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20日第3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，由一名研二学生和两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。
赵丹丹：本次组会汇报了一篇文献。文章关于基因切换开关涉及多步反应过程（如复杂的启动子激活），在单个反应事件之间产生记忆。揭示这种分子记忆的效果对于理解细胞内过程（如细胞决策）非常重要。文章提出了一个广义遗传拨动开关模型，并使用广义化学主方程理论来解释记忆效应。有趣的是，文章发现分子记忆可以诱导这种记忆系统的双峰性，尽管相应的无记忆对应物不是双峰性的。这一发现意味着表型转换的另一种机制是由分子记忆驱动的，而不是像以前的研究那样由超敏感性或合作结合驱动的，此外还发现，相互抑制的转录因子在产生过程中产生的不平衡记忆可导致不对称双峰现象，而不会改变双峰蛋白质分布中两个峰的位置。鉴于分子记忆在基因调控中的普遍存在，文章的发现将为生长和发育过程中的细胞命运决定提供启示。
林飞：本次汇报了一篇文献。文章提出LINGER 是一种基于终身学习机制的神经网络方法，用于从单细胞多组学数据中推断基因调控网络。该方法通过整合大规模外部批量数据和转录因子-调控元件基序匹配信息，显著提升了GRN推断的准确性。传统方法在从有限的单细胞数据中学习复杂调控机制方面存在挑战，而LINGER通过预训练于跨多种细胞环境的批量数据，并结合弹性权重巩固损失函数，实现了知识的持续积累与迁移。LINGER不仅能推断细胞群体、细胞类型特异性及单细胞水平的GRN，还支持基于GWAS数据的疾病相关细胞类型、关键转录因子及其调控子网络的识别。此外，LINGER还可仅基于基因表达数据估计转录因子活性，识别病例-对照研究中的驱动调控因子，为理解复杂疾病的调控机制提供了有力工具。
杨紫嫣：本次汇报的是一篇文献。文章提出RiboPO方法，是一种基于偏好优化与多轮课程学习的框架，用于从 RNA 三维结构骨架逆推兼具结构准确性与热力学稳定性的核苷酸序列。传统 RNA 逆折叠方法受限于单目标优化、评估体系片面等问题，难以同时满足 “结构保真” 与 “热力学稳定” 的双目标。RiboPO 通过三大核心设计实现突破：多目标偏好优化：构建 “胜者 - 败者” 序列对（偏好对），同时纳入结构指标（pLDDT、RMSD）与热力学指标（MFE），明确 “好序列” 的双重标准；多轮课程学习：动态调整边际系数 γr（1.2→1.0→0.8），让模型从 “粗筛显著差异” 逐步过渡到 “细优化细微差异”，保障学习的稳步性；多维度评估基准：提出 SSTT 基准，从序列、二级结构、三级结构、热力学四大维度全面评估 RNA 设计质量，避免单一指标的局限性。RiboPO 的应用价值与创新贡献显著：性能全面领先：在 DAS 基准集上，较基线模型实现 MFE 提升 12.3%、二级结构自一致性 scMCC 提升 20%、采样效率 pass@k 提升 11%，实现 “结构 - 稳定” 双优；技术范式创新：首次将热力学稳定性系统性融入 RNA 逆折叠优化，为领域提供了 “多目标平衡 + 终身学习式优化” 的新范式；应用场景拓展：可适配基因调控、RNA 疗法、合成生物学等领域的 RNA 设计需求，未来还可扩展至蛋白 - RNA 复合物等复杂体系。综上，RiboPO 通过偏好优化与多轮课程学习的深度融合，破解了 RNA 逆折叠 “顾此失彼” 的核心难题，为 RNA 工程从 “理论设计” 走向 “实际应用” 提供了关键技术支撑。
