基于饱和算法的原子溯源框架，用于精确追踪生化反应网络中标记原子的流向。该方法直接基于原子-原子映射，无需通量数据或实验测量，通过幂集单子中的Kleisli态射建模反应语义，实现原子来源的组合传播。通过迭代饱和反应规则的所有可能反应物组合，该方法能穷举标记分子构型，包括多重性和重复使用。它允许任意初始标记模式，仅扩展从这些输入可达的异构体，避免了先前方法的组合爆炸问题。应用实例表明，该方法能自动复现已知标记模式并发现稳态标记行为，为同位素异构体建模和实验设计提供了可扩展、机制透明且可推广的基础。
基于二维OU过程的瞬态纺锤波建模与统计分析方法
本研究提出了一种用于脑电图（EEG）信号中瞬态纺锤波振荡爆发的随机建模与分割框架。在建模层面，将单个纺锤波表示为具有稳定焦点的二维Ornstein-Uhlenbeck（OU）过程的路径实现，该低维随机动力系统能复现纺锤波的关键形态特征。在信号处理层面，提出了一种结合经验模态分解（EMD）和中心极值检测的分割程序，以分离单个纺锤波事件。基于此框架，对纺锤波的振幅、间隔及上升/下降持续时间分布进行了系统性统计分析，发现其具有与底层OU动力学一致的指数尾部。该框架为EEG及非平稳时间序列中的瞬态振荡分析提供了数据驱动的方法。
空间脉冲神经网络：用几何结构实现高效时序计算
本研究提出空间脉冲神经网络（SpSNN）框架，通过让神经元学习在有限维欧几里得空间中的坐标，使突触延迟由神经元间的物理距离自然产生，替代了传统模型中每个突触单独学习延迟参数的方法。该方法在Yin-Yang和Spiking Heidelberg Digits基准测试中，以更少的参数超越了传统延迟可训练的SNN性能，且在2D和3D网络中表现最佳，揭示了几何正则化效应。动态稀疏化的SpSNN在90%稀疏度下仍能保持全精度，参数使用量最多可减少18倍。由于学习到的空间布局能自然地映射到硬件几何结构上，SpSNN为高效神经形态计算实现提供了硬件友好的基础。
Murmur2Vec：基于哈希的COVID-19刺突蛋白序列嵌入生成方法
本研究针对大规模SARS-CoV-2病毒序列分析的计算瓶颈，提出了一种名为Murmur2Vec的可扩展嵌入方法。该方法利用哈希技术为刺突蛋白序列生成紧凑的低维表示，用于训练机器学习模型进行病毒谱系分类。与现有方法相比，新方法在保持高达86.4%分类准确率的同时，将嵌入生成时间大幅减少了99.81%，为高效、大规模病毒序列分析提供了新方案。
计算不完全信息博弈中的进化稳定策略新算法
本研究提出了一种用于计算对称、完美回忆、不完全信息扩展式博弈中进化稳定策略（ESS）的算法。该算法主要针对双人博弈设计，并可扩展至多人博弈。在非退化博弈中，算法能计算出所有ESS；在包含无限连续对称纳什均衡的退化博弈中，则能计算其子集。算法支持随时停止以获取一个或多个ESS。通过在癌症信号博弈和随机博弈上的实验，验证了算法的可扩展性。
曲率加权接触网络：马尔可夫SIR模型的谱约简与全局稳定性
本研究提出了一种新的基于网络的SIR流行病模型，其传播过程由曲率加权接触矩阵调控，该矩阵编码了底层图的结构与几何特征。模型统一了邻接驱动与马尔可夫混合机制，允许异质性相互作用受曲率敏感的拓扑性质影响。研究证明基本再生数R0由曲率加权传播算子的最大特征值决定，并利用Perron-Frobenius理论和Lyapunov泛函，严格证明了当R0<1时无病平衡点全局渐近稳定，当R0>1时存在唯一的地方病平衡点且全局渐近稳定。结果表明，曲率作为连接性的几何正则化因子，能降低谱半径、提高有效流行阈值，并通过单调收缩引导系统趋向地方病状态。该框架通过将几何信息直接整合到传播算子中，为结构异质网络上的流行病动力学提供了严格的理论基础。
耦合观点动力学与流行病学：行为适应如何重塑疾病传播
本研究通过数学模型，将描述二元观点的q-voter模型与SIS型传染病动力学耦合。模型中，传播率受观点影响，且感染会触发个体重新评估自身行为。分析推导了地方病与无病平衡点的稳定性条件。数值模拟揭示了复杂动态：超过特定传染性阈值后，系统可出现多吸引盆，导致平衡的地方病固定点或稳定极限环。研究发现，主导的渐进观点与流行病学结果之间存在非单调关系，凸显了适应性行为诱导复杂系统动态的潜力。
状态空间动力学伊辛模型揭示稀疏神经元活动中的任务依赖熵流
本研究开发了一种状态空间动力学伊辛模型，用于分析非平稳、非平衡神经系统的因果动力学。该方法通过平均场方法估计时变熵流，揭示了小鼠视觉皮层在任务参与期间，尽管神经元活动减少且稀疏性增加，但因果耦合的变异性更大。此外，表现更优的小鼠在任务期间表现出更高的每脉冲耦合相关熵流，表明其神经计算效率更高。
DNA语言模型评估中的隐藏陷阱：数据加载细节可导致4%性能偏差
本研究通过BEND基准测试发现，评估DNA语言模型时，数据加载的硬件相关参数（如工作线程数和缓冲区大小）会因数据洗牌不足与基因组数据特性相互作用，导致相同模型出现高达4%的性能波动，甚至影响模型排名。实验在HyenaDNA、DNABERT-2等模型上验证了此现象。作者提出在存储前预洗牌数据的简单解决方案，可消除硬件依赖性，保障评估的公平与稳定。
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
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AI监控框架：确保部署后系统安全有效
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。
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
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。
能量模型温度调节机制揭秘：何时降温，何时升温？
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。
元学习发现三因子可塑性规则，实现稀疏反馈下的结构化信用分配
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。
NeuroSketch：通过系统架构优化实现高效神经解码的新框架
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。
MoDaH算法实现单细胞组学数据批次校正的理论最优误差率
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。
利用数千GPU构建大规模脉冲神经网络的新方法
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。
随机微分方程模型的结构可辨识性分析新框架
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。
QCAI：量化Transformer交叉注意力，解析TCR-pMHC结合机制
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。
种群动力学最小模型中发现自组织超均匀性新机制
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。
SimpleFold：用通用Transformer实现蛋白质折叠，挑战领域专用架构
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。
SAPIN：受生物启发的结构可塑性网络，通过主动推理实现稳态控制
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。
面向生物背景有限研究者的NGS下游分析智能代理模型
本研究开发了一个基于Llama 3 70B大语言模型和检索增强生成（RAG）框架的智能代理模型，旨在自动化NGS下游分析流程。该系统集成了标准生物信息学工具，可执行差异表达基因识别、聚类和通路富集等核心分析。其独特之处在于能利用RAG查询PubMed文献，为分析结果提供基于文献的生物学解释和假设验证，并能自主推荐高级分析方法。通过一个癌症数据集的案例研究，模型成功识别了关键基因并关联了临床预后，有效降低了非专业研究者的分析门槛。
主动脉瘤修复术后脊髓血流变化的计算机模拟研究
本研究利用开源软件SimVascular，基于一位76岁女性患者的医学影像，构建了主动脉及其脊髓供血分支的术前术后血流动力学模型。模拟结果显示，术后因支架移植物覆盖了腰动脉和后肋间动脉，流向脊髓的节段动脉血流减少了51.86%。同时，脊髓供血动脉的时均壁面切应力略有增加，而血流振荡性和内皮细胞活化潜力降低。该研究为利用常规影像和计算模型预测主动脉手术后脊髓缺血风险奠定了基础，有望发展为临床决策辅助工具。
最小作用量原理或为蛋白质折叠的普适规律
本文探讨了蛋白质折叠过程是否受普适物理原理支配。研究提出“有效轨迹猜想”，认为折叠过程遵循最小作用量原理，从而在存在多条折叠路径的同时，仍能以单一、稳定的速率在合理时间内完成折叠。这一框架不仅为理解蛋白质如何高效克服“莱文索尔悖论”提供了物理基础，也将折叠的最优动力学速度与其热力学稳定性联系起来。
UNAAGI：首个原子级扩散模型，解锁非天然氨基酸蛋白质设计
本研究提出了UNAAGI模型，首次利用原子级扩散生成框架，实现了对非天然氨基酸（NCAAs）的蛋白质序列设计。传统方法局限于20种天然氨基酸，而UNAAGI通过E(3)等变网络，从原子结构重建残基身份，统一处理天然与非天然氨基酸替换。实验表明，其在非天然氨基酸突变预测上性能显著超越现有方法，为蛋白质工程与基于结构的药物设计提供了统一的方法基础。
果蝇大脑中发现新型神经结构：平行神经元群
基于成年果蝇全连接组数据，研究者发现了一种新型神经结构——平行神经元群。当两个神经元共享大量输入和输出神经元时，它们被定义为“平行”。研究发现，在果蝇约6.5万个神经元中，存在约20个这样的群体，共包含约1000个神经元，主要分布在蘑菇体、触角叶、小叶及中央神经纤维网等区域。这些群体通常具有一个主要输入神经元和少量主要输出神经元，且大多缺乏左右对称性。该结构的功能意义，如群体同步性、功能分化及不对称性的原因，仍有待探索。
叶绿体为何保留自身基因组？新研究揭示其与光合作用调控的紧密联系
本文探讨了叶绿体保留自身基因组的关键原因。研究提出“共定位氧化还原调控”假说，认为叶绿体DNA与类囊体膜的结合，使得光合电子传递过程产生的氧化还原信号能够直接调控其自身相关基因的表达。这种机制允许光合作用蛋白复合体的组成根据环境变化进行自我调整，从而解释了叶绿体基因组在进化中得以保留的选择压力。
雪崩临界性解释大脑活动的异速生长缩放规律
本研究揭示了大脑活动随规模增大而呈现亚线性缩放（即效率提升）的普遍机制。研究证明，任何由临界雪崩动力学支配的系统，其活动-规模关系必然呈现亚线性特征。这一理论预测在临界状态下的整合发放神经元网络和经典自组织临界模型中均得到验证，表明该效应具有普适性。预测的指数与跨哺乳动物物种的实验观测结果一致，从而将动力学临界性与大脑代谢的异速生长规律联系起来。
基于扩散策略的异质收获：促进物种共存的资源管理新思路
本研究探讨了在两种物种共享资源的系统中，收获策略与扩散策略如何共同影响竞争结果。研究发现，通过设计一种依赖于物种扩散策略的异质收获政策，可以使两个被管理的种群形成理想的自由配对，从而保证物种的长期共存。模型分析表明，即使对其中一种群的收获策略进行微扰，或其中一方的扩散策略发生轻微改变，共存状态仍可能得以维持。研究还揭示了入侵物种通过模仿本地物种的扩散策略，即使在没有承载力优势的情况下，也可能成功入侵。
大脑MHb-IPN回路新发现：揭示麻醉、呼吸抑制与记忆重放的共同机制
本研究揭示了内侧缰核（MHb）至脚间核（IPN）的神经回路在多种生理与药理过程中的核心作用。该回路被μ-阿片类药物及麻醉剂激活后，通过抑制觉醒、新记忆编码及REM睡眠，同时促进中缝核（MRN）血清素释放，从而诱导无意识状态、呼吸减慢、慢波睡眠及记忆重放。研究进一步提出，氯胺酮等药物通过激活IPN和屏状核中的5-HT2a受体影响同一回路，解释了其抗焦虑、抗抑郁的神经机制。该模型整合了疼痛缓解、睡眠、记忆巩固与药物效应的共同通路。
高质量合成数据集显著提升全原子蛋白质设计性能
本研究通过整合ProteinMPNN与结构预测模型，构建了序列-结构高度一致的合成蛋白质数据集。基于该数据集训练的La-Proteina模型，其结构多样性提升54%，协同设计能力提升27%。研究进一步提出统一框架Proteina Atomistica，验证了新数据集的广泛适用性，使结构多样性提升73%。工作强调了高质量对齐数据对蛋白质从头设计的关键作用，相关数据集已开源。
步态分析新突破：黎曼几何模型揭示人体运动效率优化机制
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。
视觉皮层存在第三条通路，专门处理社交动态信息
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。
流浪狗如何选择与人类互动？食物比抚摸更具吸引力
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。
灵长类适应性行为差异源于前额叶对奖赏预测误差的读取效率
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。
多模态乳腺癌检测网络：融合影像与临床数据提升诊断准确率至90.87%
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：用于网页和计算笔记本的3D基因组结构可视化工具包
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。
肠道微生物如何通过脑肠轴调控睡眠节律
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。