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 5 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
临床队列临床研究Epilepsia open

Neonatal-onset developmental and epileptic encephalopathy: High genetic yield and long-term outcomes in a multicenter southern European cohort.

0 次引用趋势数据不足

一项多中心回顾性观察研究纳入意大利、希腊和西班牙三级癫痫中心的62例足月新生儿,均符合ILAE 2022年发育性和癫痫性脑病(DEE)标准,惊厥于生后30天内起病,随访至少18个月,全部接受基于二代测序的基因检测,以明确遗传诊断率、临床与遗传特征及长期癫痫、神经发育和生存结局。结果发现,82.2%(51/62)的患者获得分子诊断,涉及29个基因;一线全外显子测序的诊断率高于靶向基因Panel(88.9% vs. 41.2%),但该比较受检测年代和策略差异影响。KCNQ2变异最常见(29.4%),并发现若干可治疗的代谢性疾病。平均随访11.9年,64.5%的患者为药物难治性癫痫,死亡率达17.7%;部分患者实现无发作,尤其是KCNQ2相关DEE患者,但71.7%的可评估患者存在重度至极重度智力障碍,且持续至无发作患者中,提示神经发育结局受潜在遗传疾病等因素影响,但数据变异显著,无法进行因果推断。研究提示,新生儿起病DEE的遗传诊断率高,支持一线全外显子测序作为首选;尽管癫痫控制,严重神经发育损害仍持续存在,提示除控制癫痫发作外,还需针对疾病机制的精准治疗。

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 07:00
AI 靶点发现临床研究International journal of molecular sciences

A Mechanistic Map of the Phenotypic Complexity in Recessive Dystrophic Epidermolysis Bullosa Provides Basis for Therapeutic Target Discovery and Drug Repurposing.

0 次引用趋势数据不足

隐性营养不良型大疱性表皮松解症(RDEB)由COL7A1基因功能缺失突变所致,表型复杂异质,临床可见皮肤脆性增加、局部及全身炎症、伤口愈合障碍、菌群失调、疼痛和瘙痒,并增加皮肤癌风险。本研究旨在构建RDEB分子机制的可操作模型,以识别并优选药物重定位的治疗靶点。研究利用儿童RDEB患者与未受累个体皮肤活检的转录组数据构建疾病机制图谱,并结合机器学习从图谱回路中推断可操作靶点、识别可逆转转录组改变的候选药物。所得图谱包含13条改变信号回路和10个效应蛋白,与炎症、纤维化及肿瘤进展等疾病特征相关;分析识别出66个可操作靶点及74个候选药物,富集分析显示磷酸二酯酶类及抗肿瘤和免疫调节剂富集。最终优先选出16种可逆转回路改变且不增强非预期效应的药物,其中苄氟噻嗪和伊布利特影响最大。该机制模型提供了首个RDEB功能性疾病图谱,并揭示了由已批准药物靶向的有前景的治疗候选物。

为什么值得关注

AI 辅助短评,基于标题和摘要整理

本研究针对RDEB表型高度异质、缺乏可操作分子模型的问题,基于患儿皮肤转录组构建首個功能性机制图谱,结合机器学习推断靶点并重定位药物。其价值在于将疾病回路与炎症、纤维化、肿瘤进展等标志关联,为靶点发现和已批准药物重定位提供系统依据。

查看扩展信息

完整作者

Sara Herráiz-Gil、Miriam Payá-Milans、María Del Carmen de Arriba、Lucía Martínez-Santamaría、Carlos Loucera、Nuria Illera、Marcela Del Río、Joaquín Dopazo、Carlos León、María José Escámez

作者机构

  • Departamento de Bioingeniería, Universidad Carlos III de Madrid, ROR Code 03ths8210, Avenida de la Universidad, 30 (Edificio Sabatini), 28911 Leganés, Spain.
  • Centro de Investigación Biomédica en Red de Enfermedades Raras (CIBERER-ISCIII), 28029 Madrid, Spain.
  • Instituto de Investigación Sanitaria Fundación Jiménez Díaz (IIS-FJD, UAM), 28040 Madrid, Spain.
  • Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas, 28040 Madrid, Spain.
  • Platform for Computational Medicine, Andalusian Public Foundation Progress and Health-FPS, 41092 Seville, Spain.
  • Computational Systems Medicine, Institute of Biomedicine of Seville (IBIS), Hospital Virgen del Rocío, 41013 Seville, Spain.

技术路线

RDEB患儿与未受累个体皮肤活检转录组数据 → 构建由13条改变信号回路和10个效应蛋白组成的机制图谱并结合机器学习推断可干预靶点、识别可逆转转录组改变的候选药物

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
临床队列临床研究Nature medicine

Prediction of maternal and infant outcomes from longitudinal electronic health records with a mother-child AI agent.

0 次引用趋势数据不足

研究开发了基于大语言模型的母婴人工智能助手MoChiAgent,其核心预测引擎MoChiFormer利用常规实验室检查等纵向电子健康记录数据,通过重建缺失检验值、减少批次效应和学习健康轨迹表征,预测母婴疾病风险。该引擎基于4,401,599次纵向临床就诊数据开发并内部评估,并在包含263,452次和23,192次就诊的独立母婴队列中外部验证。结果显示,MoChiFormer识别关键妊娠状况的曲线下面积分别为胎盘早剥0.89、胎膜早破0.89、早产0.91。配对母婴数据分析揭示了跨代风险关联,特定聚类母亲所生婴儿的新生儿黄疸风险比为2.81(95%置信区间2.60-3.03),血液系统疾病风险比为2.83(95%置信区间2.62-3.05)。将母亲妊娠期电子健康记录与婴儿记录整合,可改善对染色体异常和呼吸系统疾病等婴儿疾病的预测。研究提示MoChiAgent可提供具有临床相关性和可操作性的决策支持信息,以促进母婴风险分层照护。

为什么值得关注

编辑短评

传统母婴预测模型多母子分离、缺少干预指引;MoChiAgent 依托 MoChiFormer 处理稀疏常规 EHR,联合母子配对数据捕捉跨代风险,同步预测多种不良妊娠与新生儿结局,并自动匹配循证干预方案,支撑全周期一体化母婴风险管理。

查看扩展信息

完整作者

Sian Liu、Wenxin Zheng、Jin Kang、Tianyi Xu、Siming Chen、Gen Li、Junlong Li、Hang Wong、Meihao Wang、Xiaokai Bai、Changxi Hu、Cheng Tang、Shengwei Jin、Zixing Zou、Ieng Chong、Yuxing Lu、Io Nam Wong、Hui Xu、Charlotte L Zhang、Jingman Shi、Erhu Feng、Jinyu Gu、Zhuo Sun、Haibo Chen、Li Yang、Yuan Zhang、Xian Zhu、Huanhuan Huang、Xiuyuan Xu、Xue Li、Zhenhui Zhao、Hongbo Qi、Xinyu Lu、Ngaman Cheng、Sicheng Pan、Ning Sun、Yun Yin、Michelle Williams、Eric Oermann、John E J Rasko、Jin Li、Kai Wang、Kang Zhang、Hao Wu、Yubin Xia、Fanxin Zeng、International Consortium of Digital Twins in Healthcare and Medicine

作者机构

  • Center for Big Data and Intelligent Medicine, The First Affiliated Hospital of Chongqing Medical University; Key Laboratory of Digital Health and Intelligent Medicine, Chongqing Municipal Health Commission and Chongqing Translational Medicine Center, Chongqing, China.
  • State Key Lab of Eye Health and Clinical Data Science Institute, Institute for Advanced Study on Eye Health and Diseases, Eye Hospital, Wenzhou Medical University, Wenzhou, China.
  • Department of Computer Science, Shanghai Jiao Tong University, Shanghai, China.
  • Artificial Intelligence Cross Disciplinary Research Institute and Faculty of Medicine, Macau University of Science and Technology, Macau, China.
  • Department of Radiology, Department of Anesthesia and Critical Care, Key Laboratory of Pediatric Anesthesiology, Ministry of Education, The Second Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
  • College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China.
  • Guangzhou National Laboratory, Guangzhou, China.
  • Department of Big Data and Biomedical AI, College of Future Technology, Peking University, Beijing, China.
  • College of Computer Science, Sichuan University, Chengdu, China.
  • Department of Clinical Research Center, Dazhou Central Hospital and Institute of Basic Medicine and Forensic Medicine, North Sichuan Medical College, Dazhou, China.
  • Department of Obstetrics, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
  • Baichuan Inc., Beijing, China.
  • Department of Epidemiology and Population Health, Stanford University School of Medicine, Stanford, CA, USA.
  • Departments of Neurosurgery, Radiology and Data Science, Neuroscience Institute, NYU Langone Medical Center, New York University, New York, NY, USA.
  • Biomedical Pioneering Innovation Center (BIOPIC), School of Life Sciences, Peking University, Beijing, China.
  • College of Life Science, Fudan University, Shanghai, China. li_jin_lifescience@fudan.edu.cn.
  • Artificial Intelligence Cross Disciplinary Research Institute and Faculty of Medicine, Macau University of Science and Technology, Macau, China. kaiwang314@gmail.com.
  • State Key Lab of Eye Health and Clinical Data Science Institute, Institute for Advanced Study on Eye Health and Diseases, Eye Hospital, Wenzhou Medical University, Wenzhou, China. kang.zhang@gmail.com.
  • Artificial Intelligence Cross Disciplinary Research Institute and Faculty of Medicine, Macau University of Science and Technology, Macau, China. kang.zhang@gmail.com.
  • Guangzhou National Laboratory, Guangzhou, China. kang.zhang@gmail.com.
  • Center for Big Data and Intelligent Medicine, The First Affiliated Hospital of Chongqing Medical University; Key Laboratory of Digital Health and Intelligent Medicine, Chongqing Municipal Health Commission and Chongqing Translational Medicine Center, Chongqing, China. wuhao@cqmu.edu.cn.
  • Department of Computer Science, Shanghai Jiao Tong University, Shanghai, China. xiayubin@sjtu.edu.cn.
  • Department of Clinical Research Center, Dazhou Central Hospital and Institute of Basic Medicine and Forensic Medicine, North Sichuan Medical College, Dazhou, China. zengfx@pku.edu.cn.

技术路线

纵向EHR数据(4,401,599次临床就诊用于开发与内部评估;独立母婴队列263,452与23,192次就诊用于外部验证)→MoChiFormer重建缺失实验室值、减少批次效应并学习EHR表征,支持孕周/胎儿/婴儿年龄估计、健康轨迹建模与当前及未来疾病风险分层→外部独立母婴队列验证预测性能与跨代风险关联

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 12:05
临床队列临床研究Paediatrics & child health

A prospective cohort study of serum sickness-like reactions in the pediatric population.

0 次引用趋势数据不足

一项前瞻性队列研究于2022年10月至2024年9月在加拿大伦敦儿童医院开展,纳入0至18岁表现为皮疹伴关节痛或水肿的患儿,旨在描述儿童血清病样反应(SSLR)的临床与实验室特征。27例患者中男性占59%,就诊时平均年龄4岁;阿莫西林是最常见诱因(85.2%),皮疹以环状形态最常见,超声排除了真性关节炎。皮疹约5天消退,关节痛约4天缓解;全身性激素可加速关节痛缓解,但未缩短病程。淋巴细胞毒性试验在58.3%的病例中确认药物因果关系,并与环状皮疹及T细胞活化标志物升高相关。研究认为,上述发现对儿童SSLR的诊断、管理和预后具有重要意义。

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:2026/10/31 11:42