标签
本文评估了使用cfDNA片段组学和甲基化数据的量子-经典混合机器学习用于肺癌检测，结果显示量子核模型与传统基线相比具有竞争力的性能。
本文提出P2E-VQ，一个检索增强框架，通过离散补丁检索获取ECG-关联信息来增强PPG表示，从而在推理过程中无需ECG即可改善下游任务。
CADENCE 使用稀疏自编码器将心电图基础模型表示分解为可解释的生理概念，显著改善了与临床表型和波形形态的一致性。
Omni-Sleep 是一种睡眠基础模型，它利用分层对比学习从多模态多导睡眠图中捕捉中枢神经系统-自主神经系统动态，在睡眠分期和多疾病分类上优于强基线模型。
MKGR 是一个多模态框架，结合蛋白质序列编码与四个生物医学知识图谱，以改进冷启动蛋白质-蛋白质相互作用预测，在基准数据集上优于基线方法。
本文介绍了一个通过强化学习训练的AI智能体，能够推理自1939年以来所有FDA批准的药物，进行治疗建议，并整合疾病背景、合并症和禁忌症。
KG-TRACE 是一个神经符号框架，它将 WHO 突变知识图谱与神经基因组模型相结合，用于抗菌药物耐药性预测，实现了高准确率，并引入了生物基础比率（BGR）指标，以确保与已建立的生物学知识保持一致。
BioManus 是一个 MCP 原生生物医学智能体系统，它采用基于图脚手架的规划方式，对结构化生物学能力进行调度，而非依赖扁平化的基于提示的工具检索，在生物医学基准测试中实现了更优的上下文效率与执行精度。该系统引入了 BioinfoMCP 编译器，用于标准化异构生物信息学工具，并将其组织为类型化异构 MCP 图，以支持可扩展的推理能力。
GiG是一个知识图谱调制的深度学习框架，它将生物知识图谱整合为边，患者特定数据作为节点特征，在有限样本临床任务中性能比现有最佳方法高出高达49%。
本文表明，在编码器适配过程中从掩码语言建模（MLM）切换至因果语言建模（CLM），能够提升在生物医学文本上的下游任务性能。作者发布了 ModernBERT-bio 和 ModernCamemBERT-bio，作为当前最先进的生物医学编码器。
MIT发布了FINGERS-7B，这是一个拥有70亿参数的多组学基础模型，基于3万人的数据进行训练，旨在提前数年预测阿尔茨海默病的风险。该模型可通过AD Workbench访问，并附有发布在OpenReview上的研究论文。
本文介绍了 NATD-GSSL 框架，用于评估图自监督学习在含噪声的文本驱动生物医学图上的鲁棒性。研究表明，尽管存在现实世界的噪声，某些 GNN 架构和 pretext tasks（辅助任务）仍能保持性能，为在不完美数据集上进行无监督学习提供了实用指导。
研究人员使用QLoRA与GraphRAG对BioMistral-7B进行微调，构建面向南非结核病诊疗的LLM，在上下文对齐方面优于基座模型。
LogosKG 提出一种贴合硬件的框架，可在含十亿条边的知识图谱上实现可扩展、可解释的多跳检索；通过度感知分区与按需缓存提升效率，同时不损失保真度。