生命科学

185 条内容

bioRxiv 2026年9月26日
作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。
作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。
SHERLOCK 将扰动效应建模为潜状态上的结构化干预，在 CRISPR、化学与空间扰动数据中恢复通路关系并预测组合效应
作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。
作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。
Mendeley Data 2026年9月26日
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
Shank3 缺失大鼠在主动扑击时伏隔核多巴胺反应符号反转，闭环光遗传刺激 VTA-NAc 可持久延长社交玩耍
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
Mendeley Data 2026年9月26日
该工作收集了来自印度门格洛尔多地的约127段犬只音视频记录，按快乐、悲伤、愤怒、放松四类情绪组织，并通过聚类算法识别和分配情绪标签，旨在为多模态、音频、视频及情绪分类系统提供犬类情绪识别数据基础，并探索利用视听线索自动识别犬类情绪的可行性。
该工作收集了来自印度门格洛尔多地的约127段犬只音视频记录，按快乐、悲伤、愤怒、放松四类情绪组织，并通过聚类算法识别和分配情绪标签，旨在为多模态、音频、视频及情绪分类系统提供犬类情绪识别数据基础，并探索利用视听线索自动识别犬类情绪的可行性。
研究者在门格洛尔采集约127段犬只音视频记录，构建含快乐、悲伤、愤怒、放松四类情绪的多模态犬类情绪数据集
该工作收集了来自印度门格洛尔多地的约127段犬只音视频记录，按快乐、悲伤、愤怒、放松四类情绪组织，并通过聚类算法识别和分配情绪标签，旨在为多模态、音频、视频及情绪分类系统提供犬类情绪识别数据基础，并探索利用视听线索自动识别犬类情绪的可行性。
该工作收集了来自印度门格洛尔多地的约127段犬只音视频记录，按快乐、悲伤、愤怒、放松四类情绪组织，并通过聚类算法识别和分配情绪标签，旨在为多模态、音频、视频及情绪分类系统提供犬类情绪识别数据基础，并探索利用视听线索自动识别犬类情绪的可行性。
arXiv 2026年9月25日
该研究提出一个感知感知的皮层视觉假体手术规划框架，把电极三维坐标当作可学习参数，在FreeSurfer fsaverage折叠皮层几何上用可微假体视觉前向模型端到端优化，目标为最小化任务级感知误差并加入血管避让与灰质可行性约束；在模拟的MNIST阅读任务与CIFAR-10自然图像任务上，该方法相对视觉场平铺与视觉场覆盖基线一致提升重建保真度（MNIST上MSE中位数最多降低67.7%与33.4%，下游分类准确率提升62.6%与22.4%），加入血管惩罚后消除了全部300 µm安全边界违规而SSIM仅下降1.7%（MNIST）与4.4%（CIFAR-10），并可在固定插入预算（Ninsert=128
该研究提出一个感知感知的皮层视觉假体手术规划框架，把电极三维坐标当作可学习参数，在FreeSurfer fsaverage折叠皮层几何上用可微假体视觉前向模型端到端优化，目标为最小化任务级感知误差并加入血管避让与灰质可行性约束；在模拟的MNIST阅读任务与CIFAR-10自然图像任务上，该方法相对视觉场平铺与视觉场覆盖基线一致提升重建保真度（MNIST上MSE中位数最多降低67.7%与33.4%，下游分类准确率提升62.6%与22.4%），加入血管惩罚后消除了全部300 µm安全边界违规而SSIM仅下降1.7%（MNIST）与4.4%（CIFAR-10），并可在固定插入预算（Ninsert=128
把电极坐标当作可学习参数：感知感知优化在折叠皮层上同时提升重建保真度并消除血管安全边界违规
该研究提出一个感知感知的皮层视觉假体手术规划框架，把电极三维坐标当作可学习参数，在FreeSurfer fsaverage折叠皮层几何上用可微假体视觉前向模型端到端优化，目标为最小化任务级感知误差并加入血管避让与灰质可行性约束；在模拟的MNIST阅读任务与CIFAR-10自然图像任务上，该方法相对视觉场平铺与视觉场覆盖基线一致提升重建保真度（MNIST上MSE中位数最多降低67.7%与33.4%，下游分类准确率提升62.6%与22.4%），加入血管惩罚后消除了全部300 µm安全边界违规而SSIM仅下降1.7%（MNIST）与4.4%（CIFAR-10），并可在固定插入预算（Ninsert=128
该研究提出一个感知感知的皮层视觉假体手术规划框架，把电极三维坐标当作可学习参数，在FreeSurfer fsaverage折叠皮层几何上用可微假体视觉前向模型端到端优化，目标为最小化任务级感知误差并加入血管避让与灰质可行性约束；在模拟的MNIST阅读任务与CIFAR-10自然图像任务上，该方法相对视觉场平铺与视觉场覆盖基线一致提升重建保真度（MNIST上MSE中位数最多降低67.7%与33.4%，下游分类准确率提升62.6%与22.4%），加入血管惩罚后消除了全部300 µm安全边界违规而SSIM仅下降1.7%（MNIST）与4.4%（CIFAR-10），并可在固定插入预算（Ninsert=128
Nature Communications 2026年9月25日
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
StriMap 整合物理化学、序列上下文与界面结构特征预测 TCR–肽–HLA 识别，并从 43,241 个细菌蛋白的 1300 万条肽中筛出可激活强直性脊柱炎相关 TCR 的候选分子模拟肽
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
Nature Communications 2026年9月25日
研究者开发了多重深度视觉蛋白质组学（mxDVP）这一端到端流程，将高多重成像、自动化计算分析与空间引导的超灵敏质谱结合，其开源图像分析框架 PIPΣX 支持全切片膜感知分割、注释与激光显微切割导出，从而在少至 100 个小胰岛细胞中实现超过 6000 种蛋白鉴定；应用于人胰岛时分割了超过 860,000 个细胞并解析出十二种内分泌亚型，包括具有空间组织模式、INSM1 与 SCG3 共表达以及 α/β/δ 混合特征的罕见多激素与中间态群体。
研究者开发了多重深度视觉蛋白质组学（mxDVP）这一端到端流程，将高多重成像、自动化计算分析与空间引导的超灵敏质谱结合，其开源图像分析框架 PIPΣX 支持全切片膜感知分割、注释与激光显微切割导出，从而在少至 100 个小胰岛细胞中实现超过 6000 种蛋白鉴定；应用于人胰岛时分割了超过 860,000 个细胞并解析出十二种内分泌亚型，包括具有空间组织模式、INSM1 与 SCG3 共表达以及 α/β/δ 混合特征的罕见多激素与中间态群体。
mxDVP 从仅 100 个小胰岛细胞中鉴定出逾 6000 种蛋白，并在人胰岛中解析出十二种内分泌亚型
研究者开发了多重深度视觉蛋白质组学（mxDVP）这一端到端流程，将高多重成像、自动化计算分析与空间引导的超灵敏质谱结合，其开源图像分析框架 PIPΣX 支持全切片膜感知分割、注释与激光显微切割导出，从而在少至 100 个小胰岛细胞中实现超过 6000 种蛋白鉴定；应用于人胰岛时分割了超过 860,000 个细胞并解析出十二种内分泌亚型，包括具有空间组织模式、INSM1 与 SCG3 共表达以及 α/β/δ 混合特征的罕见多激素与中间态群体。
研究者开发了多重深度视觉蛋白质组学（mxDVP）这一端到端流程，将高多重成像、自动化计算分析与空间引导的超灵敏质谱结合，其开源图像分析框架 PIPΣX 支持全切片膜感知分割、注释与激光显微切割导出，从而在少至 100 个小胰岛细胞中实现超过 6000 种蛋白鉴定；应用于人胰岛时分割了超过 860,000 个细胞并解析出十二种内分泌亚型，包括具有空间组织模式、INSM1 与 SCG3 共表达以及 α/β/δ 混合特征的罕见多激素与中间态群体。
bioRxiv (Cold Spring Harbor Laboratory) 2026年9月25日
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
HARP 整合约 900 万 PBMC 并给出 192 种免疫细胞注释，还发现前列腺素信号通路的性别差异
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
Frontiers in Pharmacology 2026年9月25日
这篇综述整合了微生物药物代谢、辅料–菌群相互作用、纳米载体–菌群界面、菌群响应型释放机制与实验模型的证据，提出一套作者自述的、基于证据的口服制剂设计框架，包含辅料–菌群风险分类、纳米载体设计规则、菌群响应型给药决策逻辑和分层测试路线图，并以地高辛被 Eggerthella lenta 灭活、细菌代谢左旋多巴、细菌 β-葡萄糖醛酸酶介导伊立替康毒性等临床相关例子说明菌群可影响口服药物的稳定性、活性、暴露与安全性。
这篇综述整合了微生物药物代谢、辅料–菌群相互作用、纳米载体–菌群界面、菌群响应型释放机制与实验模型的证据，提出一套作者自述的、基于证据的口服制剂设计框架，包含辅料–菌群风险分类、纳米载体设计规则、菌群响应型给药决策逻辑和分层测试路线图，并以地高辛被 Eggerthella lenta 灭活、细菌代谢左旋多巴、细菌 β-葡萄糖醛酸酶介导伊立替康毒性等临床相关例子说明菌群可影响口服药物的稳定性、活性、暴露与安全性。
综述提出以肠道菌群为变量的口服制剂设计框架：辅料风险分类、纳米载体设计规则与分层测试路线图
这篇综述整合了微生物药物代谢、辅料–菌群相互作用、纳米载体–菌群界面、菌群响应型释放机制与实验模型的证据，提出一套作者自述的、基于证据的口服制剂设计框架，包含辅料–菌群风险分类、纳米载体设计规则、菌群响应型给药决策逻辑和分层测试路线图，并以地高辛被 Eggerthella lenta 灭活、细菌代谢左旋多巴、细菌 β-葡萄糖醛酸酶介导伊立替康毒性等临床相关例子说明菌群可影响口服药物的稳定性、活性、暴露与安全性。
这篇综述整合了微生物药物代谢、辅料–菌群相互作用、纳米载体–菌群界面、菌群响应型释放机制与实验模型的证据，提出一套作者自述的、基于证据的口服制剂设计框架，包含辅料–菌群风险分类、纳米载体设计规则、菌群响应型给药决策逻辑和分层测试路线图，并以地高辛被 Eggerthella lenta 灭活、细菌代谢左旋多巴、细菌 β-葡萄糖醛酸酶介导伊立替康毒性等临床相关例子说明菌群可影响口服药物的稳定性、活性、暴露与安全性。
Nature News 2026年9月25日
Anthropic 于 9 月 23 日宣布成立生命科学研究组与湿实验室，并发布一篇未经同行评审的预印本：约 950 个 AI 智能体自主运行逾 21 小时，在编码数十亿蛋白的 DNA 数据库中寻找可能与逆转录酶协同工作的蛋白，期间在一个巨型病毒的逆转录酶基因周边反复看到同一段短 DNA 序列，随后在其他病毒基因组中也找到类似模式，这些重复阵列与部分微生物 CRISPR 免疫系统中的重复序列相似，但其功能尚未确定，也没有已知的配套 DNA 切割酶。
Anthropic 于 9 月 23 日宣布成立生命科学研究组与湿实验室，并发布一篇未经同行评审的预印本：约 950 个 AI 智能体自主运行逾 21 小时，在编码数十亿蛋白的 DNA 数据库中寻找可能与逆转录酶协同工作的蛋白，期间在一个巨型病毒的逆转录酶基因周边反复看到同一段短 DNA 序列，随后在其他病毒基因组中也找到类似模式，这些重复阵列与部分微生物 CRISPR 免疫系统中的重复序列相似，但其功能尚未确定，也没有已知的配套 DNA 切割酶。
Anthropic 的 AI 生物实验室用约 950 个智能体扫描数十亿蛋白，在巨型病毒基因组中发现类 CRISPR 的重复 DNA 阵列
Anthropic 于 9 月 23 日宣布成立生命科学研究组与湿实验室，并发布一篇未经同行评审的预印本：约 950 个 AI 智能体自主运行逾 21 小时，在编码数十亿蛋白的 DNA 数据库中寻找可能与逆转录酶协同工作的蛋白，期间在一个巨型病毒的逆转录酶基因周边反复看到同一段短 DNA 序列，随后在其他病毒基因组中也找到类似模式，这些重复阵列与部分微生物 CRISPR 免疫系统中的重复序列相似，但其功能尚未确定，也没有已知的配套 DNA 切割酶。
Anthropic 于 9 月 23 日宣布成立生命科学研究组与湿实验室，并发布一篇未经同行评审的预印本：约 950 个 AI 智能体自主运行逾 21 小时，在编码数十亿蛋白的 DNA 数据库中寻找可能与逆转录酶协同工作的蛋白，期间在一个巨型病毒的逆转录酶基因周边反复看到同一段短 DNA 序列，随后在其他病毒基因组中也找到类似模式，这些重复阵列与部分微生物 CRISPR 免疫系统中的重复序列相似，但其功能尚未确定，也没有已知的配套 DNA 切割酶。
NVIDIA 开发者技术博客 2026年9月24日
NVIDIA 的 Sudhakar Singh、Varun Thumbe、Santosh Santosh、Timur Rvachov 和 Chris Hoge 发布了一篇教程，说明如何用 NVIDIA BioNeMo MoE 配方与 Transformer Engine 训练基于 MoE 的生物基础模型：用 GroupedLinear 把逐专家的 Python 循环改为一次分组 GEMM，用 MXFP8（每 32 个连续值一个缩放因子）把权重和激活从 16 位降到 8 位，并用 Sequential API 把 GroupedLinear→ScaledSwiGLU→GroupedLinear 融合为 ForwardGroupedMLP_CuTeGEMMSwiGLU_
NVIDIA 的 Sudhakar Singh、Varun Thumbe、Santosh Santosh、Timur Rvachov 和 Chris Hoge 发布了一篇教程，说明如何用 NVIDIA BioNeMo MoE 配方与 Transformer Engine 训练基于 MoE 的生物基础模型：用 GroupedLinear 把逐专家的 Python 循环改为一次分组 GEMM，用 MXFP8（每 32 个连续值一个缩放因子）把权重和激活从 16 位降到 8 位，并用 Sequential API 把 GroupedLinear→ScaledSwiGLU→GroupedLinear 融合为 ForwardGroupedMLP_CuTeGEMMSwiGLU_
NVIDIA 团队用 BioNeMo MoE 配方与 Transformer Engine 在八块 B200 上把生物基础模型训练吞吐提升至 Hugging Face 基线的 2.21 倍
NVIDIA 的 Sudhakar Singh、Varun Thumbe、Santosh Santosh、Timur Rvachov 和 Chris Hoge 发布了一篇教程，说明如何用 NVIDIA BioNeMo MoE 配方与 Transformer Engine 训练基于 MoE 的生物基础模型：用 GroupedLinear 把逐专家的 Python 循环改为一次分组 GEMM，用 MXFP8（每 32 个连续值一个缩放因子）把权重和激活从 16 位降到 8 位，并用 Sequential API 把 GroupedLinear→ScaledSwiGLU→GroupedLinear 融合为 ForwardGroupedMLP_CuTeGEMMSwiGLU_
NVIDIA 的 Sudhakar Singh、Varun Thumbe、Santosh Santosh、Timur Rvachov 和 Chris Hoge 发布了一篇教程，说明如何用 NVIDIA BioNeMo MoE 配方与 Transformer Engine 训练基于 MoE 的生物基础模型：用 GroupedLinear 把逐专家的 Python 循环改为一次分组 GEMM，用 MXFP8（每 32 个连续值一个缩放因子）把权重和激活从 16 位降到 8 位，并用 Sequential API 把 GroupedLinear→ScaledSwiGLU→GroupedLinear 融合为 ForwardGroupedMLP_CuTeGEMMSwiGLU_

第 7 页 · 当前显示 10 项