膜蛋白扩散不必只靠分子动力学：神经随机模型把轨迹拉长到4万帧，仍守住近布朗扩散
粗粒化分子动力学能给出膜蛋白的短时轨迹，但长时扩散统计代价高昂。神经随机模型把蛋白构型编码、多时间尺度循环记忆与带记忆的随机隐过程结合起来，自回归地生成相关位移。在7个PIEZO通道体系中，它给出的平均异常扩散指数为1.048±0.012，与MD的1.049±0.022接近，而此前的VAR-SDE模型为1.563±0.016；生成轨迹延伸到4万帧。
车道一封，实时需求校准反而更准：网格网络第10天密度误差比LimEKF低63%
一种把数据驱动需求预测网络与黑箱微观交通仿真器双向耦合的实时OD需求校准框架，用可解析的元模型代替仿真器回传梯度，使网络参数和需求估计随时间步同步更新。在3×3网格网络中，第10天B1C1车道于4小时封闭后，该框架密度MSE为21.6 [veh/km]2，比LimEKF的57.9 [veh/km]2低63%；在东京高速走廊2021年奥运交通管理日，带在线更新的版本MSE为0.66 [veh/km]2，LimEKF为1.15 [veh/km]2。
绞牛肉掺淋巴结不再靠肉眼：四档激发荧光加LSTM，外部屠宰场RPD仍有9.3
绞牛肉中混入淋巴结组织后，肉眼检查已无法识别，而DNA和蛋白法虽特异却破坏样品、依赖湿化学前处理。研究用四档激发波长的前表面荧光光谱配合可解释LSTM，在五家屠宰场、三个品种的824份样品上建模，并在两家未参与训练的外部屠宰场样品上取得R2P 0.988–0.993、RMSEP 2.60–3.35% w/w、RPD 9.3–12.0。激发消融显示，特异性来自多激发采样而非网络结构，检出限1.8% w/w、定量限6.0% w/w。
机器学习偏差订正把 Ina-Flows 海表温度预报误差在 Karimun Jawa 降低 29.83%、在 Bira 降低 26.10%，且最优算法随地点不同
该研究用 MAWS 观测评估 BMKG Ina-Flows 海表温度预报的偏差，并在 Karimun Jawa 与 Bira 两个站点比较 SVR、LSTM、Bi-LSTM 三种机器学习偏差订正算法，发现 Ina-Flows 在两处均存在暖偏差，Karimun Jawa 以 LSTM 最优（RMSE 0.207、MAE 0.182、MBE -0.171，RMSE 降低 29.83%），Bira 以 Bi-LSTM 最优（RMSE 0.218、MAE 0.173、MBE 0.011，RMSE 降低 26.10%），说明订正效果依赖地点、算法选择需依据本地验证。
基于基础模型的软时间打分：超声视频中用于改进ONSD测量的最优帧选择
该研究提出一种稀疏监督的AI框架，用冻结的超声基础模型（USFM，ViT-B）为每帧提取768维特征，交给轻量双向LSTM时间头输出0到1的帧质量分数，并以高斯软标签（在专家标注的关键帧处取峰值、随帧距平滑衰减，宽度σ=5帧）训练；在18名受试者、323段超声扫查视频（覆盖9种受控采集扫查类型、约45,500帧）的受试者级五折交叉验证中，该方法在含关键帧的扫查里以82.2%的Hit@1选出可用帧、平均最小距离3.07帧，超过最强无训练基线（USFM特征余弦相似度49.2%）与硬标签模型（71.9%）。
面向EGFR抑制剂设计的生成式AI：GPT-2与LSTM模型对比
该工作通过在约50万条来自ChEMBL数据库的分子数据上微调GPT-2模型，并与在同一数据集上训练的LSTM网络进行基准对比，生成新的EGFR抑制剂候选分子，对生成化合物进行有效性、独特性与新颖性评估，再经Lipinski五规则、合成可及性与类药性评分过滤，并对入选候选物针对EGFR（PDB ID: 1M17）开展分子对接以评估结合亲和力，结果显示GPT-2在生成结构多样分子方面表现突出，而LSTM生成的化学有效分子比例更高，许多候选物与EGFR表现出良好结合相互作用。
已读完全部报道