圖書信息
內容簡介
對 arXiv q-bio.QM 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 120 篇論文 的細讀整理，組織為 44 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 人工智能驅動的分子性質與臨床預測 (16.6%) — 聚焦利用深度學習與多模態融合技術預測分子性質、疾病結局與臨床生存指標。
- 自動化圖像分析與診斷檢測 (12.8%) — 處理醫學影像、顯微成像與生物數據分析中的自動化檢測、分割與分類任務。
- 用於藥物發現與分子設計的生成式人工智能 (12.4%) — 探索擴散模型、生成式人工智能與智能體框架，用於生成新分子並優化藥物發現流程。
- 蛋白質語言模型與結構生成 (10.9%) — 利用蛋白質語言模型與自迴歸方法進行蛋白質設計、序列生成與結構動力學建模。
- 生物醫學成像與生物學中的基礎模型 (10.0%) — 研究用於生物醫學成像、虛擬染色與生物序列理解的大型基礎模型的應用與訓練。
- 物理信息與圖神經網絡 (9.6%) — 融合物理信息約束與圖神經網絡，對生物系統、組織特性與動態過程進行建模。
- 單細胞與空間多組學建模 (8.4%) — 開發整合單細胞多組學數據、建模細胞擾動並分析空間轉錄組的計算框架。
- 自動化生物數據處理與識別 (7.3%) — 聚焦用於識別生物實體、檢測疾病與處理大規模生物數據集的自動化流程。
- 用於疾病分類的深度學習框架 (7.1%) — 應用深度學習與機器學習框架進行疾病分類、生物標誌物檢測，並以穩健方式分析臨床數據。
- 多模態數據整合與統計分析 (5.0%) — 採用統計方法與多模態整合技術分析複雜生物數據，包括功能性近紅外光譜、基因組與臨床記錄。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
