Nanyang Technological University

酶工程生成模型此前多在氨基酸层面优化，很少同时考虑编码序列与宿主表达。EZPro-Fit把蛋白质三维结构、编码序列和分类学信息放进同一个生成框架，先在嗜热微生物数据上预训练，再用高表达大肠杆菌基因微调，从而直接由结构生成宿主适配的编码序列。在工业内切葡聚糖酶Cel5E上，该框架给出的N291D与D259E两个变体在实验中同时提高了熔解温度和催化活性。

酶工程生成模型此前多在氨基酸层面优化，很少同时考虑编码序列与宿主表达。EZPro-Fit把蛋白质三维结构、编码序列和分类学信息放进同一个生成框架，先在嗜热微生物数据上预训练，再用高表达大肠杆菌基因微调，从而直接由结构生成宿主适配的编码序列。在工业内切葡聚糖酶Cel5E上，该框架给出的N291D与D259E两个变体在实验中同时提高了熔解温度和催化活性。

作者用Fisher信息与随机矩阵理论推导出混沌/扩散散射重构光谱仪噪声诱导误差的闭式表达，把方差下界σ²_ε Tr[(AᵀA)⁺]与光谱关联长度Γ_corr、平均透过率T₀以及频率通道数N和测量通道数M联系起来，给出超分辨条件，并用随机矩阵模型与全波FDTD仿真验证，其中片上器件的最优腔长预测为约17.9微米。

作者用Fisher信息与随机矩阵理论推导出混沌/扩散散射重构光谱仪噪声诱导误差的闭式表达，把方差下界σ²_ε Tr[(AᵀA)⁺]与光谱关联长度Γ_corr、平均透过率T₀以及频率通道数N和测量通道数M联系起来，给出超分辨条件，并用随机矩阵模型与全波FDTD仿真验证，其中片上器件的最优腔长预测为约17.9微米。

该工作提出假设驱动的测试时自适应框架 HD-TTA：在冻结 nnU-Net v2 主干、仅优化测试样本 logits 的前提下，先用 Gatekeeper 判断样本是否需要修正，再并行生成「压缩去噪」与「膨胀恢复」两个几何假设，并用基于纹理一致性的表示引导选择器挑选最安全结果；在 BraTS 2023 GLI 上训练、在儿科 PED 与脑膜瘤 MEN 两个未见目标域上以固定超参数评估，HD-TTA 在保持 Dice 相当的同时改善了安全性指标，在 MEN 上相对最强基线 TCA 将 HD95 从 70.96 mm 降至 64.55 mm（约 6.4 mm），精度从 15.36% 提升至 19.64%。

该工作提出假设驱动的测试时自适应框架 HD-TTA：在冻结 nnU-Net v2 主干、仅优化测试样本 logits 的前提下，先用 Gatekeeper 判断样本是否需要修正，再并行生成「压缩去噪」与「膨胀恢复」两个几何假设，并用基于纹理一致性的表示引导选择器挑选最安全结果；在 BraTS 2023 GLI 上训练、在儿科 PED 与脑膜瘤 MEN 两个未见目标域上以固定超参数评估，HD-TTA 在保持 Dice 相当的同时改善了安全性指标，在 MEN 上相对最强基线 TCA 将 HD95 从 70.96 mm 降至 64.55 mm（约 6.4 mm），精度从 15.36% 提升至 19.64%。

该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。

该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。