应用数学与交叉科学研究中心生物信息学团队于2025年11月19日第2次组会按期举行，小组全体成员和各位导师共同参加。在这次组会上，由两名研二学生和一名研一学生分别汇报自己的研究进展，然后老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。
万智康：本次汇报了一篇文献，文章提出RNA结构基序是RNA三维结构中反复出现的片段，对RNA的功能多样性起着关键作用。理解这些重复基序组的相似性和差异性，对于深入理解RNA的结构与功能至关重要，虽然人们普遍认为重复结构基序由相同的等排碱基相互作用构成，但这种一致模式并非所有基序实例都存在，现有的RNA结构基序分析方法可能忽视了碱基相互作用及其相关核苷酸的差异。RNAMotifProfile是一种新型的基序间比对算法，它能从一组结构基序中生成全面的基序谱，涵盖每个位置的所有碱基相互作用及相关核苷酸，通过采用基于引导树的方法对输入基序实例进行结构比对，RNAMotifProfile能够捕捉重复基序组的相似性和差异性。此外，RNAMotifProfile还可作为基序搜索工具，通过匹配相应基序谱来识别特定基序家族的实例，通过为RNA结构基序家族生成精准全面的特征谱，并实现对这些基序的高效检索，得以深入理解RNA结构与功能的内在关联，为RNA工程和治疗设计领域开辟了新的应用前景。
韦情晴：本次汇报了一篇文献，论文提出了 Latent Diffusion Model（LDM），用于解决传统扩散模型在高分辨率图像生成中计算量大、训练和推理成本极高的问题。以往扩散模型直接在像素空间工作，需要处理大量对人眼不敏感的高频细节，导致效率低下。LDM 的核心思想是先通过自编码器将图像压缩到一个保留语义但显著低维的潜空间，然后在潜空间中训练扩散模型，这样既减少了运算量，又避免了对无关细节的过度建模，从而使高分辨率图像生成变得可行。此外，LDM 引入跨注意力机制，使模型能够灵活结合文本、语义图等多模态条件，实现文本生成图像、语义布局生成、超分辨率和图像修复等任务。实验结果显示，LDM 在保持高生成质量的同时大幅降低了训练与推理成本，并在多个任务上达到或超过现有方法的性能。
彭旭东：本次汇报了一篇文献，文中提出了一种新的文本增强医学图像分割模型LViT，该模型采用了混合的CNN-Transformer结构，并设计了像素级注意力模块(PLAM)，用来更好地整合文本信息，同时保留CNN从图像中提取局部特征的能力。同时，文章设计了一种指数伪标签迭代机制(EPI)，旨在逐步改进伪标签，并间接地利用文本信息来优化伪标签。此外，还设计了LV(语言-视觉)损失，以直接利用文本信息来监督未标记医学图像的训练。为了验证LViT的性能，该文章构建了三个多模态医学图像分割数据集，包含CT图像和X射线图像。实验结果表明，LViT在不同数据集上均取得了优异的分割性能，即使仅使用了部分训练集标签，也能获得与全监督方法相当的性能。
