近年来，人类肠道微生物群（Human Gut Microbiota, HGM）在药物和营养素代谢中的重要作用逐渐被认识到。肠道微生物群不仅影响口服药物的生物利用度，还通过其代谢酶参与药物和生物活性分子的生物转化（biotransformation），从而影响药物的药代动力学和药效学特性。然而，由于肠道微生物群的复杂性和个体间的差异性，确定特定微生物对药物和营养素代谢的具体贡献仍然是一个巨大的挑战。为了解决这一问题，研究人员开发了GutBugDB，这是一个开放获取的数字资源库，旨在预测人类肠道微生物群介导的生物和异生物质（xenobiotic）分子的生物转化。 论文来源 该研究由Usha Longwani、Ashok K. Sharma、Aditya S. Malwe、Shubham K. J...

研究背景 基因调控网络（Gene Regulatory Networks, GRNs）是理解细胞内复杂生物过程的关键工具。它揭示了转录因子（Transcription Factors, TFs）与靶基因之间的相互作用，从而控制基因的转录过程，进而调控细胞行为。随着单细胞RNA测序（single-cell RNA-sequencing, scRNA-seq）技术的发展，研究者能够在单细胞分辨率下获取基因表达数据，这为GRNs的推断提供了前所未有的机会。然而，scRNA-seq数据的稀疏性和高变异性为GRNs的推断带来了巨大挑战。 现有的GRN推断方法主要分为两类：基于相关性或互信息的无监督学习方法，以及基于机器学习的监督学习方法。尽管这些方法在某些情况下表现出色，但它们往往依赖于成对基因的相关...

基于机器学习的肿瘤临床试验结果泛化性评估研究 学术背景 随机对照试验（Randomized Controlled Trials, RCTs）是评估抗癌药物疗效的黄金标准，但其结果往往难以直接推广到真实世界中的肿瘤患者。RCTs通常采用严格的入组标准，导致研究人群与真实世界的肿瘤患者群体存在显著差异。此外，RCTs中可能存在与患者预后风险相关的选择偏倚，进一步限制了试验结果的泛化性。为了解决这一问题，研究者们开发了名为TrialTranslator的框架，通过机器学习模型对真实世界中的肿瘤患者进行风险分层，并模拟RCTs，以系统评估试验结果的泛化性。 该研究旨在回答以下问题：真实世界中的肿瘤患者是否能够从RCTs中报告的生存获益中获益？不同预后风险的患者群体在生存时间和治疗获益方面是否存在显著...

学术背景 帕金森病（Parkinson’s Disease, PD）是第二常见的慢性神经退行性疾病，主要影响65岁及以上人群。随着全球人口老龄化的加剧，帕金森病的患病率预计将从2015年的700万增加到2040年的1300万。目前，帕金森病的诊断主要依赖于临床问卷和运动日记，这些方法耗时且存在较大的主观偏差。近年来，随着可穿戴技术和机器学习方法的结合，研究人员开始探索通过量化运动症状来辅助帕金森病的诊断。然而，这些技术的有效性受到环境设置的影响，难以在现实世界中广泛应用。因此，本研究旨在提出一种有效的特征评估框架，通过短期运动任务自动评估帕金森病运动症状的严重程度，并在现实世界中进行分类。 论文来源 该研究由来自University of Sheffield和Yunnan Universit...

儿童重症监护病房中心率与体温关系的机器学习研究 学术背景 在重症监护病房（PICU）中，心率（HR）和体温（BT）是关键的临床指标，能够反映患者的生理状态。尽管成年人中心率与体温的关系已被广泛研究，但在儿童群体中，特别是在PICU这一高风险环境中，相关研究仍然有限。儿童患者的生理特征与成年人存在显著差异，尤其是在0至18岁年龄段，心率随着年龄的增长而下降，而体温的变化则可能影响心率。然而，传统的线性模型在预测心率时往往存在局限性，尤其是在不同体温范围和年龄组中表现出低估或高估的现象。因此，探索心率、体温和年龄之间的复杂关系，对于改善PICU中的临床决策具有重要意义。 论文来源 本论文由Émilie Lu、Thanh-Dung Le、Philippe Jouvet和Rita Noumeir共同...

基于视觉道路场景的驾驶员压力估计研究 学术背景 驾驶员压力是导致交通事故、伤害和死亡的重要因素。研究表明，94%的交通事故与驾驶员相关，其中注意力不集中、内外部分心、速度控制不当等都与驾驶员的压力密切相关。因此，识别和管理驾驶员的压力状态对于提升驾驶体验和安全性至关重要。然而，现有的驾驶员压力识别方法主要依赖于生理数据（如心率、皮肤电活动等）或车辆操作数据（如方向盘和踏板活动），这些方法通常需要佩戴设备或缺乏对驾驶环境的全面考虑。相比之下，基于视觉道路场景的分析为驾驶员压力估计提供了一种无侵入式且具有广泛适用性的解决方案。本研究旨在探讨视觉道路场景对驾驶员压力估计的贡献，并通过机器学习模型验证其有效性。 论文来源 本论文由Cristina Bustos、Albert Sole-Ribalta...

近年来，随着全球范围内药物滥用的增加，尤其是阿片类药物的滥用，科学家们越来越关注这类药物的神经行为学影响。其中，丁丙诺啡（Buprenorphine）作为一种阿片类药物，被广泛用于阿片类成瘾的药物治疗。然而，丁丙诺啡除了其镇痛和成瘾治疗作用外，还被报告可能对焦虑症状有一定的临床管理作用。尽管焦虑是人类中高度普遍的疾病，但焦虑作为一种潜在的心理建构，无法直接测量，尤其是在动物模型中。因此，本研究旨在通过结合机器学习技术和验证性因子分析（Confirmatory Factor Analysis, CFA）来评估丁丙诺啡对C57BL/6J小鼠运动行为和焦虑样行为的改变作用，并探讨其与剂量、性别和体重的关系。 论文来源 这项研究由来自The University of Tennessee的Ohm S...

多模态学习揭示基因型-表型动态关系 背景介绍 基因型与表型之间的复杂关系一直是生物学领域的核心问题之一。基因型（genotype）指生物体的遗传信息，而表型（phenotype）则是这些遗传信息在特定环境下的表现。尽管早在1909年，Wilhelm Johannsen就提出了这两个术语，并试图量化它们之间的关系，但一个多世纪以来，我们仍然无法精确地描述基因型如何通过复杂的基因表达模式塑造表型。近年来，单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）等技术的发展使得我们能够在细胞分辨率下观察基因表达的复杂动态，然而这些技术仍然无法全面映射基因型组合如何导致表型的产生。 当前的研究方法，如正向遗传学（forward genetics）和反向遗传学（r...

机器学习助力量子化学：逼近耦合簇精度的分子电子结构预测 学术背景 在物理学、化学和材料科学领域，计算方法是揭示各种物理现象背后机制和加速材料设计的关键工具。然而，量子化学计算（尤其是电子结构计算）通常是计算瓶颈，限制了计算速度和可扩展性。尽管近年来机器学习方法在加速分子动力学模拟和提高精度方面取得显著成功，但现有的机器学习模型大多基于密度泛函理论（DFT）数据库作为训练数据的“真实值”，其预测精度无法超越DFT本身。DFT作为一种平均场理论，其计算通常引入的系统误差比化学精度（1 kcal/mol）大几倍，这限制了基于DFT数据集训练的机器学习模型的整体精度。 相比之下，耦合簇方法（CCSD(T)）被认为是量子化学的“金标准”，能够提供各种分子性质的高精度预测。然而，CCSD(T)的计算成本...

基于偏好预测的进化式多目标优化用于汽油调和调度 背景介绍 随着全球能源市场的不断变化，汽油的生产和调和工艺面临着越来越多的挑战。汽油作为石油工业的重要产品，其调和和调度过程直接影响产品的质量和生产效率。汽油调和需要根据产品规格和性能要求，将多种组分按不同比例混合，以生产不同等级的汽油。在此过程中，必须满足多项性能指标，例如辛烷值（Octane Number, ON）、里德蒸气压（Reid Vapor Pressure, RVP）、铅含量、硫含量及闪点等。这不仅要求严格的质量控制，还需符合日益严苛的环保法规。 汽油调和和调度本质上是一个多目标优化问题。此类问题具有多个相互冲突的目标，例如提高产品质量、最大化生产效率、减少设备占用率、以及尽量降低生产成本。此外，这一问题还涉及复杂的约束条件和非线...