BIOMEDICAL RESEARCH INSIGHTS

洞察前沿,连接科研新知

聚焦合成生物学、AI 靶点发现、临床队列与公共数据库,汇集最新论文摘要与原始出处
每 12 小时采集更新,经人工审核后发布。

前沿研究专业聚合持续更新
PAPER EXPLORER

发现热点论文

每 5 分钟更新缓存
全部共 21 篇
公共数据库综述Biochimie

Roles of one-carbon metabolism, folate and riboflavin in blood pressure: Can a precision nutrition approach reduce the risk of hypertension?

暂无引用数据

英国生物库证据提示叶酸缺乏与高血压相关,约15%妊娠受高血压影响,增加母亲日后卒中及子代长期疾病风险。临床与全基因组关联研究将编码叶酸代谢酶MTHFR的C677T多态性与高血压风险增加相联系。核黄素作为MTHFR辅因子,随机试验显示其干预可降低MTHFR 677TT基因型个体血压,且独立于降压药物。该基因-营养素交互作用对TT基因型高频率人群尤为重要,如危地马拉(达66%)、墨西哥(32-44%)和中国北方(24%)。核黄素缺乏全球普遍,尤其女性,但常被忽视。本综述强调叶酸和核黄素在血压中的作用,以及通过解决核黄素缺乏优化叶酸代谢、以精准营养方法降低高危个体高血压风险的机会。

为什么值得关注

AI 辅助短评,基于标题和摘要整理

本文综述叶酸、核黄素与血压的关联,强调MTHFR C677T基因-营养素交互作用,提出精准营养干预潜力。选题具有公共卫生意义,尤其对TT基因型高频人群。然而,证据主要基于观察性研究和有限随机试验,机制尚未阐明,核黄素干预的长期效果及人群适用性需进一步验证。文章未报告原始数据,结论应谨慎解读。

查看扩展信息

完整作者

Helene McNulty

作者机构

  • Nutrition Innovation Centre for Food and Health, School of Biomedical Sciences, Ulster University, Coleraine, Northern Ireland. Electronic address: h.mcnulty@ulster.ac.uk.

技术路线

['数据/样本:UK Biobank证据、临床研究、全基因组关联研究及随机试验(针对MTHFR C677T多态性、叶酸、核黄素与血压/高血压的关联)', '分析:综述叶酸介导的一碳代谢、叶酸和核黄素在血压调控中的作用,重点探讨MTHFR C677T基因-营养素交互作用及核黄素干预对TT基因型个体血压的影响', '验证:随机试验显示核黄素干预可降低MTHFR 677TT基因型个体的血压,独立于降压药物']

最近 5 个完整年度引用趋势

暂无引用数据

数据来源:暂未标注更新时间:暂无更新时间
临床队列综述ANZ journal of surgery

Third-Line Overactive Bladder Treatments: Cost-Benefit Analysis in an Australian Public Hospital.

暂无引用数据

某澳大利亚三级公立医院泌尿外科于2019—2023年开展前瞻性研究,评估经皮胫神经刺激(PTNS)、膀胱内A型肉毒毒素(Botox)和骶神经调节(SNM)三种三线治疗膀胱过度活动症(OAB)方案的疗效与成本效益,成本数据取自政府医疗门户。结果显示,28例接受SNM电极植入试验,应答率84%,12例完成全植入,植入成本23736澳元;Botox单次治疗成本2105澳元,疗效67%;PTNS治疗27例,疗效42%,每次200澳元。SNM成本相当于11.3次Botox治疗;InterStim II神经刺激器中位电池寿命约6.2年,若每9个月注射Botox需8.3次,可节省逾6000澳元。各治疗相对OAB经济负担均具成本效益,Botox最具成本效益。结论认为,三种三线治疗在成本、疗效和效果持久性方面差异显著;SNM在公立医院环境中疗效较高,且相对OAB经济负担具成本效益,Botox仍是该机构最具成本效益的选择。

为什么值得关注

暂未整理

查看扩展信息

完整作者

Rowan Klein Nulend、Marco Rosario、Dale Wood、Lawrence Kim、Audrey Wang

作者机构

  • Department of Urology, Westmead Hospital, Sydney, New South Wales, Australia.
  • University of Sydney School of Medicine, Sydney, New South Wales, Australia.

技术路线

前瞻性数据(2019-2023年PTNS、Botox、SNM治疗的患者样本) → 治疗结果(疗效/应答率)与费用分析(政府医疗门户成本数据)

最近 5 个完整年度引用趋势

暂无引用数据

数据来源:暂未标注更新时间:暂无更新时间
临床队列综述Technology and health care : official journal of the European Society for Engineering and Medicine

Deep learning models to detect neurodegenerative diseases across different modalities, datasets, and stages: A systematic review.

0 次引用趋势数据不足

一项基于PRISMA的系统综述纳入2019年至2026年4月的111项研究,按神经退行性疾病的早期预测、诊断和进展三个临床阶段进行整理,并从数据类型(神经影像或非神经影像)、数据集(开放获取、自建或混合)、深度学习模型架构及可解释人工智能应用四个维度评估。结果显示,MRI是唯一覆盖三个阶段的影像模态;语音是诊断中最常用的非神经影像方法,步态仅用于诊断和进展;ADNI和PPMI数据集最常用;自建数据集引入心电图和iPSCs等开放数据集中没有的新模态;CNN是神经影像任务的主要模型,LSTM和RNN用于捕捉纵向数据中的时间模式;生存模型仅用于ALS和LATE;不足6%的研究使用经确认的可解释人工智能,111项研究中仅2项在独立外部队列中验证结果。

为什么值得关注

暂未整理

查看扩展信息

完整作者

暂未整理

作者机构

暂未整理

技术路线

暂未整理

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/11/01 03:57
公共数据库综述The American journal of surgical pathology

Endometrioid Carcinoma With Malignant Squamous Differentiation: Clinicopathologic, Immunohistochemical, and Molecular Analysis.

0 次引用趋势数据不足

回顾分析了2020年1月至2025年3月诊断的3696例子宫内膜子宫内膜样癌,依据预设组织学标准识别出9例伴恶性鳞状分化的肿瘤,全部病例均接受集中切片复核、免疫组化 panel 及靶向下一代测序,并按FIGO 2023分期及TCGA/ProMisE分子分型分类。结果显示,恶性鳞状分化罕见,但与不良病理特征(深肌层浸润、广泛淋巴血管间隙浸润及频繁淋巴结转移)密切相关;术前活检和刮宫常低估或误判该成分。恶性鳞状成分主要占据浸润前沿和转移灶,并一致表现为激素受体表达缺失。分子分析显示4种分子亚型均存在异质性,PI3K/AKT通路反复出现改变。结论认为,该侵袭性表型跨越不同分子亚型,传统形态学评估仍不可或缺。

为什么值得关注

暂未整理

查看扩展信息

完整作者

暂未整理

作者机构

暂未整理

技术路线

暂未整理

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/11/01 02:24
公共数据库综述BMJ digital health & AI

CLINES: Clinical LLM-based Information Extraction and Structuring Agent.

暂无引用数据

**标题:CLINES:基于大语言模型的临床信息抽取与结构化智能体** **目的**:电子健康记录中的临床叙述包含结构化字段常缺失的诊断、治疗和时间信息,人工病历审查虽为事实标准,但耗时、昂贵且变异大。本研究旨在开发并评估CLINES——一种无需任务特定微调即可从自由文本中抽取并规范化临床概念、输出本体 grounded、可审计、模式就绪数据的流程。 **方法与分析**:CLINES为模块化多步流程,包括长文本语义分块、推理型大语言模型抽取、属性赋值(断言、值+单位)、UMLS规范化、显式与相对日期解析及聚合为i2b2风格模式。在去标识化MIMIC-III、4CE及CORAL(乳腺、胰腺)病历上评估,不进行任务特定监督训练。对照包括规则/词典系统、transformer编码器、单提示LLM基线、思维链LLM及全尺寸临床命名实体识别编码器。结局为实体、断言、值+单位和日期处理的F1,报告95% bootstrap置信区间及配对bootstrap、FDR校正检验。同时评估标注者间一致性、幻觉分类、成本和组件消融。 **结果**:在所有数据集和任务组合中,CLINES均排名第一。F1范围:实体0.69-0.87,断言0.84-0.93,值+单位0.77-0.90,日期0.73-0.79。较最强单提示LLM提升+0.21-0.38;transformer编码器在实体抽取上落后+0.28-0.68 F1。性能随病历长度保持稳定,而transformer基线召回率下降。代码字段增益及多数断言/值比较在FDR校正p<0.05下显著;交叉标注子集提及级标注者间F1为0.82(断言κ=0.85);对700个分层假阳性的七类分类发现54%的表观假阳性为标注缺口而非真实幻觉。 **结论**:CLINES将叙述性EHR文本转化为本体 grounded、可审计、模式就绪的数据,为队列发现和真实世界证据提供规模化类病历审查抽取的实用路径。CLINES大幅减少但未消除人工审查需求:所量化的残余幻觉意味着安全关键用途仍需人工验证。CLINES模型无关,可替换开源与闭源模型以满足成本、性能和隐私目标。

为什么值得关注

暂未整理

查看扩展信息

完整作者

暂未整理

作者机构

暂未整理

技术路线

暂未整理

最近 5 个完整年度引用趋势

暂无引用数据

数据来源:暂未标注更新时间:暂无更新时间
合成生物学综述Molecular cell

Small genomes, big lessons: What viruses teach us about structure-based riboregulation.

0 次引用趋势数据不足

RNA病毒在单一分子内编码多层信息,该分子既作为蛋白质合成模板,又作为结构化调控RNA。这些结构控制病毒基因表达的关键环节,调控宿主相互作用并介导免疫逃逸。尽管RNA结构在病毒基因组中的普遍性已确立,但功能与机制研究直至近期才开始揭示这些元件如何作为调控模块影响感染结局。RNA病毒基因组紧凑、生命周期易于实验操作,是揭示核糖调控基本构件、阐明真核生物保守基因控制原理的有力模型系统。本文综述不同病毒家族中基于RNA结构的调控机制,并与真核转录组中结构介导的基因控制进行比较,强调RNA结构是基因表达的核心调控层,具有广泛的治疗与合成生物学潜力。

为什么值得关注

AI 辅助短评,基于标题和摘要整理

该综述聚焦RNA病毒中RNA结构介导的基因调控,整合多病毒家族机制证据并与真核转录组类比,提出RNA结构为基因表达中心调控层。优势在于跨体系视角与机制梳理,但属叙述性综述,未提供系统检索策略或证据分级,病毒与真核间保守性的推断需谨慎解读。对治疗与合成生物学潜力的论述宜视为展望而非已验证结论。

查看扩展信息

完整作者

Tanja Hann、Harim Jang、Yu-Chieh Sung、Chia-Lun Guh、Nicholas M Hiers、Lucille H Tsao、Michelle Luo、Anna Marie Pyle

作者机构

  • Department of Molecular Biophysics and Biochemistry, Yale University, New Haven, CT, USA.
  • Department of Molecular, Cellular, and Developmental Biology, Yale University, New Haven, CT, USA; Howard Hughes Medical Institute, Chevy Chase, MD, USA.
  • Department of Molecular, Cellular, and Developmental Biology, Yale University, New Haven, CT, USA.
  • Department of Chemistry, Yale University, New Haven, CT, USA.
  • Department of Molecular, Cellular, and Developmental Biology, Yale University, New Haven, CT, USA; Howard Hughes Medical Institute, Chevy Chase, MD, USA; Department of Chemistry, Yale University, New Haven, CT, USA. Electronic address: anna.pyle@yale.edu.

技术路线

综述性文章,未报告原始数据/样本;基于已有文献整合分析与跨病毒家族比较,无独立实验验证

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/10/29 03:49
合成生物学综述Critical reviews in biotechnology

The historical evolution of CHO cell line development for biologics production: 60 years and still counting.

0 次引用趋势数据不足

中国仓鼠卵巢(CHO)细胞自20世纪50年代分离以来,一直在治疗性蛋白生产中发挥核心作用。数十年间,科学创新推动CHO细胞成为生物制药工业的重要工具。从早期简陋的培养条件和转基因随机整合,到合成生物学、基因工程、高性能化学成分明确培养基、靶向转基因整合及人工智能驱动的细胞系开发策略,每个十年都带来了改进CHO细胞系开发与表征过程的变革性工具、知识和见解。本综述按十年顺序梳理CHO细胞系开发历程,重点介绍关键里程碑与创新、技术突破,以及促成现代细胞系开发工作流程并最终实现生物药工业化生产的关键创新步骤的作用。

为什么值得关注

AI 辅助短评,基于标题和摘要整理

本文为综述,按年代梳理CHO细胞系开发历程,从基础培养、随机整合到合成生物学、靶向整合及AI策略,归纳里程碑与创新。优点在于历史脉络清晰,突出技术演进对生物药生产的影响;但仅基于文献总结,未提供原始数据或系统验证,证据等级有限。适合作为领域入门与背景参考,不宜直接用于技术决策。

查看扩展信息

完整作者

Juergen Fieder、Stefan Schneider、Simon Fischer

作者机构

  • Cell Line Development, Bioprocess Development Biologicals, Boehringer Ingelheim Pharma GmbH & Co. KG, Biberach, Germany.
  • University of Applied Sciences Biberach, Biberach, Germany.

技术路线

文献/历史资料 → 按年代梳理CHO细胞系开发进程

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/10/29 07:01
AI 靶点发现综述Ageing research reviews

Aging, regeneration, and peripheral nerve repair: Integrated multi-omics biomarkers and AI-enabled therapeutic discovery approaches.

0 次引用趋势数据不足

周围神经损伤是长期感觉和运动功能障碍的重要原因,造成显著临床和社会经济负担。周围神经虽具有内在再生能力,但轴突变性、施万细胞可塑性、神经免疫反应、细胞外基质重塑、代谢重编程、髓鞘再生及靶向再支配等过程相互作用,常导致功能恢复不完全。转录组学、蛋白质组学、表观基因组学、代谢组学和单细胞技术的发展拓展了对神经变性与再生的分子表征,揭示出众多候选生物标志物和治疗靶点,但生物学异质性、数据集碎片化及缺乏稳健预测框架仍限制临床转化。本文综述周围神经修复的细胞与分子机制,梳理与再生能力、神经炎症、髓鞘再生和功能恢复相关的新型生物标志物类别,讨论靶向施万细胞重编程、轴突生长、免疫调节、代谢适应及再生微环境重塑的治疗策略,并分析人工智能和机器学习在多组学整合、生物标志物优选、结局预测和治疗靶点发现中的潜在作用,同时指出周围神经损伤特异性临床验证仍然有限。文章提出连接分子特征与临床结局的系统级框架,强调人工智能赋能的多模态分析对转化研究的支持潜力,并将年龄相关分子变异纳入分析维度,为未来转化研究中检验年龄感知分子标志物和计算模型提供框架。

为什么值得关注

AI 辅助短评,基于标题和摘要整理

本文系统梳理周围神经损伤修复的细胞分子机制与候选生物标志物,提出将年龄相关分子变异纳入分析维度、以AI/ML整合多组学并连接临床结局的系统框架。其价值在于为年龄感知型标志物与计算模型的后续转化验证提供整合性研究思路。

查看扩展信息

完整作者

Muhanad Musaad Alhujaily、Amal Adnan Ashour、Alaa Shafie、Farah Anjum、Tooba Naz Shamsi、Taj Mohammad

作者机构

  • Department of Biochemistry, College of Medicine, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, Saudi Arabia; Saudi German Hospital Research Center, Middle East Healthcare Company, Jeddah, Saudi Arabia; King Salman Center for Disability Research, Riyadh, 11614, Saudi Arabia.
  • Department of Oral and Maxillofacial Surgery and Diagnostic Sciences, Faculty of Dentistry, Taif University, PO Box 11099, Taif, 21944, Saudi Arabia; King Salman Center for Disability Research, Riyadh, 11614, Saudi Arabia.
  • Department of Clinical Laboratory Sciences, College of Applied Medical Sciences, Taif University, P.O Box 11099, Taif, 21944, Saudi Arabia; King Salman Center for Disability Research, Riyadh, 11614, Saudi Arabia.
  • Department of Biosciences, Faculty of Sciences, Integral University, Lucknow, 226026, India.
  • Department of Biochemistry, Faculty of Medicine and Dentistry, University of Alberta, Edmonton, Alberta, T6G 2H7, Canada. Electronic address: tshamsi@ualberta.c.
  • Centre for Interdisciplinary Research in Basic Sciences, Jamia Millia Islamia, Jamia Nagar, New Delhi, 110025, India. Electronic address: taj144796@st.jmi.ac.in.

技术路线

综述性文章,无原始数据/样本与分析流程;技术路线为:多组学(转录组、蛋白质组、表观基因组、代谢组、单细胞)及人工智能/机器学习方法综述→多组学整合、生物标志物优先级排序、结局预测与治疗靶点发现的分析框架讨论→指出PNI特异性临床验证有限,并提出未来转化研究中的验证设想

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/10/30 03:55
合成生物学综述Biology

From Mechanistic Models to AI Synergy: A Roadmap for Predictive and Personalized Biology.

0 次引用趋势数据不足

生命科学正由两大范式驱动:数学模型的解释深度与人工智能的预测能力。机制模型长期提供假设驱动的严谨框架以解析生物过程,AI则擅长在高维大数据中发现模式,二者各自取得重要进展,其融合有望重新界定生物学研究边界。本文综述提出整合策略的三部分分类,即AI加速的机制建模、机制引导的AI,以及涵盖单向顺序耦合与双向迭代系统的混合模型,并梳理其在系统与合成生物学、药理学与药物发现、流行病学和神经科学中的应用。随后讨论七项挑战:可解释性、数据稀疏性、因果性、可识别性、计算规模、多模态整合,以及验证与泛化,并展望生物数字孪生、因果发现引擎与自动化科学。作者认为,融合上述方法旨在构建可预测且具机制的生命科学,是新一代跨学科科学家的主要任务。

为什么值得关注

暂未整理

查看扩展信息

完整作者

Letong Huang、Hongqin Sun、Yi Huang、Qingyi Gu、Hailong Zhang、Dingqin He、Wenyi Zhang、Siyu Chen、Delin Xu、Juanjuan Zhao

作者机构

  • Department of Medical Instrumental Analysis, Zunyi Medical University, Zunyi 563000, China.
  • Key Laboratory of Cancer Prevention and Treatment of Guizhou Province, Zunyi 563000, China.
  • Department of Clinical Medicine, Nantong University, Nantong 226019, China.
  • Special Key Laboratory of Oral Disease Research and High Education Institute in Guizhou Province, School of Stomatology, Zunyi Medical University, Zunyi 563000, China.

技术路线

暂未整理

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/10/30 07:00
AI 靶点发现综述Drug discovery today

AI-integrated iPSC multi-omics: advancing phenotype discovery and drug target identification in rare diseases.

0 次引用趋势数据不足

罕见病存在重大未满足医疗需求,其治疗开发受患者队列小、数据碎片化和疾病机制不明确限制。将患者来源诱导多能干细胞模型与多组学分析和人工智能相结合的新进展,为表型定义和药物靶点识别提供了稳健方法,且仅需少量患者材料。通过整合转录组、蛋白质组和代谢组数据,机器学习可在样本量有限的情况下生成疾病相关分子特征、识别汇聚性通路驱动因素并优先筛选可成药靶点。这篇简短综述重点介绍新兴体外模型和人工智能支持的工作流程,讨论其优势与局限,并概述加速罕见病药物发现的实用策略。

为什么值得关注

AI 辅助短评,基于标题和摘要整理

面对罕见病队列小、数据碎片化与机制不明的困境,本文综述患者来源iPSC结合多组学与AI的表型定义与靶点识别流程,强调仅需少量患者材料即可产出分子特征并排序可成药靶点。其价值在于为罕见病药物发现提供整合性方法论框架,并如实讨论优劣与推进策略。

查看扩展信息

完整作者

Soukaina Amniouel、Zeenat A Shyr、Ewy A Mathé、Wei Zheng

作者机构

  • National Center for Advancing Translational Sciences, National Institutes of Health, Bethesda, MD 20892, USA. Electronic address: soukaina.amniouel@nih.gov.
  • National Center for Advancing Translational Sciences, National Institutes of Health, Bethesda, MD 20892, USA.

技术路线

患者来源iPSC模型 → 转录组、蛋白质组、代谢组多组学数据整合

最近 5 个完整年度引用趋势

0110202102022020230202402025

不含 2026 年,仅展示最近 5 个完整年度。

数据来源:openalex更新时间:2026/10/30 03:55
页