HyperAI超神经

清华大学刘洋老师组、人民大学高瓴人工智能学院黄文炳老师组共同提出了一种统一的生物分子时间粗化（time-coarsened）动力学模拟器 UniSim。该方法在大量 3D 分子结构数据上通过去噪 + 力场混合预训练获得统一的全原子表示模型，基于随机差值（stochastic interpolant）生成式框架学习分子在长时间步长下的转移向量场（vector field），并引入力引导核快速适配不同化学环境。UniSim 首次实现了跨分子类型（小分子、多肽、蛋白质）、跨化学环境的统一时间粗化动力学模拟框架，推

阿布扎比 Inception AI 研究所与硅谷 Cerebras Systems 公司的联合研究团队开发了 Prot42 ——首个仅依赖蛋白质序列信息、无需 3D 结构输入的蛋白质语言模型（PLMs）家族，实现了长序列建模与高亲和力结合剂生成，为蛋白质设计领域带来颠覆性突破。

生物科技公司 NewLimit 宣布完成 1.3 亿美元 B 轮融资，其利用单细胞组学、池化扰动筛选和机器学习技术，基于「AI + 实验室」闭环，已经研发出 3 种原型药物，能够对肝细胞进行重编程。

OmniConsistency 显著提升了视觉连贯性和美学质量，实现了与 GPT-4o 相当的性能

捷克科学院有机化学与生物化学研究所研究团队，借鉴了 GPT 系列在语言领域取得的突破性进展，从全球天然产物社交分子网络（GNPS）中挖掘出 7 亿条 MS/MS 谱图，成功构建起史上规模最大的质谱数据集 GeMS，并训练出拥有 1.16 亿参数的 Transformer 模型 DreaMS。

中国科学院空天信息创新研究院的梁浩健博士在以「基于分层深度强化学习的城市应急消防设施配置优化方法研究」为题做了演讲报告

来自剑桥大学的研究团队提出了一个名为 Celcomen 的虚拟组织模型，这是首个在空间转录组学分析中具有因果推断可识别性的模型，不仅能估计环境对单个细胞的影响，还能推测单个细胞对其周围环境及整体组织的影响。在生物学领域，细胞的基因表达谱同时编码了其内在特性和外在组织微环境的信息。解开这两种效应的因果关系，对全面理解细胞内与细胞间的复杂相互作用十分关键。为此，需要一个稳健的因果解耦 (causal disentanglement) 框架。

清华大学刘洋老师组联合人大黄文炳老师组和字节 AI 制药团队，共同提出了一种跨分子种类统一生成框架 UniMoMo。

伦敦玛丽女王大学与牛津大学研究团队合作，基于英格兰地区 746 万成年人的匿名电子健康记录，开发了 2 种新型癌症预测算法：基础算法整合传统临床因素与症状变量，进阶算法纳入全血细胞计数、肝功能检测等血液指标，为优化临床决策流程、推进癌症早期诊断提供了科学依据。

华中科技大学同济医学院附属同济医院、医药卫生管理学院研究团队开创性地提出了一个基于 TOPSIS 的分类融合（TCF）模型，用来预测 ICU 中感染性休克患者 28 天内的死亡风险。

麻省理工学院和哈佛大学的团队提出了一种结合了蛋白质序列和细胞图像来进行未知蛋白质亚细胞定位的预测框架 PUPS。该框架创新地结合了蛋白质语言模型和图像修复模型来预测蛋白质定位，使其兼并推向未知蛋白预测的泛化能力和捕获细胞可变性的细胞类型特定预测。

近日，浙江大学地球科学学院的专职研究员戚劲在中国地理学会地理模型与地理信息分析专业委员会 2025 年学术年会上，就「深时地球群智协同创新平台」进行了专题分享。从深时可视化分析系统（Earth Explorer）的总体概述、研发进展以及应用成效三个方面介绍了团队成果。本文为戚劲老师的分享精华实录。

美国康奈尔大学与再生元制药公司提出图编码混合生存模型（GEMS），通过图神经网络编码患者电子健康记录复杂关系并与生存分析模型结合，识别具有一致特征和生存结局的亚表型。

哥伦比亚大学、斯坦福大学的研究人员提出了一种基于扩散模型的生成式人工智能结构解析方法 PXRDnet。即便仅以化学式和信息稀缺的有限尺寸展宽粉末衍射图为条件，该模型也能成功解析 200 种不同对称性和复杂性的模拟纳米晶体，涵盖来自所有七个晶体系统的结构，最小粒径可至 10 Å。

美国华盛顿大学 David Baker 团队近期利用先进生成模型，通过合成 OLG 设计研究，从工程化角度验证其可行性。研究团队针对 2 个蛋白家族设计重叠序列，编码高度有序的从头设计蛋白结构，计算机模拟与实验验证均显示出极高成功率。

俄罗斯科学院的研究人员，开发出一种基于机器学习的搜索引擎 MEDUSA Search，能够对太字节规模的高分辨率质谱数据进行分析，助力发现未知的化学反应!

苏黎世大学、苏黎世联邦理工学院和慕尼黑工业大学的团队提出了一个专为 3D 血管分割而设计的基础模型 vesselFM。该模型能够在零样本、单样本和少样本场景中实现优于现有先进模型的分割能力和泛化能力。

在活化能预测研究中，研究团队引入 8 个理论描述符：单元格体积 (V)、电负性 (X)、原子序数 (Z)、结合能 (bₘ)、阴离子间距 (d)、中性分子数量 (n)、原子半径 (ratom) 和离子半径 (rion)，对闭式 (Closo-SSEs) 和巢式 (Nido-SSEs) 体系进行单一线性回归 (Single linear regressions) 及多重线性回归 (multiple linear regression) 分析。当前研究普遍存在的方法论碎片化问题，也限制了对材料体系的系统性理解。

而不可否认的是，正是这些执着于科学前沿的「探索者」，才使得我们有机会享受人工智能和医学交叉融合后的应用。具体来看，首先从高分辨率 WSI (Xᵢ,ₕᵣ) 中提取的所有 patch 都被输入到预训的练特征提取器中，生成一组示例级特征 Iᵢ,ₕᵣ，然后继续输入到投射模块中进行降维，得到新的特征集 Fᵢ,ₕᵣ，之后继续输入到注意力模块中以计算未归一化的注意力分数。近年来，数字病理学的蓬勃发展引领了新一轮医学事业和生物学的进步，尤其是在对抗人类最大的敌人之一的癌症时，发挥着重要的作用。

值得一提的是，Qwen3-30B-A3B 的激活参数数量仅为 QwQ-32B 的 10%，但表现更胜一筹，甚至像 Qwen3-4B 这样的小模型也能匹敌 Qwen2.5-72B-Instruct 的性能。仅仅一天的时间便在 GitHub 斩获近 20k stars，而除了极高的讨论热度外，Qwen3 更是凭借性能的提升与部署成本的下探，一举问鼎开源大模型王座。X 用户 Jafar Najafov 对比了 Qwen3 与相同模型参数量的 Llama Qwen3 能更快地解决更难的问题。根据官方发布的数据，

ProfileBFN 作为蛋白质基座模型，能够在资源有限的情况下整合更多同源信息，充分利用特定先验信息，对多指标有良好的迁移作用，这无疑让它成为合成候选蛋白，定向进化的不二之选。随着技术的发展，深度生成模型输入的 MSA 深度不断增加，但是效果却遇到了瓶颈，这让添加 MSA 信息的性价比遭到了质疑。在数量上，对于某些「孤儿」蛋白质，同源序列可能不超过 10 条，而有些蛋白质能够搜索到超过 10,000 条同源序列，这给大模型造成了很大困惑，产生了资源的浪费和效率上的影响。

该数据集的预训练策略聚焦于跨模态、跨分辨率、跨时相的泛化能力构建，通过从 SkyScript、SatlasPretrain 等专业平台筛选高质量问答指令对，整合了 Sentinel-2 光学影像、Sentinel-1 合成孔径雷达数据、NAIP 航空影像、Landsat 卫星影像等多源异构遥感数据，并同步配置地理标签信息。未来，随着多模态大模型、在轨智能处理、量子计算等技术融合，地球观测有望成为支撑碳中和、防灾减灾、资源管理等全球议题的数字基石，在人类与自然的共生关系中书写可持续发展的新篇章。

这种方法的效率是传统网格搜索法的 73 倍，极大地提升了光电机械分子晶体的适用性，并有助于优化功能晶体的其他特性。如上所述，当光驱动晶体发生形变时，物体能够施加力并做功，在这种情况下，当晶体的自由形变被完全阻止时，会产生一个最大力，这被定义为阻挡力 (blocking force)，有效控制光驱动晶体的阻挡力对于其实际应用至关重要。由于在许多情况下，文献提供了材料多个方向的测量值（例如，沿不同的晶体学轴），因此，研究人员提取了每个相关的数据点，还纳入了弯曲测试数据和其他测量数据，以确保数据集的全面性。

随后，研究人员进行了针对病变治疗效果的纵向验证，涉及多项实验，证明了 MindGlide 在治疗效果检测方面的有效性，如在 SPMS 和 PPMS 试验中，治疗组的病变体积累积量低于安慰剂组；针对模型训练的图像预处理，研究人员使用了一个最小的预处理管道，首先将图像分辨率标准化为 1 mm 各向同性体素，然后根据 nnU-Net 设计。近年来，人工智能的快速发展，使其在神经系统疾病方面的应用不断加快，并且由于其独特的工作机制和高效的方法，为医学界通过人工智能进行 MS 研究提供了新的思路。

新加坡国立大学/MIT等提出了一种结合紫外吸收光谱与机器学习的检测方法，能在 30 分钟内完成细胞培养上清液的微生物污染检测。

中国浙江大学的林兰芬教授研究团队联合浙江杭州之江实验室以及日本立命馆大学共同提出了 M2OST，这是一种多对一回归 Transformer 模型，旨在利用不同层次的病理图像共同预测基因表达。

上海交通大学洪亮教授课题组开发了一个专为蛋白质工程量身打造的一站式开放平台 VenusFactory，HyperAI超神经官网的教程版块已上线一键部署教程，欢迎体验！

近日， MIT / UC 伯克利/哈佛/斯坦福等顶尖大学团队共同提出了创新性算法 DRAKES ，通过引入强化学习框架，首次在离散扩散模型中实现了对完整生成轨迹的可微奖励反向传播，在保持序列自然性的同时，显著提升下游任务性能。

作为生命的基础分子，核酸、小分子脂类、糖类、代谢产物和离子、水等物质均产自蛋白质，基于这一特性，在 2019 年回国后，我将研究重点聚焦到蛋白质领域，并且提出了 3 个科学问题：首先是能否直接从蛋白质的序列预测出其活性和功能？蛋白质，作为生命的基石，在生命活动中发挥着关键作用，其结构和功能的研究，对创新药物研发、合成生物学、酶制剂生产等领域，有着极其重要的意义。但传统蛋白质设计面临诸多难题，蛋白质结构复杂，序列空间庞大，依赖专家经验和高通量筛选的设计方式，不仅耗时费力，成功率也难以保证。

InfiniteYou（简称 InfU）是由字节跳动智能创作团队 (ByteDance Intelligent Creation) 近期推出的一款基于 Diffusion Transformers 的身份保持 (identity-preserved) 图像生成框架。它通过先进的技术，能够在生成图像的同时保持人物身份的一致性，即在生成不同场景的图片时能够精准保留面部特征。作为该领域最早利用扩散 Transformer (DiTs) 的框架之一，InfU 系统性地解决了现有方法的 3 大核心问题：身份相似度不足

首先，利用专有合金数据集进行训练（现有数据和模拟数据），MatterMind™ 能够快速分析庞大的合金成分空间，预测最佳合金配方，并揭示元素、加工条件、微观结构、材料性能之间的复杂非线性关系，这些关系往往超越人类直觉，甚至无法用数学公式直接表达。进一步地，先进的计算模型还可以对这些食谱进行模拟和评估。例如，智能手机在强度和重量方面的设计基本已达最佳水平，也就是说，因为玻璃、铝合金、电池等相关材料的发展现状，手机的重量已经很难出现跨越式的降低，而像塑料这类的轻质材料在强度方面亦受限制——耐划痕、耐用性偏弱。

这是一种全新的医疗图像重识别方法，通过引入连续模态参数适配器，突破传统单一模态限制，使得一个统一的模型能够在运行时自动调整为适合当前输入（如 X-ray、CT、眼底、病理、MRI 等）的模态专用模型。理想的医疗图像重识别模型应能自动检测图像中与身份相关的区域，并通过适当的后处理将这些区域变为不可识别状态，从而在保障数据的医学实用性的前提下，有效降低隐私泄露风险。研究团队通过对跨图像差异进行建模，将预训练的医疗基础模型中的丰富医疗先验知识迁移到重识别任务中，有效提升了模型对细微身份线索的捕捉能力。

尽管 Aardvark 在更高大气层和较短提前期的误差较大，这可能是由于靠近地表的观测数据更为集中，但对于较长的提前期，Aardvark 的预报倾向于变得光谱模糊，这是数据驱动天气预报系统中的常见现象。然而，物理机制的解释性、数据的实时性以及极端事件的建模仍是亟待突破的难题。在局部站点预报方面，该系统在长达 10 天的提前期内展现出较高的预报技巧，其表现与经过后处理优化的全球 NWP 基准、以及结合人类预报员输入的先进端到端预报系统相当，进一步的端到端调优显著提升了局部预报的准确性。

自 1973 年起运行至今，已经成为全球最权威、最常用的癌症流行病学数据库之一，已覆盖美国约 48% 的人口，数据涵盖年龄、性别、诊断时间等基本信息，癌症类型、病理分型分期等诊断信息，手术、放疗/化疗等治疗信息，生存时间、生存状态等随访信息。一位海德堡大学在读博士收到的官方回复邮件更是被多家媒体转载，其中明确提出，「自 2025 年 4 月 4 日起，国家卫生研究院将禁止特定国家的研究人员和机构，访问任何涉及国家卫生研究院 CADRS 和相关数据的正在进行中的项目，并将会终止这些项目。

大家可以互相 share Adapter，并加载其他人的 Adapter，在此基础上进行微调或预测，如果改进效果良好，还可以再次分享新的 Adapter，从而形成一种高效的社区合作机制，大大提升了研究效率。我们尝试了各种改进，包括使用 Evoformer 方法，但信息泄露问题依然存在，直到尝试了 Foldseek，我们发现得到的 SaProt 模型在 AlphaFold 预测的结构数据上 loss 能够下降，在真实 PDB 结构数据上 loss 同样显著下降，满足了我们的预期。

如前文所述，基于 GNN 的方法可以利用空间邻接信息构建图结构，使模型在捕捉基因表达的同时，也能学习到细胞间的空间依赖关系，而对比学习的引入进一步增强了模型的泛化能力，使其能够在没有标注的情况下学习到关键的空间特征。如下图 d 部分，对于通过边相连的测点，在图像嵌入空间中计算其距离，并利用 SoftMax 函数将这些距离转换为随机边移除的概率，原始图在此基础上经历两轮随机边移除 (Edge Random Removal)，从而生成两个增强视图，接着，对这些视图中的节点特征进行随机掩码处理。

综上所述，本研究成功开发了一种用于疾病诊断的多智能体对话框架 (MAC)，该框架可在临床咨询的不同阶段提供有价值的诊断建议并推荐进一步的诊断，适用于所有类型的罕见病。使用来自 Medline 数据库的真实临床病例报告，研究人员评估了 GPT-3.5、GPT-4 和 MAC 对 302 种罕见疾病的知识和诊断能力。在特定案例的病症诊断中，如下图所示，研究人员发现 GPT-3.5 和 GPT-4 能够基于明显症状诊断疾病，例如通过临床表现识别心包炎和癫痫，然而，它们在探究疾病的根本原因方面存在不足。

这项基于单阶段 (One-Stage) 检测架构的端到端目标检测技术，在 10 年间已经更新了十余个版本，凭借高精度且高帧率图像的实时处理，广泛应用于自动驾驶、医疗影像分析、机器人视觉等多个领域。3.选择「NVIDIA RTX 4090」以及「PyTorch」镜像，OpenBayes 平台上线了新的计费方式，大家可以按照需求选择「按量付费」或「包日/周/月」，点击「继续执行」。1.登录 hyper.ai，在「教程」页面，选择「YOLOE：实时看见一切」，点击「在线运行此教程」。

EchoONE 模型致力于解决多切面分割这一复杂挑战，通过引入一种创新的密集提示学习模块——PC-Mask，以可组合的方式利用先验结构知识，在分割过程中提供有效的切面特定语义指导。在实际操作中，超声医生需要从不同位置和角度对心脏进行扫查，以获取多个切面的超声图像，后综合各切面图来对心脏结构和功能进行分析，包括识别心肌轮廓、测量各个腔室大小等。然而，由于不同切面之间存在显著的结构差异，现有分割模型在多切面图上的泛化能力较弱，通常需要针对每个特定切面进行单独定制，导致重复开发的成本较高。以适应局部特性的融合。

其中，TM-score 是长度无关的打分函数，用于评估预测 RNA 结构的整体质量，取值范围 0-1，值越高表示预测结构与真实结构的相似度越高。RNA，尤其是非编码 RNA (ncRNA)，能够折叠成特定结构，并在基因调控 (如转录和翻译)、催化、生物信号传导、应激反应等多种细胞过程中发挥重要作用。值得注意的是，研究人员排除了 CASP15 数据集中大型合成 RNA 结构，因为它们偏离了自然界中的 RNA 结构，而自然 RNA 结构是功能分析和药物设计的主要研究对象。