應用數學與交叉科學研究中心生物信息學團隊于2025年11月20日第3次組會按期舉行，小組全體成員和各位導師共同參加。在這次組會上，由一名研二學生和兩名研一學生分别彙報自己的研究進展，然後老師與同學們對彙報内容進行學術探讨，并對存在的問題給出相應的指導和建議。

趙丹丹：本次組會彙報了一篇文獻。文章關于基因切換開關涉及多步反應過程（如複雜的啟動子激活），在單個反應事件之間産生記憶。揭示這種分子記憶的效果對于理解細胞内過程（如細胞決策）非常重要。文章提出了一個廣義遺傳撥動開關模型，并使用廣義化學主方程理論來解釋記憶效應。有趣的是，文章發現分子記憶可以誘導這種記憶系統的雙峰性，盡管相應的無記憶對應物不是雙峰性的。這一發現意味着表型轉換的另一種機制是由分子記憶驅動的，而不是像以前的研究那樣由超敏感性或合作結合驅動的，此外還發現，相互抑制的轉錄因子在産生過程中産生的不平衡記憶可導緻不對稱雙峰現象，而不會改變雙峰蛋白質分布中兩個峰的位置。鑒于分子記憶在基因調控中的普遍存在，文章的發現将為生長和發育過程中的細胞命運決定提供啟示。

林飛：本次彙報了一篇文獻。文章提出LINGER 是一種基于終身學習機制的神經網絡方法，用于從單細胞多組學數據中推斷基因調控網絡。該方法通過整合大規模外部批量數據和轉錄因子-調控元件基序匹配信息，顯著提升了GRN推斷的準确性。傳統方法在從有限的單細胞數據中學習複雜調控機制方面存在挑戰，而LINGER通過預訓練于跨多種細胞環境的批量數據，并結合彈性權重鞏固損失函數，實現了知識的持續積累與遷移。LINGER不僅能推斷細胞群體、細胞類型特異性及單細胞水平的GRN，還支持基于GWAS數據的疾病相關細胞類型、關鍵轉錄因子及其調控子網絡的識别。此外，LINGER還可僅基于基因表達數據估計轉錄因子活性，識别病例-對照研究中的驅動調控因子，為理解複雜疾病的調控機制提供了有力工具。

楊紫嫣：本次彙報的是一篇文獻。文章提出RiboPO方法，是一種基于偏好優化與多輪課程學習的框架，用于從 RNA 三維結構骨架逆推兼具結構準确性與熱力學穩定性的核苷酸序列。傳統 RNA 逆折疊方法受限于單目标優化、評估體系片面等問題，難以同時滿足 “結構保真” 與 “熱力學穩定” 的雙目标。RiboPO 通過三大核心設計實現突破：多目标偏好優化：構建 “勝者 - 敗者” 序列對（偏好對），同時納入結構指标（pLDDT、RMSD）與熱力學指标（MFE），明确 “好序列” 的雙重标準；多輪課程學習：動态調整邊際系數 γr（1.2→1.0→0.8），讓模型從 “粗篩顯著差異” 逐步過渡到 “細優化細微差異”，保障學習的穩步性；多維度評估基準：提出 SSTT 基準，從序列、二級結構、三級結構、熱力學四大維度全面評估 RNA 設計質量，避免單一指标的局限性。RiboPO 的應用價值與創新貢獻顯著：性能全面領先：在 DAS 基準集上，較基線模型實現 MFE 提升 12.3%、二級結構自一緻性 scMCC 提升 20%、采樣效率 pass@k 提升 11%，實現 “結構 - 穩定” 雙優；技術範式創新：首次将熱力學穩定性系統性融入 RNA 逆折疊優化，為領域提供了 “多目标平衡 + 終身學習式優化” 的新範式；應用場景拓展：可适配基因調控、RNA 療法、合成生物學等領域的 RNA 設計需求，未來還可擴展至蛋白 - RNA 複合物等複雜體系。綜上，RiboPO 通過偏好優化與多輪課程學習的深度融合，破解了 RNA 逆折疊 “顧此失彼” 的核心難題，為 RNA 工程從 “理論設計” 走向 “實際應用” 提供了關鍵技術支撐。