图书信息
内容简介
对 arXiv q-bio.QM 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 120 篇论文 的细读整理，组织为 44 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 人工智能驱动的分子性质与临床预测 (16.6%) — 聚焦利用深度学习与多模态融合技术预测分子性质、疾病结局与临床生存指标。
- 自动化图像分析与诊断检测 (12.8%) — 处理医学影像、显微成像与生物数据分析中的自动化检测、分割与分类任务。
- 用于药物发现与分子设计的生成式人工智能 (12.4%) — 探索扩散模型、生成式人工智能与智能体框架，用于生成新分子并优化药物发现流程。
- 蛋白质语言模型与结构生成 (10.9%) — 利用蛋白质语言模型与自回归方法进行蛋白质设计、序列生成与结构动力学建模。
- 生物医学成像与生物学中的基础模型 (10.0%) — 研究用于生物医学成像、虚拟染色与生物序列理解的大型基础模型的应用与训练。
- 物理信息与图神经网络 (9.6%) — 融合物理信息约束与图神经网络，对生物系统、组织特性与动态过程进行建模。
- 单细胞与空间多组学建模 (8.4%) — 开发整合单细胞多组学数据、建模细胞扰动并分析空间转录组的计算框架。
- 自动化生物数据处理与识别 (7.3%) — 聚焦用于识别生物实体、检测疾病与处理大规模生物数据集的自动化流程。
- 用于疾病分类的深度学习框架 (7.1%) — 应用深度学习与机器学习框架进行疾病分类、生物标志物检测，并以稳健方式分析临床数据。
- 多模态数据整合与统计分析 (5.0%) — 采用统计方法与多模态整合技术分析复杂生物数据，包括功能性近红外光谱、基因组与临床记录。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
