Indian Institute of Technology Madras

酶功能预测长期依赖同源序列检索或把酶映射到已知反应，无法给出训练数据里没有的反应。一个以酶序列与AlphaFold结构为条件、逐个代谢物生成反应的模型在反应不相交基准EnzymeMap_x上，400个采样候选内对25.0%的代谢物重组测试对给出完整正确反应，对含训练未见代谢物的测试对仅1.6%。匹配的消融显示结构通道对精确还原没有可测影响，提升主要来自词表覆盖与化学初始化。

酶功能预测长期依赖同源序列检索或把酶映射到已知反应，无法给出训练数据里没有的反应。一个以酶序列与AlphaFold结构为条件、逐个代谢物生成反应的模型在反应不相交基准EnzymeMap_x上，400个采样候选内对25.0%的代谢物重组测试对给出完整正确反应，对含训练未见代谢物的测试对仅1.6%。匹配的消融显示结构通道对精确还原没有可测影响，提升主要来自词表覆盖与化学初始化。

可穿戴跌倒检测的训练数据被压缩成极小的类别均衡合成集。此前要么用人工特征配浅层分类器，要么在完整不平衡数据上训练并重采样，代价是数据量与算力。FallNest在时域与频域同时对齐合成样本与真实样本的梯度方向和嵌入分布，用类别均衡K-Means初始化，并加入多视角傅里叶增强。在SisFall、KFall、MobiFall上按受试者划分、保留自然不平衡测试集，仅用32到146个合成窗口训练10.2万参数TinyCNN，五种子平均准确率93.5%到95.8%，PR-AUC为0.89到0.98。

可穿戴跌倒检测的训练数据被压缩成极小的类别均衡合成集。此前要么用人工特征配浅层分类器，要么在完整不平衡数据上训练并重采样，代价是数据量与算力。FallNest在时域与频域同时对齐合成样本与真实样本的梯度方向和嵌入分布，用类别均衡K-Means初始化，并加入多视角傅里叶增强。在SisFall、KFall、MobiFall上按受试者划分、保留自然不平衡测试集，仅用32到146个合成窗口训练10.2万参数TinyCNN，五种子平均准确率93.5%到95.8%，PR-AUC为0.89到0.98。

该工作提出一种通过整合基因调控网络中的网络因果信号（CWCS-Net）与基于新开发的Truth Discovery算法从PubMed摘要中提取的文献证据（CWCS-TD）来推断基因-疾病对语料库级因果评分（CWCS）的方法，并以OMIM为外部专家参考，在十种疾病上取得因果类别F1分数0.600，优于GPT-4o（0.505）和MMed-Llama 3（0.522）。

该工作提出一种通过整合基因调控网络中的网络因果信号（CWCS-Net）与基于新开发的Truth Discovery算法从PubMed摘要中提取的文献证据（CWCS-TD）来推断基因-疾病对语料库级因果评分（CWCS）的方法，并以OMIM为外部专家参考，在十种疾病上取得因果类别F1分数0.600，优于GPT-4o（0.505）和MMed-Llama 3（0.522）。