高势垒的顺反异构反应中，committor（给定构型先到产物而非反应物的概率）几乎是一个阶跃函数，只在过渡态附近狭窄区间取中间值。研究者把AIMMD路径采样与符号回归结合，在真空中的N-视黄叉赖氨酸和对香豆酸阴离子上从无偏分子动力学轨迹学到committor，并蒸馏成闭式解析式。四个绕反应双键的proper二面角必须非线性耦合，才能重现过渡路径集合中的S形分步路径，而最小自由能路径是一条直线。
分子光化学需要整条基态与激发态势能面，但逐点求解电子薛定谔方程代价高昂，廉价单参考方法又在锥形交叉处失效。可迁移深度量子蒙特卡洛让一个神经网络波函数在多个分子构型与多个电子态上联合优化，并共享参数、按每个构型的能量动态排序电子态。在乙烯、碳二聚体、亚甲亚胺阳离子和含96个电子的红氧还蛋白活性位点模型上，它给出与专门量子化学参考一致的势能面，相对单点计算最高约两个数量级的成本下降。
尤文肉瘤基因组近乎单一，却长期无法解释患者生存的巨大差异。研究对135例患者的肿瘤与微环境做单细胞和空间转录组分析，识别出五种肿瘤细胞转录状态与八种由邻近细胞配置定义的生态位，并按生态位组成把患者分为融合活跃型、增殖型、免疫反应型和微环境富集型四类。免疫反应型以干扰素激活的肿瘤细胞为特征、预后较好，四类的生存差异在两个独立的批量转录组队列中得到重现。
深度视觉蛋白组学（DVP）此前缺少开源端到端流程，限制了推广与系统评测。openDVP把图像处理、细胞表型、激光显微切割与质谱蛋白组学串成模块化流程，并提供无需图像分析经验的快速通道。在胎盘、早期肺癌与复发乳腺癌三份存档组织上，按细胞邻域取样比逐细胞取样快约100倍，蛋白鉴定数平均提高26%。
该工作针对多数拓扑深度学习方法基于边界算子与 Hodge 拉普拉斯、每层无法跨越多于一个维度升降特征与信号的限制，提出采用上积（cup）与下积（cap）乘积，形式化了 Cup and Cap Topological Neural Network（CCNN）这一拓扑深度学习架构，用于在考虑数据中多体交互（如三角形）的情况下学习基于节点的变量（0-上链），并在 TopoBench 数据集上验证其性能，显示其相对于其他单纯复形神经网络具有竞争力。
已读完全部报道