City University of Hong Kong

撰文丨王聪编辑丨王多鱼排版丨水成文2025 年 4 月 30 日，国际顶尖学术期刊 Nature 上线了 23 篇论文，其中 12 篇来自华人学者（包括作为通讯作者和第一作者的论文）。4 月 30 日，哈佛大学医学院 Joel M. J. Tan 作为第一作者，在 Nature 发表了题为：A DNA-gated molecular guard controls bacterial Hailong anti-phage defence（一种由 DNA 控制的分子卫士调控细菌的 Hailong 抗噬菌体防御机制）的研究论文【1】。4 月 30 日，南京农业大学粟硕教授、中国科学院微生物研究所毕玉海研究员、南京农业大学张水军教授作为共同通讯作者，在 Nature 期刊发表了题为：A MERS-CoV-like mink coronavirus uses ACE2 as entry receptor（一种MERS-CoV样水貂冠状病毒利用ACE作为进入受体）的研究论文【2】。4 月 30 日，南方科技大学夏海平教授作为通讯作者，在 Nature 期刊发表了题为：Metal-centred planar [15]annulenes（金属中心平面[15]环烯）的研究论文【3】。4 月 30 日，芝加哥大学 E. B. Chang 教授作为通讯作者，在 Nature 期刊发表了题为：Diet outperforms microbial transplant to drive microbiome recovery in mice（在小鼠中，饮食干预比微生物移植更能促进微生物组的恢复）的研究论文【4】。4 月 30 日，四川大学华西医院陈大年教授作为第一作者，在 Nature 期刊发表了题为：Cell cycle duration determines oncogenic transformation capacity（细胞周期持续时间决定致癌转化能力）的研究论文【5】。4 月 30 日，西安交通大学孙军院士、刘刚教授、上海交通大学材许元涛等人作为共同通讯作者，在 Nature 期刊发表了题为：Structurally complex phase engineering enables hydrogen-tolerant Al alloys（结构复杂的相工程使铝合金具有耐氢性）的研究论文【6】。4 月 30 日，香港中文大学黄秀娟教授作为共同通讯作者，在 Nature 期刊发表了题为：Global evolution of inflammatory bowel disease across epidemiologic stages（炎症性肠病在全球不同流行病学阶段的演变情况）的研究论文【7】。4 月 30 日，日本海洋地球科学技术机构 Shiye Zhao 作为通讯作者在 Nature 期刊发表了题为：The distribution of subsurface microplastics in the ocean（海洋中地下微塑料的分布）的研究论文【8】。4 月 30 日，斯坦福大学医学院 Joseph C. Wu 教授作为通讯作者，在 Nature 期刊发表了题为：Selective inhibition of stromal mechanosensing suppresses cardiac fibrosis（选择性抑制基质机械感受可抑制心脏纤维化）的研究论文【9】。4 月 30 日，西奈山伊坎医学院 Xiaoting Wu 作为通讯作者，在 Nature 期刊发表了题为：Serotonin and neurotensin inputs in the vCA1 dictate opposing social valence（血清素和神经降压素在腹侧海马CA1区（vCA1）的输入决定相反的社会效价）的研究论文【10】。4 月 30 日，北京大学第三医院李默研究员、北京航空航天大学常凌乾教授、伊利诺伊大学香槟分校余存江教授、香港城市大学于欣格教授作为共同通讯作者，在 Nature 期刊发表了题为：A battery-free nanofluidic intracellular delivery patch for internal organs（一种适用于内脏器官的无电池纳米流体细胞内递送贴片）的研究论文【11】。4 月 30 日，杜克大学 Mingyuan Zhu 作为第一作者，在 Nature 期刊发表了题为：Single-cell transcriptomics reveal how root tissues adapt to soil stress（单细胞转录组学揭示根组织如何适应土壤胁迫）的研究论文【12】。论文链接：1. https://www.nature.com/articles/s41586-025-09058-z2. https://www.nature.com/articles/s41586-025-09007-w3. https://www.nature.com/articles/s41586-025-08841-24. https://www.nature.com/articles/s41586-025-08937-95. https://www.nature.com/articles/s41586-025-08935-x6. https://www.nature.com/articles/s41586-025-08879-27. https://www.nature.com/articles/s41586-025-08940-08. https://www.nature.com/articles/s41586-025-08818-19. https://www.nature.com/articles/s41586-025-08945-910. https://www.nature.com/articles/s41586-025-08809-211. https://www.nature.com/articles/s41586-025-08943-x12. https://www.nature.com/articles/s41586-025-08941-z设置星标，不错过精彩推文开放转载欢迎转发到朋友圈和微信群 微信加群 为促进前沿研究的传播和交流，我们组建了多个专业交流群，长按下方二维码，即可添加小编微信进群，由于申请人数较多，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。点在看，传递你的品味

分子动力学（MD）模拟是研究生物大分子功能与作用机制的重要方法，但在实际应用中面临着计算复杂度高、动态特征提取不足、结构生物信息学利用不足和粗粒化策略导致信息丢失等问题。香港城市大学李皓亮研究团队针对这一问题，提出Deep Signature框架，通过融合深度谱聚类与路径签名理论，解决了大规模分子动力学分析中的计算复杂度高和特征表示困难的问题。近日，该项研究工作已被人工智能领域顶级学术会议International Conference on Learning Representations (ICLR) 接收。研究人员通过整合深度谱聚类模块（deep spectral clustering module）、路径签名变换模块（path signature transform module）和分类器实现分子动力学轨迹的高效表征与分析。在深度谱聚合模块，研究人员利用图神经网络（GNN）和谱聚类理论对原始分子轨迹进行粗粒化，在保留关键动力学特征的同时，逐步降低MD轨迹复杂度，实现了自动化的原子聚类与特征降维。如图1所示，模型通过GNN层生成节点嵌入，再通过多层感知机（MLP）计算聚类分配矩阵，最终将原子精度动力学轨迹映射到粗粒化空间。最后，使用归一化割算法和时序一致性约束优化聚类效果。归一化割损失通过促进具有高相互作用强度的原子分配到同一簇，与维持动态特征的时序一致性损失形成协同优化，共同保证粗粒化模型既能保持局部结构特征，又能准确复现体系的动力学行为。图1：深度谱聚合模块架构路径签名变换模块架构如图2所示，以粗粒化后的轨迹作为输入，将连续的分子动力学轨迹转换为一系列紧凑且信息完备的多尺度几何特征。进一步引入对数签名以减少冗余，并通过长短期记忆网络建模特征间的非线性关系。分类器由两层MLP组成，使用交叉熵作为损失函数进行轨迹类型预测。整体框架通过联合优化谱聚类损失、时序一致性损失和分类损失实现端到端训练。图2：路径签名变换模块架构通过结合图神经网络的邻域信息聚合机制与路径签名变换的数学特性，Deep Signature实现了对分子动力学数据的对称性建模。首先，GNN通过对称的邻域聚合机制，确保模型对原子索引的置换具有等变性，即原子顺序变化仅导致特征空间的对应置换，不改变预测结果；其次，路径签名只捕捉路径几何形状信息，与绝对位置无关，且对时间采样率的非单调变化保持鲁棒，具有平移不变性和时间重参数化不变性；最后，粗粒化动力学通过线性映射保持旋转的等变性，构成Deep Signature特征的大部分元素被证明是旋转不变的。通过以上模块设计，Deep Signature实现了平移不变性、近似的旋转不变性、置换等变性及时间重参数化不变性。研究人员采用五折交叉验证策略，在三个数据集上训练测试，分别为基因调节动力学的合成数据集、表皮生长因子受体（EGFR）突变动力学数据集和G蛋白偶联受体（GPCR）动力学数据集。基因调控动力学数据集包含50个降解型和50个二聚型轨迹，每条轨迹时间间隔为0.004 s，共500帧。首先将轨迹粗粒化处理为60个节点，在此基础上再粗粒化到30个节点。模型的评价指标是一个二分类任务，即判断该条轨迹所属类型。如表-1所示，相较于GraphLSTM等基线模型，采用对数签名变换的Deep Signature模型在性能上表现更佳，这一结果证实了原子间相互作用特征对分子性质预测的重要贡献。在EGFR突变动力学轨迹分析中，研究人员对5种EGFR突变（野生型作为对照组）与4种不同EGFR受体进行模拟并预测。Deep Signature模型实现了69.33%的准确率，优于传统基于二面角等特征的方法，能够有效区分突变诱导的药物敏感或耐药表型。同时，在GPCR动力学轨迹分析中，Deep Signature模型能够较为准确识别受体为“激活态”或“非激活态”，准确度为58.00%。表1：基因调控、EGFR、GPCR动力学的分类性能比较研究人员对EGFR动力学轨迹中耐药突变C797S和敏感突变G719S进行了更详细的研究，发现深度谱聚类模块生成的粗粒度构象能够保持原始构象的整体结构，且粗粒度后得到的节点主要分布在蛋白质的关键功能区域。通过t-SNE可视化路径签名变换模块提取的特征空间（图3），可以看出传统非可学习特征（基于二面角）和仅从初始帧提取的可学习特征在空间中紧密聚集，不同类别特征难以区分。而Deep Signature方法提取的特征分布更均匀且具有显著可分性，能够建立清晰的决策边界，证明了路径签名变换模块对增强特征判别力的有效性。图3：t-SNE可视化提取特征结果（阳性样品以红色圆圈表示，阴性样品以蓝色三角形表示。）在可解释性分析中，研究人员使用梯度输入法量化特征中每个元素的贡献，成功定位出三个关键原子（图4），均处于铰链区，该区域包含所有ATP结合位点，与实验观测结果一致。图4：关键原子均处于ATP结合位点的铰链区本文提出的Deep Signature框架通过结合深度谱聚类与路径签名变换，解决了大规模分子动力学分析中的计算复杂度和特征表征问题。其理论性质（如对称性保持）和实验性能（跨数据集优越性）为蛋白质动态研究提供了新工具，建立了动力学信息与宏观表型的联系，在耐药性突变和蛋白活性状态预测中取得了良好的预测效果。但数据集的多样性和规模有限，如EGFR动态仅考虑24条轨迹，可能影响模型的泛化能力。同时，模型对比的基线方法主要集中于传统的集合描述符及简单的深度学习模型，未与最新方法进行对比，存在一定的局限性。参考资料：Tiexin Qin, Mengxu Zhu, Chunyang Li, Terry Lyons, Hong Yan, Haoliang Li*, Deep Signature: Characterization of Large-Scale Molecular Dynamics, In Proceedings of the International Conference on Learning Representations (ICLR). 2025.--------- End ---------感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

4岁那年，得知自己的心肌炎是误诊时，黄园心中种下了一颗种子——或许，人其实可以不用在疾病的折磨中老去。幼时的这段经历，让黄园立志成为一名医生，在梦想的的引领之下，她开始了在医学领域不懈的学习和探索，并在2014年如愿成为了香港玛丽医院的神经内科临床研究医生。然而，在亲眼“见证”了诸多令人惋惜的病例之后，黄园深感“医生能做之事”的有限，而彼时，第一轮人工智能浪潮的兴起又让其萌生了一个大胆的想法——借助新技术的力量，做一些能有益于更多患者的事。当黄园在亲历上述事件之际，另一条时间线也在缓缓展开：王鑫于2014年获得英国剑桥大学肿瘤学博士学位；2013-2015在美国哈佛医学院生物医学信息学系进行博士后研究工作；2015年回国之后，其先后在香港城市大学、香港中文大学任职，目前为香港中文大学医学院外科学系副教授，担任转化基因组学研究生专业Director，并成为李嘉诚健康科学研究所研究员。二人时间线的交汇，始于基于microRNA的卵巢癌液体活检早筛项目。专注科学研究的王鑫与深耕临床转化的黄园一拍即合，就此开启了携手创业之路，并成功打造出卵巢癌临床早筛产品。此后，两人的目光便转向了更为深层次的科学问题和临床应用：衰老是疾病之源吗？我们可以通过解析衰老系统，来预防年龄相关性疾病吗？近年来，随着大量多组学数据的累积和AI技术的日益成熟，衰老产业呈现蓬勃发展的态势。与此同时，王鑫的博士后导师——著名的Peter Kharchenko博士加入了抗衰明星企业Altoslab，这些都让二人备受鼓舞，兴奋地找到了新的奋进目标——衰老及相关性疾病，并决定将前期累积的生物标志物挖掘和液体活检产品的经验，再次应用于这一更为广阔的领域中。“这些知名科学家纷纷投入其中，并不是纯粹为了商业利益，而是真真正正意识到了这一产业的发展潜力和为人类健康带来的意义和改变。”黄园表示，“这其实就是一种风向标。”相关数据也的确展示出了这一产业的潜力。国家卫健委数据显示，2023年，我国健康服务业市场规模突破了10万亿，其中，抗衰老相关消费增速达到了37%，远超整体医疗市场增速的15%。而弗若斯特沙利文的一项报告，则更为直接地展示了抗衰老产业的整体繁荣——到2030年，中国抗衰老市场规模将有望突破5000亿大关。那么，是什么推动了这一产业的爆火？又是什么吸引了越来越多企业的关注与加入？这一产业的发展现状如何，未来行进方向又是怎样的？在3月的一个上午，动脉网与黄园、王鑫展开了交流，倾听了他们视角下的行业发展以及二人联合创立Quantum Life的故事。 Quantum Life 2024年12月于香港科学园举办首届人工智能重塑医疗健康论坛，聚焦人工智能重塑“以健康为中心”的医疗保健体系。图首两排为Quantum Life 联合创始团队及顾问01三大因素助推下，衰老产业持续爆火“关于衰老的研究，其实从未停止过。”访谈中，Quantum Life的两位创始人首先澄清了“衰老，是近几年才火起来的。”这一认知误区。那么，为什么人们近几年才对衰老产业的火热有了明显感知？Quantum Life的创始人黄园详细解答了这一问题。首先，关于衰老的医学基础研究在近年来有了突飞猛进的发展。从2013年的9大衰老标志物到2022年的12大衰老标志物，对于衰老的发生、发展乃至干预的研究早已取得一系列令人瞩目的成果，并且，这类研究仍在继续，永不会停止。这是衰老产业热度攀升的基石。其次，数据的持续积累和获得性的提升又助推了衰老研究的进一步开展。与此同时，人工智能的加入也提高了衰老研究的效率和精准度。“在过去，一个靶点的发现可能要耗时好几年，而现在，在人工智能的助力下，靶点的发现周期可能只需要几个月。”黄园感慨道。换言之，海量可获得的数据、人工智能等新兴技术的加持，为衰老产业按下了加速键，且在效率提升的同时，精准度也有所提升。最后，NMN、司美格鲁肽等明星抗衰成分的出现，较大程度地提升了人们对抗衰的认知和期待。同时，也让投资机构、科研院校以及企业，看到了衰老研究被产业化、商业化的可能性，提振了行业信心并促使更多的力量投入到进一步的研究之中。至此，一个完美的闭环已然诞生。这便是黄园眼中衰老产业热度不断攀升的原因。而在访谈中，Quantum Life的另一位创始人王鑫，还提供了另一种视角。在王鑫的视角下，衰老产业的蓬勃发展同样得益于医学研究的诸多突破。而现阶段这些突破所传递的主要信号便是——当衰老可被量化，那衰老的精准干预便不再是幻想。这一理念虽然被频繁提及，其第一层字面含义已广为人知，但其潜藏的第二层含义，却仍未被充分理解，那便是——这一理念也革新了与衰老相关疾病的认知与研究范式。与传统医疗模式着眼于疾病发生后的 “治病” 不同，从衰老角度看待疾病，我们对疾病的关注窗口能显著前移。衰老是一个从出生到生命终结、贯穿整个人生的过程，当衰老能够被量化和干预，则意味着与衰老相关的疾病，能够被量化和干预。更为重要的是，当这些与衰老相关的疾病能够被提前量化、提前干预，我们才能在疾病尚未发生或处于早期阶段时，实现真正意义上对疾病的早诊早治。例如，对肿瘤的诊治。据王鑫介绍，肿瘤是典型的与衰老有紧密联系的疾病。但在此前很长一段时间里，肿瘤与衰老的研究相对独立，交集较少。但近年来，随着研究的深入，科研工作者们发现，肿瘤与衰老之间，存在趋同关系。一个设想也由此诞生——通过衰老叠加特定疾病模型的检测，实现更早的疾病风险预测。而这，正是Quantum Life目前所努力的方向之一。  Quantum Life 致力于打造的“AI赋能的精准健康长寿医疗系统”02基于AI+多组学分析，精准衰老及衰老疾病，打造个性化干预闭环整体来看，Quantum  Life是一家致力于基于AI和多组学数据分析的长寿医学平台，提供个性化的健康长寿解决方案的企业。检测人体所处的衰老和健康状态，预测与衰老相关的疾病发病风险，并提供个性化的衰老干预、健康促进方案，是Quantum Life现阶段想做的三件事。基于此，Quantum Life自主研发了Longevity.Omics平台，是全球首批专注于AI赋能多组学长寿分析的综合平台，提供从原始多组学数据到临床报告的一站式服务。与此同时，Quantum  Life还推出了Gen-Decoder、Epi-Insight和Epi-Tracker三项服务。 图源Longevity.Omics网站其中，Gen-Decoder主要为人类全基因组测序提供量身定制的数据分析和报告服务，用于解释和寿命相关的健康倾向和与年龄相关疾病的多基因风险。Epi-Insight则提供先进的表观遗传分析，专注于DNA甲基化，精准预测表观遗传年龄、衰老速度、衰老加速和器官特异性年龄。Epi-Tracker提供创新的多组学数据分析，集成了固定的遗传变异风险和动态的甲基化风险。与此同时，Epi-Tracker还可通过长期跟踪个体情况，增强对年龄相关疾病风险的预测并改善健康状况。进一步来看，在衰老检测方面，基于DNA甲基化这一应用最为成熟的技术路线，Quantum  Life不仅能够精准预测表观遗传年龄，还能预测大脑、心脏、肾脏等器官年龄和骨骼肌年龄、代谢年龄。而在衰老相关疾病的风险预测方面，Quantum Life则十分强调多组学数据分析。这与衰老和生物体的复杂性、系统性高度相关。并且，在访谈中，黄园还进一步解释了此类方式与现有癌症早筛的区别。现有癌症早筛多通过某一（类）特定标志物实现对某一特定疾病的精准早筛。这是其优势，亦是其应用局限。而Quantum Life则希望通过衰老这个靶点，结合相对应的疾病进行系统的建模，从衰老的底层将个体更早的疾病状态捕捉出来，实现一次筛查即可对多种衰老相关性疾病进行检测。同时，在研发疾病监测模型之际，Quantum Life也会根据疾病的不同发病机制选定不同组学类型。例如，在筛查阿尔兹海默症时会重点选用蛋白质组学，而在筛查糖尿病时，则会更倾向于选用代谢组学。这也是Quantum Life十分强调多组学数据分析的原因。时至今日，Quantum  Life已全面整合了超过10个国家约40万人的数据，其中包括超过8000人的完整多组学数据（例如基因组学、甲基化组学、蛋白质组学和代谢组学等）和超过20万人超10年的纵向队列数据，其间涵盖的与衰老相关的疾病病种，也超过了50种。由此，Quantum Life方能提供基于多组学数据分析的精准衰老与健康状态预测，年龄相关疾病的风险预测和个性化干预措施。值得一提的是，Quantum Life的发展得到了香港量子人工智能实验室和香港特区政府发起的世界级创新科技计划（Inno HK）的助力，在创立之初，它便入选英伟达加速器，并得到谷歌云的战略支持，其技术实力，可见一斑。并且，在访谈中，黄园还透露，Quantum Life即将开启新一轮融资，欢迎感兴趣的投资机构咨询洽谈。与此同时，Quantum Life的实力也得到了诸多机构的认可。据黄园介绍，Quantum Life已与全球众多诊所和认证的测序实验室展开合作，培训长寿医学医生，建立了拥有专业认证的广泛附属机构网络。截至目前，Quantum Life的业务范围，已覆盖英国、日本、瑞士、泰国等多个国家的医疗中心和实验室。用户在 Quantum Life 合作的长寿医疗中心接受检测评估针对未来的发展，两位创始人表示，一方面，鉴于现阶段衰老产业缺乏明确的标准体系，Quantum Life将积极参与其中，助力行业标准的制定与完善，进而推动行业走向规范化、良性化的发展轨道；另一方面，Quantum Life还将持续加大在人工智能、衰老检测技术方面研究投入、深耕细作，力求不断推进衰老及衰老相关疾病的精准检测，推动针对疾病、健康管理的个性化干预方案取得进一步的发展。如果您想对接文章中提到的项目，或您的项目想被动脉网报道，或者发布融资新闻，请与我们联系；也可加入动脉网行业社群，结交更多志同道合的好友。近期推荐声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。动脉网，未来医疗服务平台