• 通过迁移学习对全癌基因组中背景突变率进行元素特异性估计：精准肿瘤学的新突破

  在癌症驱动基因发现中，准确估计背景突变率（BMR）至关重要。研究人员开展了 eMET 模型相关研究，该模型结合基因间和元件特异性信息提升 BMR 估计准确性，在多种癌症队列中表现优异，有助于增强驱动基因发现，推动精准肿瘤学发展。

  来源：npj Precision Oncology 6.8

  时间：2025-03-30

• 感知流梯度对自主水下导航学习的必要性研究及其深远意义

  为解决水下机器人在复杂水流环境中自主导航的难题，研究人员开展 “感知流梯度对自主水下导航学习的必要性” 主题研究。结果表明，学习水下导航需感知局部流速和流梯度，且以机器人为中心的策略具有优势。这为水下机器人设计等提供指导。

  来源：Nature Communications

  时间：2025-03-29

• 利用机器学习量化情景记忆认知成分：解锁记忆奥秘

  为探究为何有些事件被记住而有些被遗忘，得克萨斯大学奥斯汀分校的研究人员开展 “Using machine learning to simultaneously quantify multiple cognitive components of episodic memory” 主题研究。结果表明多维方法提升记忆预测准确性，该研究为记忆研究及干预提供重要依据。

  来源：Nature Communications

  时间：2025-03-25

• 可穿戴人工智能：重塑医疗健康新格局，提升患者安全与临床决策水平

  为解决医疗系统难题，研究人员探究可穿戴 AI 技术，发现其潜力巨大，有望变革医疗。

  来源：npj Digital Medicine 12.4

  时间：2025-03-24

• 发育过程中进化保守因子的重要新发现：来自神经细胞自动机模型的证据

  研究人员利用神经细胞自动机（NCA）模型，探究发育与进化保守因子关系，发现相关因子在模型中涌现，意义重大。

  来源：Scientific Reports 3.8

  时间：2025-03-23

• 自适应混合分割与元启发式优化相结合的植物叶片疾病分类转移学习研究成果显著

  为解决植物病害检测难题，研究人员开展基于深度学习的研究，提出 IRV-WSA-ETLNet 模型，分类准确率达 94.853%，意义重大。

  来源：Scientific Reports 3.8

  时间：2025-03-22

• 基于注意力增强扩张瓶颈网络的肾脏疾病分类研究成果显著

  为解决肾脏疾病分类难题，研究人员构建 DBAR_Net 模型，分类精度达 98.86%，意义重大。

  来源：Scientific Reports 3.8

  时间：2025-03-22

• 利用 TLS-PAT 人工智能工具实现结直肠癌中三级淋巴结构的自动分类

  研究人员为解决 TLS 评估难题，开展结直肠癌 TLS 自动分类研究，TLS-PAT 工具准确性高，意义重大

  来源：Scientific Reports 3.8

  时间：2025-03-22

• 深度学习结合 CataPro：稳健的酶发现与工程新突破

  在酶动力学参数预测中，现有模型存在精度低或过拟合导致泛化能力差的问题。研究人员开展基于深度学习的酶发现和工程研究，开发了 CataPro 模型。结果显示，该模型在预测酶动力学参数上精度和泛化能力出色，有助于酶的发现与改造，推动相关领域发展。

  来源：Nature Communications

  时间：2025-03-21

• GraphBAN：基于图神经网络的化合物-蛋白质相互作用预测新方法

  本研究为解决传统方法在预测化合物-蛋白质相互作用（CPIs）时存在的局限性，提出了一种基于图神经网络的GraphBAN框架，该框架通过知识蒸馏和跨域适应模块，实现了对未见化合物和蛋白质相互作用的高效预测，为早期药物发现提供了有力工具。

  来源：Nature Communications

  时间：2025-03-20

知名企业招聘：