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、学术背景与研究动因 近年来，基因型-表型（Genotype-Phenotype, G-P）关联分析已成为揭示复杂性状遗传基础的核心手段，尤其在人类面部、四肢、骨骼等多维结构性状的研究中获得了快速发展。传统上，G-P分析依赖简单、预设的人体解剖测量指标，或者采用诸如主成分分析（Principal Component Analysis, PCA）等无监督降维技术，抽取如“主成分（principal components）”“特征面（eigen-shapes）”等数据驱动特征。这些方法虽然流行，但并不一定能够选取真正携带丰富遗传信息、具有遗传生物学相关性的表型轴线。换言之，很多PCA得出的特征主轴，虽然能够涵盖大部分形态变异，却并未必在基因层面具备最大化的解释力，容易遗漏关键的遗传信号。 此外...

研究背景：网络推断新挑战 在现代分子生物学和系统生物学领域，对生物分子网络（如基因调控网络、蛋白质互作网络、信号传导网络等）的精准解析被视为理解细胞生命活动、疾病发病机制和药物作用机理的核心。然而，这些生物网络极为复杂，普遍存在节点众多、连接关系错综、非线性动态强烈以及实验测量噪音大的难题。作者们正是在这样的大背景下，选择聚焦于“模块响应分析（Modular Response Analysis, MRA）”方法。MRA是一类基于对系统节点施加扰动，并分析扰动响应以推断模块间相互作用的经典方法，尤其适用于节点可以灵活定义为“基因、蛋白质、代谢物或蛋白复合体等多尺度结构单元（模块）”的网络解析。 尽管MRA长期以来在中小规模网络解析、稳态扰动数据分析等方面被广泛应用，并见证了算法层面的多种优化，...

学术背景与研究意义 近几十年来，治疗性蛋白（therapeutic proteins）由于其在医学领域的巨大潜力，成为生物制药行业的研究重点。治疗性蛋白药物以其高度的靶向性为优势，被认为对许多以往难以治疗的急性或慢性疾病（如某些自身免疫病、癌症等）提供了解决方案。从1880年代血清治疗的发现到1986年首个单克隆抗体药物muromonab-CD3的推出，治疗性蛋白市场持续扩大，预计将在2032年达到近474亿美元。然而，治疗性蛋白引发免疫反应（immunogenicity）这一问题却一直困扰着药物研发人员。免疫反应既可能带来有害副作用，也可能激活治疗机制，例如疫苗就是通过激发体内免疫应答以实现免疫保护。 在蛋白药物所引发免疫反应的分子机制中，MHC（major histocompatibil...

一、背景介绍：医学领域中的机器学习与可信度挑战 近年来，随着人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）技术的飞速发展，医疗健康领域发生了巨大变革。尤其是在体外仿真医学（in silico medicine）中，机器学习预测器已成为估算人体生理和病理中某些难以直接测量指标的重要工具，如疾病风险评估、治疗反应预测等。然而，随着机器学习越来越多地直接影响临床决策，对其预测结果的可信度（credibility）提出了前所未有的高标准。换言之，如何确保机器学习模型在医学实际应用中既准确又可靠，成为学界和产业界急需解决的核心科学问题。 与传统基于生物物理原理（biophysical models，亦称“第一性原理模型”）的预测...