学术背景 蛋白质复合物三维结构的解析是现代结构生物学、分子机理研究、药物设计乃至于人工蛋白质设计等领域的核心课题。蛋白质的功能往往由其结构所决定，而众多生物过程涉及蛋白质间复杂的相互作用。虽然传统的实验手段（如X射线晶体学、冷冻电镜、NMR等）虽能解析蛋白质的三维结构，但耗时繁琐、成本高昂，难以满足高通量或大规模研究需求。近年来，数据驱动的蛋白质结构预测方法（如AlphaFold、RoseTTAFold等）取得了革命性突破，尤其是在单体蛋白模型的准确度方面甚至能够媲美实验结构。然而，蛋白质复合物结构预测的准确度仍未达到单体预测的高度，特别是在多聚体与抗体-抗原等复杂体系中，仍有巨大的提升空间。 在实际应用中，研究者往往需要从机器学习或深度学习模型产生的大量“候选结构”(decoys)中筛选出...

一、研究背景与学科前沿 癌症预后分析一直是医学领域的核心研究方向。近年来，随着高通量测序技术（high-throughput sequencing technologies）的广泛应用，科学家们得以深入探索癌症患者的分子生物标志物（biomarker）和临床特征，从而帮助临床医生更准确地评估患者的生存风险，制定个体化治疗策略。传统的 Cox 比例风险模型（Cox proportional hazards model）作为经典的生存分析工具，因其优秀的统计基础和适应性而被广泛应用于癌症预后研究。 然而，随着深度学习（Deep Learning, DL）以及多组学（omics）数据的引入，科学家们逐步认识到传统 Cox 模型在特征提取和复杂关系建模方面的不足。许多基于深度学习的方法往往侧重于特征...

基于双视图图-图表示学习的图级异常检测研究 学术背景 在当今数据驱动的世界中，图（Graph）作为一种强大的数据结构，被广泛应用于社交网络分析、金融欺诈检测和生物信息学等领域。图能够有效地表示复杂的关系数据，例如社交网络中的用户关系、金融交易中的资金流动以及化学分子中的原子和化学键关系。然而，随着图数据的广泛应用，如何从大量图数据中检测出异常的图样本（Graph-Level Anomaly Detection, GLAD）成为了一个重要的研究问题。 现有的GLAD方法通常依赖于图神经网络（Graph Neural Networks, GNNs）来提取图级表示，并基于这些表示进行异常检测。然而，GNNs的局限性在于其感受野（receptive field）有限，可能无法捕捉到图中潜在的异常信息...

基于图神经网络的对话情感识别新方法 研究背景 情感识别（Emotion Recognition, ER）是人机交互（Human-Computer Interaction, HCI）中的重要组成部分，旨在通过分析语音、文本、视频等多模态数据，识别人类的情感状态。这一技术在医疗、教育、社交媒体和聊天机器人等领域具有广泛的应用前景。近年来，情感识别的研究逐渐从单句情感分析转向对话情感识别（Emotion Recognition in Conversations, ERC），即识别对话中每一句话的情感状态。与单句情感分析相比，对话情感识别更具挑战性，因为对话中的情感不仅受当前语句的影响，还受到上下文语境和说话者之间互动的影响。 传统的对话情感识别方法主要依赖于循环神经网络（RNN）和长短期记忆网络（...

基于Delaunay三角剖分的3D形状表示学习 学术背景 在计算机视觉和图形学领域，从点云数据中重建表面是一个长期存在的问题。传统的隐式方法（如Poisson表面重建）通过计算隐式函数并使用Marching Cubes算法提取表面，虽然能够生成水密（watertight）的网格，但在处理复杂结构时往往会导致细节丢失和过度平滑。另一方面，显式方法（如Delaunay三角剖分）通过点集的三角剖分直接构建网格，能够更好地保留尖锐特征和细节，但在复杂拓扑结构上推断三角形连接性仍然具有挑战性。 近年来，基于学习的方法在表面重建任务中取得了显著进展。然而，现有的学习型显式方法在处理复杂结构时仍然存在困难，尤其是在推断局部形状连接性时，容易产生伪影和非水密三角形。为了解决这些问题，本文提出了一种基于Del...