Paper List
-
Evolutionarily Stable Stackelberg Equilibrium
通过要求追随者策略对突变入侵具有鲁棒性，弥合了斯塔克尔伯格领导力模型与演化稳定性之间的鸿沟。
-
Recovering Sparse Neural Connectivity from Partial Measurements: A Covariance-Based Approach with Granger-Causality Refinement
通过跨多个实验会话累积协方差统计，实现从部分记录到完整神经连接性的重建。
-
Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics
ATMOS通过提供一个基于SSM的高效框架，用于生物分子的原子级轨迹生成，弥合了计算昂贵的MD模拟与时间受限的深度生成模型之间的差距。
-
Slow evolution towards generalism in a model of variable dietary range
通过证明是种群统计噪声（而非确定性动力学）驱动了模式形成和泛化食性的演化，解决了间接竞争下物种形成的悖论。
-
Grounded Multimodal Retrieval-Augmented Drafting of Radiology Impressions Using Case-Based Similarity Search
通过将印象草稿基于检索到的历史病例，并采用明确引用和基于置信度的拒绝机制，解决放射学报告生成中的幻觉问题。
-
Unified Policy–Value Decomposition for Rapid Adaptation
通过双线性分解在策略和价值函数之间共享低维目标嵌入，实现对新颖任务的零样本适应。
-
Mathematical Modeling of Cancer–Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks
提供了一个严格的、无网格的PINN框架，用于模拟和分析细菌癌症疗法中复杂的、空间异质的相互作用。
-
Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift
通过从无标记分子谱中学习可迁移表征，利用最少的临床数据实现患者药物反应的有效预测。
用于量子退火优化的二元潜在蛋白质适应度景观
University of Alabama at Birmingham
30秒速读
IN SHORT: 通过将序列映射到二元潜在空间进行基于QUBO的适应度优化，桥接蛋白质表示学习和组合优化。
核心创新
- Methodology First framework to transform protein language model embeddings into binary latent representations for QUBO-based fitness modeling
- Methodology Enables direct compatibility with quantum annealing hardware through native QUBO formulation
- Biology Demonstrates that simple binary representations can capture meaningful structure in protein fitness landscapes
主要结论
- Q-BioLat在ProteinGym GFP数据集（10,000个样本，潜在维度32-64）上实现了0.385-0.413的Spearman相关性
- 优化后的序列始终检索到适应度百分位顶部的最近邻，模拟退火在代理分数上实现了1.529±的改进
- 遗传算法在更高维潜在空间（m=64）中优于其他方法，而局部搜索能更好地保持序列真实性
摘要: 我们提出了Q-BioLat，一个在二元潜在空间中建模和优化蛋白质适应度景观的框架。从蛋白质序列出发，我们利用预训练的蛋白质语言模型获得连续嵌入，然后将其转换为紧凑的二元潜在表示。在这个空间中，蛋白质适应度使用二次无约束二元优化（QUBO）模型进行近似，从而通过经典启发式方法（如模拟退火和遗传算法）实现高效的组合搜索。在ProteinGym基准测试中，我们证明Q-BioLat能够捕捉蛋白质适应度景观中的有意义结构，并能够识别高适应度变体。尽管使用了简单的二值化方案，我们的方法始终能检索到其最近邻位于训练适应度分布顶部的序列，特别是在最强配置下。我们进一步表明，不同的优化策略表现出不同的行为，进化搜索在更高维的潜在空间中表现更好，而局部搜索在保持真实序列方面仍具有竞争力。除了其经验性能外，Q-BioLat为蛋白质表示学习和组合优化之间提供了自然的桥梁。通过将蛋白质适应度表述为QUBO问题，我们的框架与新兴的量子退火硬件直接兼容，为量子辅助蛋白质工程开辟了新的方向。