Malaria Vaccine(WestGene)

本期论文主题 本期分享的10篇最新顶级期刊论文，内容涵盖人工智能在阿片类药物成瘾治疗、人口与宏观经济预测、群体遗传学进化推断、蛋白质抗原表位支架设计、高能瞬态蛋白质结构解析、人类代谢模型重构与全身动态仿真、非线性动力学稀疏识别、野火防范规划评估、碳抵消项目额外性验证，以及复杂网络可预测性理论等前沿领域的创新应用与理论突破。1. 基于人工智能多组学平台发现治疗阿片类药物使用障碍的靶向血清素受体药物Al-derived therapeutic development of a serotonin receptor-targeting drug for the treatment of opioid use disorder 作者: Valeria Lallai(University of California, Irvine), Samuel Kho(GATC Health), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2516807123 投稿周期: 从投稿到Accept的时间为7个月零13天 代码与数据集： https://doi.org/10.17605/OSF.IO/MFEQY 关键词: 阿片类药物成瘾（Opioid use disorder）；人工智能药物发现（AI-driven drug discovery）；血清素受体（Serotonin receptor）；多组学（Multi-omics） 一句话速览: 利用AI多组学平台发现并验证了靶向5-HT2A和5-HT6受体的双靶点新药GATC-1021，能有效且安全地减少芬太尼摄入。 研究动机与技术挑战: 动机: 本文旨在解决当前阿片类（如芬太尼）药物使用障碍治疗中存在的有效新药匮乏与复发率高的问题。 挑战: 现有治疗药物（如美沙酮、丁丙诺啡）在安全性、长期疗效和治疗依从性方面存在显著局限性，且传统的单靶点药物研发模式效率低下，难以捕捉成瘾过程中的复杂分子变化。 核心贡献与方法: 贡献: 本文提出了一种基于人工智能多组学分析的药物研发新框架，并成功合成及验证了候选药物GATC-1021。 方法: 其核心创新在于利用GATC多组学先进技术（MAT）平台深度整合了人类死后脑组织的基因组、转录组等多模态数据，通过AI模型预测出致病性生物标志物网络（指向5-HT2A和5-HT6），并结合强化学习优化出具有特定药效团的化合物进行动物自给药模型的体内外评估。 对标NSFC申请书: 科学目标: 面向阿片类药物成瘾病理机制复杂的临床难题，拟通过融合多组学数据与人工智能预测模型的研究范式，揭示脑组织多靶点协同调控成瘾行为的分子机制，并建立基于因果生物标志物的智能药物筛选与优化体系以支撑新型抗成瘾多靶点药物的高效研发。 核心科学问题: 在高度异质性的全脑多模态组学数据分布下，如何准确提取并验证影响阿片类药物成瘾的核心因果生物标志物特征及其协同调控网络？2. 中国的人口红利已从基于年龄的劳动力供给转向基于技能的生产力China’s demographic dividend has moved from age-based labor supply to skill-based productivity 作者: Hengyu Gu(Nanjing University), Yingju Wu(Shanghai University), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2532906123 投稿周期: 从投稿到Accept的时间为3个月零22天 代码与数据集： https://doi.org/10.7910/DVN/YJVIOQ 关键词: 人口红利（Demographic dividend）；大语言模型（Large language models）；技能结构（Skill composition）；老龄化（Population aging） 一句话速览: 构建了基于任务的技能比率（TSR）指数，揭示了中国经济增长正由依赖年龄结构转变为依赖人力资本技能的结构性转变。 研究动机与技术挑战: 动机: 本文旨在解决当前宏观经济预测中存在的难以精准量化劳动力技能红利如何对冲人口老龄化负面影响的问题。 挑战: 现有方法在衡量人力资本时通常以“受教育年限”为代理指标，存在严重的技能供需错配局限性，且缺乏细粒度的城市层面职业技能构成评估手段。 核心贡献与方法: 贡献: 本文提出了一种名为“基于任务的技能比率（TSR）”的新评价指标及宏观经济预测框架。 方法: 其核心创新在于运用大语言模型（LLM）对347个中国国家职业分类代码与国际ONET数据库进行精准的语义对齐匹配*，量化了各城市的高/低技能任务密度，并结合双向固定效应模型与动态预测模型测算了技能升级对年龄结构衰退的补偿效应。 对标NSFC申请书: 科学目标: 面向全球老龄化背景下经济增长动能转换的评估难题，拟通过大语言模型辅助的跨模态数据对齐与计量经济学框架，揭示劳动力技能结构与年龄分布的协同演化规律，并建立融合人口统计与职业技能要素的动态预测体系以支撑长期的宏观经济政策制定。 核心科学问题: 在缺乏高细粒度本地职业技能数据的约束下，如何利用大语言模型实现跨国职业分类体系的语义对齐并准确映射本地劳动力市场的真实技能拓扑？3. 溯祖与翻译：一种用于群体遗传学的语言模型Coalescence and translation: A language model for population genetics 作者: Kevin Korfmann(University of Oregon), Nathaniel S. Pope(University of Oregon), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2518956123 投稿周期: 从投稿到Accept的时间为7个月零14天 代码与数据集： https://github.com/kr-colab/cxt 关键词: 群体遗传学（Population genetics）；语言模型（Language models）；溯祖理论（Coalescent theory）；序列预测（Sequence prediction） 一句话速览: 提出首个群体遗传学专属Transformer模型cxt，通过将突变模式“翻译”为重组图，极大地加速了祖先溯祖时间的推断。 研究动机与技术挑战: 动机: 本文旨在解决当前群体遗传学中存在的高分辨率祖先重组图（ARG）与溯祖时间计算成本极高且难以扩展的问题。 挑战: 现有方法（如基于SMC的似然模型或传统MCMC推断）在引入种群结构、选择作用或复杂人口统计学事件时存在假设受限和计算可扩展性差的局限性。 核心贡献与方法: 贡献: 本文提出了一种名为cxt的受GPT-2启发的仅解码器（Decoder-only）Transformer语言模型。 方法: 其核心创新在于将沿着基因组分布的稀疏突变模式（位点频率谱）视作上下文输入，令模型像预测下一个单词一样自回归地预测“下一个溯祖事件”，从而构建隐式先验并输出具备不确定性量化的近似后验分布。 对标NSFC申请书: 科学目标: 面向群体遗传学中复杂进化历史重构的计算瓶颈，拟通过生成式大语言模型和自回归序列预测的计算范式，揭示高维基因组突变模式与隐式祖先重组图之间的映射规律，并建立高扩展性、可量化不确定性的进化推断理论框架以支撑大规模基因组学数据的底层分析。 核心科学问题: 在高维且稀疏的基因组重组与突变特征约束下，如何设计基于自注意力机制的自回归序列模型，以实现对隐式进化时间状态的稳定泛化与可解释表征？4. 深度学习驱动的恶性疟原虫CSP表位空间阵列支架设计Deep learning–enabled scaffolding of spatial arrays of PfCSP epitopes 作者: Nelson R. Wu(The Scripps Research Institute), Karla M. Castro(École Polytechnique Fédérale de Lausanne), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2521914123 投稿周期: 从投稿到Accept的时间为6个月零16天 代码与数据集： PDB: 9D3J, 9CK4; EMDB: EMD-45640 关键词: 蛋白质设计（Protein design）；深度学习（Deep learning）；抗原表位支架（Epitope scaffold）；疟疾疫苗（Malaria vaccine） 一句话速览: 利用深度生成模型精确设计了能在特定相对空间几何位置上展示多达三个疟原虫抗原表位的定制化蛋白质支架。 研究动机与技术挑战: 动机: 本文旨在解决当前疟疾疫苗研发中存在的难以精准诱导产生依赖于特定空间构象和同源相互作用的广谱中和抗体（如L9）的问题。 挑战: 现有方法（如传统抗原嫁接）在精确控制多个不连续抗原表位的三维相对位置与空间几何拓扑方面存在严重的构象不稳定和设计成功率低局限性。 核心贡献与方法: 贡献: 本文提出了一套深度学习驱动的多表位空间阵列从头设计框架，并成功验证了多表位支架三维结构的原子级精度。 方法: 其核心创新在于级联使用了RoseTTAFold约束幻觉（Constrained hallucination）与RFdiffusion扩散模型生成具有特定空间约束的拓扑主链，经ProteinMPNN设计序列后结合酵母展示筛选，实现了复杂的多价抗原表位天然结合构象的高度还原。 对标NSFC申请书: 科学目标: 面向下一代结构疫苗设计中复杂表位空间构象精准控制的难题，拟通过深度生成模型与扩散模型的计算生物学范式，阐明多表位空间几何排布与蛋白质支架序列-结构映射的核心机制，并建立多表位空间阵列的从头设计技术体系以支撑新型传染病疫苗的创新研发。 核心科学问题: 在满足高度特定的多价表位相对空间拓扑约束下，如何实现大规模生成具备高热力学稳定性及目标免疫结合活性的蛋白质三维支架及其匹配序列？5. 结合核磁共振与机器学习使pro-IL-18不可见的激发态结构可视化Making invisible excited-state structures of pro-interleukin-18 visible by combining NMR and machine learning 作者: Jeffrey P. Bonin(University of Toronto), Jin Sub Lee(University of Toronto), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2537014123 投稿周期: 从投稿到Accept的时间为2个月零26天 代码与数据集： https://zenodo.org/records/10186893 关键词: 蛋白质动力学（Protein dynamics）；机器学习（Machine learning）；核磁共振（NMR）；激发态结构（Excited states） 一句话速览: 结合NMR弛豫实验与AlphaFlow生成模型，成功解析了炎症细胞因子pro-IL-18难以被常规实验捕捉的瞬态高能构象。 研究动机与技术挑战: 动机: 本文旨在解决当前结构生物学中存在的瞬态、低丰度“激发态”蛋白质高级构象难以高分辨率解析的问题。 挑战: 现有方法中，单纯依赖NMR提供的化学位移数据不足以精确重建激发态的三维细节，而当前主流AI结构预测工具（如AlphaFold）存在难以采样偏离基态（Ground state）的高能构象的局限性。 核心贡献与方法: 贡献: 本文提出了一种“AI计算生成-核磁共振实验验证”的双向融合方法，解析了pro-IL-18决定其功能的两个稀有激发态。 方法: 其核心创新在于针对NMR定位的构象交换热点区域施加掩码并由AlphaFlow进行针对性大量结构采样，随后利用特定的NMR交叉峰（如甲基NOE信号）在实验上逆向筛选与证实由AI预测的候选翻转构象（Alt1/Alt2）。 对标NSFC申请书: 科学目标: 面向大分子高能瞬态结构难以高分辨表征的挑战，拟通过融合生成式深度学习模型与多维核磁共振（NMR）弛豫实验的研究范式，揭示蛋白质功能执行过程中激发态局部构象重排的动态物理机理，并建立一套“计算采样-实验闭环验证”的通用框架以支撑复杂生物大分子动态能量景观的深度解析。 核心科学问题: 在缺乏直接高分率晶体学模板的条件下，如何利用构象集成生成模型（如AlphaFlow）有效探索低丰度激发态构象空间，并确保所生成结构模型与动态NMR观测信号的高度一致性？6. 利用大语言模型重构人类代谢模型Reconstruction of human metabolic models with large language models 作者: Jiahao Luo(Tsinghua University), Hao Wang(Chalmers University of Technology), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2516511123 投稿周期: 从投稿到Accept的时间为8个月零16天 代码与数据集： https://github.com/SysBioChalmers/Human-GEM 关键词: 大语言模型（Large language models）；代谢模型重构（Metabolic model reconstruction）；系统生物学（Systems biology）；全身模型（Whole-body models） 一句话速览: 引入大语言模型自动化校对文献与生物学数据库，构建了全面且高精度的Human2代谢模型及全身动态仿真框架。 研究动机与技术挑战: 动机: 本文旨在解决当前人类基因组尺度代谢模型（GEMs）中存在的知识更新滞后、人工整理耗时且易积累错误的问题。 挑战: 现有方法（如传统人工审校或简单脚本匹配）在面对呈指数级增长且存在歧义的多源文献数据时存在准确率低、可扩展性差以及难以捕捉特定器官功能差异的局限性。 核心贡献与方法: 贡献: 本文发布了经大语言模型辅助优化的高质量代谢网络Human2，并成功实现了对不同年龄、性别下跨器官系统级动态代谢（如禁食与进食状态）的精确模拟。 方法: 其核心创新在于设计了专用的GPT提示工程（Prompt engineering）自动校验基因-蛋白质-反应（GPR）规则的一致性，结合GitHub Actions构筑自动验证流，并融合GECKO 3.0引入酶动力学约束，实现了基于dFBA的高分辨率全身动态代谢模拟。 对标NSFC申请书: 科学目标: 面向复杂多层级人类代谢网络难以自动化精准建模的系统生物学难题，拟通过大语言模型驱动的知识抽取与酶动力学约束的代谢仿真范式，阐明不同生理与营养状态下跨器官代谢物交换的网络重配机制，并建立高保真度的多尺度全身动态代谢仿真平台以支撑精准营养学与疾病系统性机理研究。 核心科学问题: 在海量、非结构化且存在歧义的生物医学文献背景下，如何利用大语言模型实现代谢反应生化逻辑的高效提取与精准对齐，进而构建具备时间动态高保真度的全组织酶约束网络模型？7. 利用浅层循环解码网络进行非线性动力学及Koopman算子的稀疏识别Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks 作者: Mars Liyao Gao(University of Washington), Jan P. Williams(University of Washington), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2508144123 投稿周期: 从投稿到Accept的时间为10个月零25天 代码与数据集： https://github.com/gaoliyao/sindy-shred 关键词: 非线性动力学（Nonlinear dynamics）；偏微分方程（PDE）；稀疏回归（Sparse regression）；循环神经网络（RNN） 一句话速览: 提出SINDy-SHRED模型，将浅层解码器与SINDy稀疏回归相结合，可直接从极稀疏的传感器或视频数据中学习可解释的物理控制方程并实现稳定长期预测。 研究动机与技术挑战: 动机: 本文旨在解决当前从真实世界的高维、噪声及稀疏时空数据中难以自动发掘底层偏微分方程及最优潜在坐标系的问题。 挑战: 现有方法（如常规的Physics-Informed Neural Networks及传统自编码器）在训练时存在损失景观高度非凸、长期预测极易发散且难以同时保障模型可解释性与计算效率的局限性。 核心贡献与方法: 贡献: 本文提出了一种兼具高数据效率、全局凸优化特性和低参数量的新型动力学系统联合识别与降维架构（SINDy-SHRED/Koopman-SHRED）。 方法: 其核心创新在于摈弃了不稳定的显式编码器，转而利用GRU捕捉稀疏传感器的时序特征映射为潜在状态，同时在潜在空间施加基于SINDy（或线性Koopman）方程结构的集成损失正则化，引导潜在流形渐进收敛于稀疏可解释的微分方程模型。 对标NSFC申请书: 科学目标: 面向高维复杂时空物理过程难以在稀疏观测下实现可解释建模的难题，拟通过无编码器浅层循环网络与稀疏符号回归联合优化的机器学习范式，揭示稀疏传感器信号与潜在低维物理流形之间的非线性演化规律，并建立具有全局优化凸性与长期泛化稳定性的控制方程发现理论框架以支撑复杂流体等物理系统的数字孪生。 核心科学问题: 在缺乏全状态空间连续观测与显式先验物理定律的强约束下，如何设计深度学习模型的局部潜在空间演化正则化机制，以确保所提取的动力学控制方程同时满足稀疏可解释性及长期外推稳定性？8. 表演性规划导致野火计划与社区需求之间的价值错位Performative planning creates a values mismatch between wildfire plans and community needs 作者: Nicola Ulibarri(University of California, Irvine), Ryan J. McCarty(Dry Scientific, Inc.), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2521536123 投稿周期: 从投稿到Accept的时间为6个月零26天 代码与数据集： 代码/数据集未完全公开（涉及非公开CWPP文本，需联系作者） 关键词: 文本分析（Text analysis）；野火管理（Wildfire management）；自然语言处理（Natural language processing）；规划评估（Plan evaluation） 一句话速览: 通过运用NLP技术分析全美2268份社区野火防护计划，发现地方规划的核心价值导向主要受“表演性规划”与州级模板驱动，而非反映本地真实的灾害风险与脆弱性。 研究动机与技术挑战: 动机: 本文旨在解决当前美国多层级环境治理中存在的基层规划文本是否真正匹配（Fit）本地特殊气候风险与社会脆弱性需求的评估问题。 挑战: 现有政策评估方法通常局限于小样本案例研究，在面对全美数千份缺乏标准化结构、格式各异的庞大规划文本库时，存在难以高效、量化且自动化提取其内在保护价值（Values）导向的局限性。 核心贡献与方法: 贡献: 本文首次绘制了国家尺度的社区野火规划“价值”图谱，揭示了“一刀切”的战术服从性规划（Performative planning）导致其脱离了社会生态匹配原则。 方法: 其核心创新在于结合专家人工编码与基于词元提取（Lemma extraction）的大规模计算文本分析技术提取核心议题，并构建结合马蹄形先验（Horseshoe prior）的贝叶斯分层逻辑回归模型，定量解耦了本地风险特征、联邦宏观政策演变以及大众文化趋势（Google N-gram）对规划文本生成的独立影响。 对标NSFC申请书: 科学目标: 面向气候变化下极端野火灾害管控的政策适应性科学评估，拟通过计算文本分析与贝叶斯网络相结合的计算社会科学研究范式，揭示多层级环境治理体系中基层规划文本诉求的演化规律及空间趋同机制，并建立衡量社区治理规划与本地生态-社会系统特征适配度的定量评价体系以支撑更具韧性的环境决策制定。 核心科学问题: 在自上而下的政策模版与非平稳本地风险暴露的双重干预下，如何通过自然语言处理技术定量提炼非结构化灾害防范规划的核心导向，并剖析其与底层宏观文化/制度环境间存在的异质性匹配规律？9. 论管辖区级别REDD+项目中策略性行为的潜在风险On the potential for strategic behavior in jurisdictional REDD+ 作者: Alberto Garcia(University of Utah), Luke Sanford(Yale University), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2531612123 投稿周期: 从投稿到Accept的时间为3个月零20天 代码与数据集： https://doi.org/10.5281/zenodo.19071812 关键词: 碳抵消（Carbon offsets）；森林砍伐（Deforestation）；因果推断（Causal inference）；逆向选择（Adverse selection） 一句话速览: 运用全球遥感数据与合成控制法实证检验了自愿碳市场中管辖区级REDD+项目存在引发系统性逆向选择及项目启动前预期性砍伐的重大漏洞。 研究动机与技术挑战: 动机: 本文旨在解决自愿碳市场从项目级向司法管辖区级（JREDD）过渡过程中，历史基线测算方法是否会引入新的策略性套利行为从而损害碳信用额外性（Additionality）的监管难题。 挑战: 现有方法（如简单的前后对比）在评估全区域碳抵消项目的实际减排效果时，由于逆向选择（管辖区选择有利于己的基线）与预期性道德风险（私人业主提前砍伐）的叠加作用存在难以构建准确的“无干预反事实基准”的局限性。 核心贡献与方法: 贡献: 本文提供了自愿碳市场中大规模JREDD基线规则存在脆弱性的首个系统性实证证据，揭示了项目启动前明显的“预期性森林砍伐”现象。 方法: 其核心创新在于引入多源全球高分辨率森林损失数据集，对所有符合JREDD条件但未参与的“安慰剂”区域计算理论基线，并通过构建微观合成控制（Synthetic control method）模型反事实分析参与区域在签约前后的真实砍伐轨迹，严格量化了基于历史平均的基线算法引发过度发放非额外碳信用的因果空间。 对标NSFC申请书: 科学目标: 面向全球自愿碳市场中森林碳汇项目额外性难以精确验证的国际难题，拟通过遥感大数据融合与微观合成控制因果推断的计量经济学范式，揭示管辖区级别碳交易基线设定规则与地方多主体策略性行为的交互博弈规律，并建立高精度的碳减排基准线动态评估与纠偏体系以支撑更具气候诚信的碳市场机制设计。 核心科学问题: 在非平稳的宏观森林退化趋势及区域政策预期的双重影响下，如何构建具备强鲁棒性的反事实因果基准线模型，以定量识别并剥离碳信用生成过程中的逆向选择与道德风险效应？10. 复杂网络的可预测性Predictability of complex networks 作者: Fei Jing(The University of Hong Kong), Zi-Ke Zhang(Zhejiang University), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2535161123 投稿周期: 从投稿到Accept的时间为3个月零16天 代码与数据集： https://github.com/Feijing92/theoretical_link_prediction 关键词: 链路预测（Link prediction）；复杂网络（Complex networks）；自旋玻璃模型（Spin glasses）；空腔方法（Cavity method） 一句话速览: 通过将链路预测任务映射为统计物理中的自旋玻璃模型，建立了一套严格量化复杂网络内在重构潜力与预测性能上限的理论框架。 研究动机与技术挑战: 动机: 本文旨在从基础理论层面回答“究竟是什么网络拓扑特征决定了其本质上是否具有可预测性”这一复杂网络领域的核心科学问题。 挑战: 现有链路预测方法（如启发式规则或图神经网络）往往依赖经验或黑盒计算，在剥离结构信息丢失造成的扰动、以及严谨测算理论性能上限方面存在严重的理论缺乏及数学解析困难等局限性。 核心贡献与方法: 贡献: 本文首创性地建立了网络可预测性的热力学理论体系，提出了量化预测精度上限的“可预测性指数（Predictability Index, PI）”，证明了随机网络的基线可预测性恒为0.5。 方法: 其核心创新在于利用统计物理学手段将网络训练集/测试集的划分等效为自旋配置系综、将预测算法性能映射为系统平均能量，进而运用自旋玻璃理论中的空腔方法（Cavity method）从数学上证明了全局可预测性可精确分解为单链路局部贡献的线性叠加，并推导出了一种低复杂度的高效局部采样算法。 对标NSFC申请书: 科学目标: 面向复杂网络底层链路预测严重缺乏理论性能边界分析的瓶颈问题，拟通过融合统计物理学中自旋玻璃模型与空腔方法的理论物理范式，揭示多尺度网络拓扑特征与其内生可预测性之间的基础映射及演化规律，并建立具有严谨热力学物理意义的可预测性指数（PI）理论框架以支撑超大规模网络的高效推断与鲁棒重构。 核心科学问题: 在复杂网络连接随机缺失的信息不完全条件下，如何通过构建网络拓扑划分与自旋玻璃系统能量景观的等价映射，实现从局部拓扑特征贡献向全局网络预测性能理论上限的精确数学推导？11. 单脉冲二维核磁共振：通过偏共振去耦与深度神经网络重建异核二维谱Two-dimensional NMR from a single pulse: Reconstructing heteronuclear 2D spectra via off-resonance decoupling and deep neural networks 作者: Nihar P. Khandave(Tata Institute of Fundamental Research), Veera Mohana Rao Kakita(Tata Institute of Fundamental Research), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2527937123 投稿周期: 从投稿到Accept的时间为5个月零15天 代码与数据集： https://github.com/hansenlab-ucl/SinglePulse13CH 关键词: 二维核磁共振（Two-dimensional NMR）；深度神经网络（Deep neural networks）；偏共振去耦（Off-resonance decoupling）；大分子蛋白质（Large proteins） 一句话速览: 提出了一种结合单脉冲偏共振去耦实验与深度神经网络（DNN）的新方法，无需传统磁化转移延迟即可直接重建大分子蛋白质的高分辨率二维异核核磁共振（NMR）谱。 研究动机与技术挑战: 动机: 本文旨在解决当前结构生物学与生物物理学中，利用传统二维核磁共振（2D NMR）技术探测大分子蛋白质（≥100 kDa）时存在的信号灵敏度低与分辨率极差的问题。 挑战: 现有方法（如常规的HMQC或HSQC实验）在脉冲序列中必然包含较长的磁化转移与化学位移演化延迟时间，对于大分子蛋白质而言，其极短的横向弛豫时间（T2）会导致信号在这些延迟期间迅速衰减甚至完全丢失。 核心贡献与方法: 贡献: 本文提出了一种仅需单次激发脉冲的“单脉冲-DNN”协同NMR波谱重建新框架。 方法: 其核心创新在于通过发射单次 激发脉冲并配合不同频率偏置的 连续波（CW）去耦来获取包含标量耦合信息的偏共振一维数据集，随后利用经过合成数据训练的深度卷积神经网络（DNN）将该一维高度重叠的信号模式非线性映射为标准的高分辨率二维 相关谱，从而彻底消除了导致信号衰减的传统演化延迟。 对标NSFC申请书: 科学目标: 面向大分子蛋白质在溶液状态下核磁共振信号极易衰减的观测瓶颈，拟通过射频脉冲序列简化与深度生成模型联合解码的计算物理范式，揭示偏共振去耦自旋系统的信号演化规律与二维谱图特征空间的映射机制，并发展基于单脉冲激发与AI重建的超灵敏NMR检测方法体系以支撑超大分子机器（如530 kDa复合物）的动态结构与相互作用解析。 核心科学问题: 在极短的横向弛豫时间与严重的一维信号空间重叠约束下，如何利用深度神经网络准确提取并解耦偏共振连续波信号中的异核自旋耦合特征，以实现高保真二维相关谱的物理可信重建？12. 随着气候变暖，天气预报在降低死亡率方面变得愈发重要Weather forecasts become more important for reducing mortality as the climate warms 作者: Jeffrey G. Shrader(Columbia University), Stephan Thies(University of Oregon), et al. 期刊: PNAS, 2026, 4 DOI: https://doi.org/10.1073/pnas.2523372123 投稿周期: 从投稿到Accept的时间为5个月零28天 代码与数据集： https://osf.io/sw43r 关键词: 气候变化（Climate change）；天气预报（Weather forecasts）；极端高温（Extreme heat）；因果推断（Causal inference）；死亡率评估（Mortality evaluation） 一句话速览: 结合微观经济学因果推断与气象专家预测，量化了短期天气预报准确性的提升在未来气候变暖情境下对减少极端高温超额死亡率的巨大生命拯救价值。 研究动机与技术挑战: 动机: 本文旨在解决当前气候变化经济学和政策评估中存在的未能充分考量“气象信息质量（预报准确性）动态演进”如何影响人类对极端天气的适应能力与致死率的问题。 挑战: 现有关于气候变化死亡率的预估模型（如传统的温度-死亡率响应函数）往往假设气象预报能力恒定，忽略了预报误差（尤其是对极端高温的预报失误）对超额死亡率的非线性放大效应，从而低估了未来预报技术改进带来的巨大社会适应收益。 核心贡献与方法: 贡献: 本文构建了一个融合天气预报误差、实际温度与超额死亡率的因果响应面模型，并结合多情景气候预测提出了预报系统投资价值评估的新框架。 方法: 其核心创新在于构建了允许死亡率响应随天气预报误差非线性变化的计量经济学模型，并基于全球气候模型（CMIP6）的未来温度路径与通过专家启发（Expert elicitation）获取的未来预测准确度演化概率分布进行联合采样与积分推演，以此因果分离并量化了提高短期预报精度对抵消极端高温致死风险的独立贡献。 对标NSFC申请书: 科学目标: 面向全球气候变暖背景下极端天气致死风险加剧的公共卫生与适应性决策难题，拟通过融合微观计量经济学因果推断与气象学专家预测分布的交叉研究范式，揭示天气预报准确度与人类行为适应能力对温度-死亡率响应函数的非线性调节机制，并建立动态演进的气候损失预估与干预价值评价体系以支撑更具前瞻性的早期预警基建投资与气候政策制定。 核心科学问题: 在未来气候变暖加剧极端高温频率分布以及社会适应能力呈现异质性演变的双重约束下，如何准确识别短期气象预报误差对超额死亡率的非线性因果效应，并科学量化预测精度提升带来的长期公共健康收益？

🧬 DeepMind AlphaFold 3 开源！药物研发进入原子时代 开源里程碑 2026 年 1 月，Google DeepMind 正式将 AlphaFold 3（AF3）完全开源。这一决定被业界称为"原子革命"的开端——全球任何实验室现在都可以免费使用这款改变生命科学的游戏规则工具。 从受限的 Web 服务器到完全开放的架构，AlphaFold 3 的开源标志着 AI 在生命科学领域的民主化进程迈出关键一步。 AlphaFold 进化史 版本 发布时间 核心突破 AlphaFold 1 2018 年 首次赢得 CASP13 竞赛 AlphaFold 2 2020 年 解决蛋白质折叠问题 AlphaFold 3 2024 年 预测所有生命分子结构 AF3 开源 2026 年 全球免费使用 AlphaFold 3 核心能力 预测范围全面扩展 AlphaFold 3 不再局限于蛋白质，而是能够预测： 蛋白质：所有类型蛋白质结构 核酸：DNA 和 RNA 三维结构 配体：药物小分子结合方式 离子：金属离子结合位点 化学修饰：翻译后修饰影响 精度大幅提升 在关键指标上，AlphaFold 3 相比现有方法： 蛋白质 - 其他分子相互作用：精度提升≥50% 某些关键相互作用类别：精度翻倍 抗体 - 抗原结合：准确率从 45% 提升至 82% 技术架构 AlphaFold 3 采用全新架构： Evoformer 升级版 处理输入序列数据 整合多序列比对信息 捕捉进化关系 扩散网络 类似 AI 图像生成器 从原子云开始迭代 逐步收敛至精确结构 端到端训练 单一神经网络完成全部预测 无需多阶段流水线 推理时间从小时级降至分钟级 应用案例 疟疾疫苗研发 AlphaFold 2 已帮助科学家设计更有效的疟疾疫苗候选分子，AlphaFold 3 进一步加速了这一进程。 癌症靶向药 通过精确预测癌细胞蛋白与药物的结合方式，研究人员能够： 快速筛选候选化合物 优化药物分子结构 减少临床试验失败率 酶设计 工业用酶的理性设计周期从数年缩短至数月，为生物可再生材料开发开辟新路径。 开源影响 两层生态系统 DeepMind 建立了"两层"开发生态： 第一层：核心模型开源 源代码和权重完全开放 非商业研究免费使用 社区贡献持续改进 第二层：Isomorphic Labs 商业化 基于 AF3 的药物设计引擎 与药企合作开发新药 商业授权模式 社区衍生项目 开源后涌现多个重要衍生项目： Protenix（字节跳动）：Apache 2.0 许可 OpenFold-3（AlQuraishi 实验室）：MIT 许可 Boltz-1/2：MIT 许可 行业变革 药物研发成本 传统药物研发： 周期：10-15 年 成本：20-30 亿美元 失败率：>90% AI 辅助研发（预计）： 周期：5-8 年 成本：5-10 亿美元 失败率：有望降至 70% 时间压缩效应 过去需要多年实验验证的分子结构预测，现在只需： 输入：分子序列列表 等待：几分钟至几小时 输出：精确三维结构及相互作用 诺贝尔奖认可 2024 年，AlphaFold 创始人 Demis Hassabis 和 John Jumper 因"蛋白质结构预测"贡献获得诺贝尔化学奖，这是对 AI 在科学领域价值的最高认可。 局限与展望 当前局限 动态过程预测：仍难以捕捉分子动态变化 膜蛋白精度：某些膜蛋白预测精度有待提升 超大复合物：超大型分子复合物计算资源需求高 AlphaFold 4 展望 业界已在期待下一代： 分子动态过程模拟 细胞环境下的结构预测 与实验数据的实时整合 结语 AlphaFold 3 的开源是科学史上的里程碑事件。它将曾经需要数年实验才能获得的分子结构信息，变成了几分钟的计算任务。 这场"原子革命"才刚刚开始，但它已经永久改变了我们理解生命、设计药物的方式。 本文基于 Nature、Google DeepMind 官方博客、TokenRing 等报道整理