揭示连边预测算法的“富节点”偏见及其应对新策略 —— 解读“Bias-aware Training and Evaluation of Link Prediction Algorithms in Network Biology” 一、学术背景与研究缘起 在过去的十年里，生物网络（network biology）在揭示生物分子关联与功能方面扮演着愈加重要的角色。随着蛋白-蛋白互作（protein–protein interaction, PPI）、疾病基因关系等大规模图谱数据不断丰富，基于图机器学习的连边预测（link prediction, 连边意指网络中节点之间的关联）成为生物信息学和计算生物学中的核心工具。连边预测算法被广泛用于发现未知的生物分子关联，有助于药物靶点发现、疾病机制研究、实...

学术背景 COVID-19大流行对全球公共卫生系统造成了巨大冲击，尽管目前疫情已有所缓解，但其复杂的免疫病理机制、长期后遗症（如“长新冠”）以及未来可能出现的类似威胁，仍然推动着相关研究的深入。特别是重症COVID-19患者，常伴随“细胞因子风暴”、急性呼吸窘迫综合征（ARDS）、多器官衰竭等严重症状，亟需更精准的预测模型和生物标志物来指导临床决策。 传统的机器学习（ML）和深度学习（DL）模型在高通量组学数据分析中表现出色，但往往缺乏生物可解释性，难以揭示非线性蛋白质动态（如翻译后修饰）和复杂的信号通路调控机制。为了解决这一问题，作者开发了APNet（Activity PASNet），一种结合了差异活性分析和生物信息驱动的稀疏深度学习模型，旨在通过可解释的预测发现COVID-19重症的驱动...