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 10 篇

临床队列临床研究Taiwanese journal of obstetrics & gynecology

Metabolic markers for risk stratification of diabetic ketoacidosis and perinatal mortality in pregestational diabetes mellitus.

Yu-Hao Fan、Chie-Pein Chen、Fang-Ju Sun 等DOI: 10.1016/j.tjog.2026.06.010

糖尿病深度学习孕产妇队列研究

暂无引用数据

本研究回顾性纳入2000至2022年孕前糖尿病（PDM）单胎妊娠孕妇，分析血糖、糖化血红蛋白（HbA1c）、血脂、动脉血pH、电解质及阴离子间隙等代谢指标，采用ROC曲线和logistic回归评估其预测糖尿病酮症酸中毒（DKA）及围产期死亡的价值。219例孕妇中21例（9.6%）发生DKA，其血糖（395.33 vs. 126.91 mg/dL）、HbA1c（8.45% vs. 6.73%）、LDL较高，HDL较低（均P<0.05）。围产期死亡6例（28.6%），与较低动脉血pH、较低碳酸氢盐、较宽阴离子间隙、较高HbA1c及高钾血症相关。联合代谢指标的ROC曲线下面积分别为0.99（DKA）和0.98（围产期死亡）。HbA1c升高、HDL降低及血糖升高为DKA的独立预测因素，碳酸氢盐降低与围产期死亡风险增加独立相关；碳酸氢盐<6.50 mEq/L与围产期死亡显著相关（P<0.001）。关键代谢指标有助于PDM孕妇DKA及围产期死亡的风险分层。

为什么值得关注

暂未整理

查看扩展信息

完整作者

Yu-Hao Fan、Chie-Pein Chen、Fang-Ju Sun、Yi-Yung Chen、Liang-Kai Wang、Chen-Yu Chen

作者机构

Department of Obstetrics and Gynecology, MacKay Memorial Hospital, Taipei, Taiwan.
Department of Medical Research, MacKay Memorial Hospital, Taipei, Taiwan.
Department of Obstetrics and Gynecology, MacKay Memorial Hospital, Taipei, Taiwan; Department of Medicine, MacKay Medical University, New Taipei City, Taiwan. Electronic address: f122481@mmh.org.tw.

技术路线

回顾性队列数据（2000-2022年219例单胎PDM孕妇的母体代谢参数与临床结局） → ROC曲线与logistic回归分析代谢标志物对DKA及围产期死亡的预测价值

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

探索相关选题直接查重

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.

作者信息暂未整理DOI: 10.1177/09287329261502060

深度学习队列研究综述

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

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

探索相关选题直接查重

合成生物学综述Molecular cell

Integration by parts: The multi-layered mechanisms of cis-regulatory control.

Jake Cornwall-Scoones、James Briscoe、M Joaquina DelásDOI: 10.1016/j.molcel.2026.09.016

深度学习方法学

0 次引用趋势数据不足

顺式调控元件（CREs）整合转录因子（TFs）信号以控制基因表达，但其信息处理机制尚不清楚。深度学习表明基因表达可由CRE序列预测。本文提出将CRE调控逻辑分为两层的框架：结合层面整合，即协作性TF相互作用调节DNA占据；转录层面整合，即TF效应结构域和辅因子将结合构型转化为表达。结合层面按特异性与通用性、对称与非对称正交轴对TF协作性分类，涵盖蛋白-蛋白相互作用、核小体竞争、先锋活性和辅助加载；转录层面辅因子相互作用产生加性、协同或拮抗逻辑。由此复杂性中浮现出反复出现的定量模式“乘法加饱和”，协调结合特异性与灵活性，解释短DNA基序如何产生精确表达并保持可演化性，为合成生物学和治疗应用提供依据。

为什么值得关注

暂未整理

查看扩展信息

完整作者

Jake Cornwall-Scoones、James Briscoe、M Joaquina Delás

作者机构

The Francis Crick Institute, Midland Road, London NW1 1AT, UK; Department of Cell and Developmental Biology (CDB), University College London, Gower St., London WC1E 6BT, UK; The Gurdon Institute, University of Cambridge, Tennis Court Rd., Cambridge CB2 1QN, UK. Electronic address: j.cornwallscoones@ucl.ac.uk.
The Francis Crick Institute, Midland Road, London NW1 1AT, UK. Electronic address: james.briscoe@crick.ac.uk.
Laboratory for Molecular Cell Biology, University College London, Gower Street, London WC1E 6BT, UK. Electronic address: j.delas@ucl.ac.uk.

技术路线

框架提出（无实验数据/样本） → 将CRE调控逻辑分为两层（结合水平：TF协同性按特异性与一般性、对称与非对称分类；转录水平：辅因子相互作用产生加和、协同或拮抗逻辑）

最近 5 个完整年度引用趋势

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 05:59

探索相关选题直接查重

AI 靶点发现基础研究Nutrients

Deep Learning-Driven Identification and Experimental Validation of COX-2 and ERK1/2 as Anti-Inflammatory Targets of Avenanthramides.

Jingjie Zhang、Tengyu Li、Chi Yan 等DOI: 10.3390/nu18203339

深度学习 KEGG

0 次引用趋势数据不足

研究构建了整合异质网络传播、堆叠去噪自编码器和CNN分类器的深度学习模型，用于预测食源化合物的炎症相关靶点，并通过交叉验证及8种不同结构类别化合物验证其泛化性。模型平均AUC为0.9587，AUPR为0.9590。将燕麦酰胺A、B、C输入模型后预测获得118个重叠抗炎靶点，网络分析与KEGG通路富集显示ERK1/2为MAPK和PI3K-AKT通路关键节点，COX-2因预测评分较高被优先验证。分子对接显示Avns结合于COX-2环氧合酶通道入口（结合能-7.7至-8.0 kcal/mol）及ERK1/2 ATP结合口袋（-7.0至-7.7 kcal/mol）。在LPS刺激巨噬细胞中，Avns剂量依赖性抑制COX-2酶活性和PGE2生成，减弱ERK1/2及c-Fos磷酸化，抑制IL-6和IL-1β表达。结论认为该模型成功识别COX-2和ERK1/2为Avns抗炎作用的关键介导因子，揭示COX-2抑制与ERK/c-Fos通路阻断的双重机制，为Avns分子靶点提供新证据并展示深度学习在食源生物活性化合物靶点发现中的应用价值。

为什么值得关注

暂未整理

查看扩展信息

完整作者

Jingjie Zhang、Tengyu Li、Chi Yan、Zeran Wang、Zhiyao Zhao、Yonghui Yu、Ding Wang

作者机构

Key Laboratory of Geriatric Nutrition and Health, Ministry of Education, Beijing Technology and Business University, Beijing 100048, China.
China-Canada Joint Lab of Food Nutrition and Health, Beijing Technology and Business University, Beijing 100048, China.
Key Laboratory of Special Food Supervision Technology for State Market Regulation, Beijing Technology and Business University, Beijing 100048, China.
School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China.

技术路线

暂未整理

最近 5 个完整年度引用趋势

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 19:01

探索相关选题直接查重

临床队列临床研究Nature biotechnology

Decoding systemic vascular health and hypertensive disorders in pregnancy through retinal imaging and Visionary AI.

Srilaxmi Bearelly、Cassandra Areff、Matthew K Hoffman 等DOI: 10.1038/s41587-026-03303-0

深度学习风险模型孕产妇队列研究

0 次引用趋势数据不足

妊娠期高血压疾病源于早期胎盘和全身血管功能障碍，现有早孕期筛查不够精准且生物学机制不明确。研究提出可解释平台Visionary AI，将视网膜成像与基于图的血管建模相结合，把视网膜图像转化为微血管结构的拓扑和几何表征，基于血管特征而非通用图像嵌入或临床变量进行风险预测。在1267例妊娠的前瞻性开发队列中，子痫前期预测的曲线下面积为0.91，平均精度为0.81；经稳定性优化的模型无需重新训练即转移至独立外部验证队列，AUC为0.81，AP为0.68，优于临床和深度学习基准。视网膜血管拓扑、几何、网络复杂性和层级组织等重复出现的特征，使母体视网膜可作为全身血管健康的微创生物传感器，Visionary AI为妊娠风险分层提供了具有生物学可解释性的框架。

为什么值得关注

编辑短评

摘要展示了基于视网膜图像和图建模的可解释AI用于妊娠高血压疾病预测。开发队列AUC 0.91，外部验证AUC 0.81且优于临床与深度学习基准，提示一定泛化性。但摘要未报告校准、决策曲线或亚组表现，且外部验证细节有限，临床效用仍需前瞻性影响研究确认。

查看扩展信息

完整作者

Srilaxmi Bearelly、Cassandra Areff、Matthew K Hoffman、Daniel Sunko、Andrew F Laine、Bin Choi、Hanna Rodriguez Coleman、Bianca Cordazzo Vargas、Chloe Y Li、Jennifer J Dawkins、Emily Amir、Sahar Paz、Lisa A Hark、Whitney A Booker、April A Jauhal、Justin S Brandt、Ronald J Wapner、Liat Shenhav

作者机构

Department of Ophthalmology, Columbia University Irving Medical Center, New York, NY, USA.
Department of Obstetrics and Gynecology, Columbia University Irving Medical Center, New York, NY, USA.
Institute for Systems Genetics, NYU Grossman School of Medicine, New York University, New York, NY, USA.
Division of Obstetrics and Gynecology, ChristianaCare, Newark, DE, USA.
Department of Biomedical Engineering, Columbia University, New York, NY, USA.
Department of Radiology, Columbia University Irving Medical Center, New York, NY, USA.
Center for Health Analytics, Data Science Institute, Columbia University, New York, NY, USA.
Department of Obstetrics and Gynecology, NYU Grossman School of Medicine, New York University, New York, NY, USA.
Institute for Systems Genetics, NYU Grossman School of Medicine, New York University, New York, NY, USA. liat.shenhav@nyulangone.org.
Department of Microbiology, NYU Grossman School of Medicine, New York University, New York, NY, USA. liat.shenhav@nyulangone.org.
Department of Obstetrics and Gynecology, NYU Grossman School of Medicine, New York University, New York, NY, USA. liat.shenhav@nyulangone.org.
Department of Computer Science, Courant Institute of Mathematical Sciences, New York University, New York, NY, USA. liat.shenhav@nyulangone.org.

技术路线

数据/样本：前瞻性开发队列1,267例妊娠的视网膜图像；分析：将视网膜图像转换为微血管结构的拓扑与几何表示，结合基于图的血管建模进行风险预测；验证：稳定性优化模型未重新训练迁移至独立外部验证队列。

最近 5 个完整年度引用趋势

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 06:02

探索相关选题直接查重

公共数据库临床研究Science translational medicine

Machine learning-driven spleen imaging and genomics uncover a splenic connection to coronary artery disease.

Meghana Kamineni、Vineet Raghu、Zhanqing Hua 等DOI: 10.1126/scitranslmed.aeh2517

UK Biobank 心血管疾病机器学习深度学习方法学

0 次引用趋势数据不足

利用深度学习从英国生物银行42059名及Mass General Brigham生物银行2745名参与者的腹部MRI中提取107个脾脏影像组学特征，其中10个特征与冠状动脉疾病相关。对这些特征的基因组关联分析识别出219个位点，包括9p21；该位点变异与脾脏连续纹理区域异质性等特征相关。研究MRI结果内部一致，但外部临床验证因成像方案差异和患者临床异质性面临转化挑战。研究结合深度学习与基因组学，揭示脾脏可能参与冠状动脉疾病，并强调研究与临床影像组学间的转化差距。

为什么值得关注

编辑短评

该研究整合腹部MRI深度学习影像组学与基因组学，在大型队列中提取脾脏特征并关联CAD，进而识别219个基因座（含9p21），为脾脏参与CAD提供探索性框架。但关联分析不能确立因果，影像组学特征生物学可解释性有限，外部临床验证暴露协议与人群异质性导致的转化缺口，结论宜定位为假说生成。

查看扩展信息

完整作者

Meghana Kamineni、Vineet Raghu、Zhanqing Hua、Haodong Tian、Buu Truong、Ahmed Alaa、Art Schuermans、Sam Friedman、Christopher Reeder、Romit Bhattacharya、Peter Libby、Patrick T Ellinor、Mahnaz Maddah、Anthony Philippakis、Whitney Hornsby、Zhi Yu、Pradeep Natarajan

作者机构

Harvard Medical School, Boston, MA 02115, USA.
Cardiovascular Imaging Research Center, Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA 02114, USA.
Artificial Intelligence in Medicine Program, Mass General Brigham, Boston, MA 02114, USA.
Harvard T. H. Chan School of Public Health, Boston, MA 02115, USA.
Program in Medical and Population Genetics, Broad Institute of MIT and Harvard, Cambridge, MA 02142, USA.
Center for Genomic Medicine, Massachusetts General Hospital, Boston, MA 02114, USA.
Heart and Vascular Institute, Mass General Brigham, Boston, MA 02114, USA.
Computational Precision Health Program, University of California, Berkeley, Berkeley, CA 94720, USA.
Computational Precision Health Program, University of California, San Francisco, San Francisco, CA 94143, USA.
Faculty of Medicine, KU Leuven, 3000 Leuven, Belgium.
Data Sciences Platform, Broad Institute of MIT and Harvard, Cambridge, MA 02142, USA.
Layer Health, Boston, MA 02111, USA.
Division of Cardiovascular Medicine, Brigham and Women's Hospital, Harvard Medical School, 77 Avenue Louis Pasteur, Boston, MA 02115, USA.
Cardiovascular Disease Initiative, Broad Institute of Harvard and MIT, Cambridge, MA 02142, USA.
Google Ventures, Cambridge, MA 02142, USA.
Clinical and Translational Epidemiology Unit, Massachusetts General Hospital, Boston, MA 02114, USA.
Personalized Medicine, Mass General Brigham, Boston, MA 02114, USA.
Amgen Inc., Thousand Oaks, CA 91320, USA.

技术路线

数据/样本：UK Biobank 42,059例与MGBB 2,745例腹部MRI；分析：深度学习提取107个脾脏影像组学特征→与CAD关联分析→对CAD相关特征行全基因组关联分析；验证：研究MRI内部一致，外部临床验证发现影像协议差异和临床异质性带来转化挑战

最近 5 个完整年度引用趋势

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 06:05

探索相关选题直接查重

临床队列临床研究JAMA

Electrocardiogram-Based Deep Learning to Prioritize Testing for Transthyretin Amyloid Cardiomyopathy.

Philip M Croon、Bruno Batinica、Lovedeep S Dhingra 等DOI: 10.1001/jama.2026.16785

MIMIC 深度学习成人队列研究

0 次引用趋势数据不足

一项诊断准确性研究开发并验证了一种可在本地部署的人工智能系统，通过常规心电图图像识别需进一步评估转甲状腺素蛋白淀粉样心肌病（ATTR-CM）的患者。研究使用耶鲁纽黑文健康系统2015年8月至2023年6月的心电图数据建模，并进行时间验证及外部验证，外部验证纳入5个跨国队列和3个筛查队列。主要结局为心脏淀粉样核素显像或活检确诊ATTR-CM的受试者工作特征曲线下面积（AUROC）、敏感性、特异性及阳性/阴性预测值。开发队列纳入11 291例患者的28 174份心电图，其中293例ATTR-CM。内部验证AUROC为0.84，预设阈值下敏感性0.72、特异性0.86；在模拟ATTR-CM特征患者中AUROC为0.81，在转诊行核素显像者中为0.78。5个外部队列AUROC为0.78~0.89；筛查队列中SCAN-MP研究AUROC为0.76，两个CACTUS队列分别为0.79和0.91。探索性分析显示，AI-ECG序贯AI超声心动图使阳性预测值由0.24升至0.66，敏感性由0.84降至0.68。结论认为，该AI-ECG方法在跨国回顾性和筛查队列中可区分ATTR-CM，可能作为优先安排超声心动图和确诊影像检查的可及初筛步骤，但预期用途和校准仍需前瞻性评估。

为什么值得关注

编辑短评

ATTR-CM 漏诊严重、确诊检查稀缺昂贵；该深度学习模型基于常规 ECG 图像做风险评分，用于优先筛选高风险患者安排专项确诊检查，适合在富集高危人群中使用，而非全人群普筛。

查看扩展信息

完整作者

Philip M Croon、Bruno Batinica、Lovedeep S Dhingra、Ryan B Choi、Evangelos K Oikonomou、Sumukh V Shankar、Veer Sangha、Robert M A van der Boon、Michelle Michels、Maarten van Ettinger、Peter-Paul Zwetsloot、Sergio Teruya、Cesia Gallegos Kattan、Edward J Miller、Navid Noory、Oscar M Westin、Sie K Fensman、Steen Hvitfeldt Poulsen、Avneet Singh、Sudarshan Balla、Anouk Achten、Charalambos Vlachopoulos、Alexios S Antonopoulos、Nico Bruining、Julian D Gillmore、Mathew S Maurer、Frederick L Ruberg、Marianna Fontana、Rohan Khera

作者机构

Section of Cardiovascular Medicine, Department of Internal Medicine, Yale School of Medicine, New Haven, Connecticut.
Cardiovascular Data Science (CarDS) Lab, Yale School of Medicine, New Haven, Connecticut.
Department of Cardiology, Amsterdam Cardiovascular Sciences, Amsterdam University Medical Center, University of Amsterdam, Amsterdam, the Netherlands.
Thoraxcenter, Cardiovascular Institute, Erasmus Medical Center, Rotterdam, the Netherlands.
Division of Cardiology, Columbia University Irving Medical Center, New York, New York.
Heart Center, Copenhagen University Hospital Rigshospitalet, Copenhagen, Denmark.
Department of Cardiology, Aarhus University Hospital, Aarhus, Denmark.
Department of Cardiology, Northwell Health, New York, New York.
Department of Cardiology, West Virginia University Heart and Vascular Institute, Morgantown.
Cardiovascular Research Institute Maastricht (CARIM), Maastricht University Medical Centre, Maastricht, the Netherlands.
National Amyloidosis Centre, University College London, Royal Free Hospital, London, United Kingdom.
Cardiogenetics Unit, First Department of Cardiology, National and Kapodistrian University of Athens, Hippokration Hospital, Athens, Greece.
Section of Cardiovascular Medicine and Amyloidosis Center, Boston University Chobanian & Avedisian School of Medicine, Boston Medical Center, Boston, Massachusetts.
Center for Outcomes Research and Evaluation, Yale-New Haven Hospital, New Haven, Connecticut.
Department of Biomedical Informatics and Data Science, Yale School of Medicine, New Haven, Connecticut.
Section of Health Informatics, Department of Biostatistics, Yale School of Public Health, New Haven, Connecticut.
Associate Editor, JAMA.

技术路线

常规心电图图像或原始12导联信号→AI-ECG模型检测ATTR-CM（以心脏淀粉样变核素显像或活检确诊为参照）→内部时间验证、模拟特征压力测试及5个跨国外部队列与3个筛查队列验证；探索性串联AI-ECG与AI超声心动图筛查

最近 5 个完整年度引用趋势

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 03:54

探索相关选题直接查重

合成生物学基础研究Nature genetics

Predictive design of tissue-specific mammalian enhancers that function in the mouse embryo.

Shenzhi Chen、Vincent Loubiere、Ethan W Hollingsworth 等DOI: 10.1038/s41588-026-02729-1

深度学习成人方法学

1 次引用趋势数据不足

研究以小鼠胚胎为对象，旨在设计组织特异性哺乳动物增强子。方法上，利用精选染色质可及性数据训练紧凑卷积神经网络，并通过迁移学习在已验证的人和小鼠增强子上微调模型。据此设计心脏、肢体和中枢神经系统15个合成增强子，均能在预期靶组织中发挥作用。结果表明，哺乳动物增强子功能可仅由DNA序列可靠推断，借助适度训练集即可预测性从头设计组织特异性合成增强子，为体内哺乳动物基因表达的可编程控制提供通用框架。

为什么值得关注

暂未整理

查看扩展信息

完整作者

Shenzhi Chen、Vincent Loubiere、Ethan W Hollingsworth、Ken Murakami、Nikolaus Mandlburger、Sandra H Jacinto、Atrin Dizehchi、Jacob Schreiber、Evgeny Z Kvon、Alexander Stark

作者机构

Research Institute of Molecular Pathology (IMP), Vienna BioCenter (VBC), Vienna, Austria.
Vienna BioCenter PhD Program, Doctoral School of the University of Vienna and Medical University of Vienna, Vienna, Austria.
Department of Developmental and Cell Biology, University of California Irvine, Irvine, CA, USA.
Medical Scientist Training Program, University of California Irvine, Irvine, CA, USA.
Department of Genomics and Computational Biology, UMass Chan Medical School, Worcester, MA, USA.
Department of Systems Biology, University of California Irvine, Irvine, CA, USA.
Research Institute of Molecular Pathology (IMP), Vienna BioCenter (VBC), Vienna, Austria. stark@starklab.org.
Medical University of Vienna, Vienna BioCenter (VBC), Vienna, Austria. stark@starklab.org.

技术路线

数据/样本：整理染色质可及性数据及已验证的人和小鼠增强子；分析：训练紧凑卷积神经网络，并通过迁移学习微调；设计15个针对小鼠胚胎心脏、肢体和中枢神经系统的合成增强子；验证：在目标组织中检测到所有设计增强子均具有活性。

最近 5 个完整年度引用趋势

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 12:31

探索相关选题直接查重

公共数据库临床研究JAMA

Implications of the 2026 Dyslipidemia Guideline for Primary Prevention Statin Therapy.

Timothy S Anderson、Linnea M Wilson、Jeremy B SussmanDOI: 10.1001/jama.2026.11246

NHANES 心血管疾病糖尿病慢性肾脏病深度学习

2 次引用趋势数据不足

2026年美国心脏协会/美国心脏病学会/多学会血脂异常管理指南就动脉粥样硬化性心血管疾病（ASCVD）风险评估及他汀一级预防适用人群提出新推荐。本研究旨在评估该指南对他汀一级预防的人群健康影响，采用2017至2023年美国国家健康与营养调查中30至79岁、无已知ASCVD的非妊娠成人全国代表性横断面样本，比较2026年与2018年血脂指南下他汀一级预防资格的变化。加权样本包括4366名参与者，代表1.545亿美国成人。结果显示，依据2026年指南，约8750万（56.6%）成人符合他汀一级预防条件，其中2150万（13.9%）为新符合条件者；70至79岁成人中超过93%、60至69岁中85%符合条件，而30至39岁仅11%。新符合条件人群较既往推荐人群更年轻、风险更低（平均10年ASCVD估计风险3.1% vs 6.1%）。结论认为，2026年血脂指南大幅扩大了美国他汀一级预防推荐人群，且主要为较低风险个体。

为什么值得关注

编辑短评

该研究基于全国代表性NHANES数据，量化2026血脂指南相较2018版对他汀一级预防资格的影响，估算新增约2150万符合资格者，且新增人群更年轻、10年ASCVD风险更低。其价值在于为指南实施的人群健康影响与资源分配提供量化依据。

查看扩展信息

完整作者

Timothy S Anderson、Linnea M Wilson、Jeremy B Sussman

作者机构

Division of General Internal Medicine, University of Pittsburgh, Pittsburgh, Pennsylvania.
Center for Healthcare Evaluation, Research, and Promotion, VA Pittsburgh Healthcare System, Pittsburgh, Pennsylvania.
Division of General Medicine, Beth Israel Deaconess Medical Center, Boston, Massachusetts.
University of Colorado School of Medicine, Aurora.
Division of General Internal Medicine, University of Michigan, Ann Arbor.
Center for Clinical Management Research, VA Ann Arbor Healthcare System, Ann Arbor, Michigan.

技术路线

数据/样本：2017-2023年NHANES全国代表性横断面样本，纳入30-79岁无已知ASCVD的非妊娠成人4366名（加权代表1.545亿美国成人）；分析：比较2026与2018血脂指南下的他汀一级预防资格变化，按加权比例估算符合资格及新符合资格人群规模，并描述其年龄与10年ASCVD风险特征；验证：原文未报告独立验证。

最近 5 个完整年度引用趋势

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 03:56

探索相关选题直接查重

AI 靶点发现方法学eLife

Harnessing AlphaFold to reveal hERG channel conformational state secrets.

Khoa Ngo、Pei-Chi Yang、Vladimir Yarov-Yarovoy 等DOI: 10.7554/elife.104901

深度学习方法学

14 次引用引用上升

为设计安全、选择性且有效的新疗法，需深入理解药物靶点的结构与功能，而跨膜离子通道蛋白离散构象状态的解析尤为困难。KV11.1（hERG）承载主要心脏复极电流Ikr，是药物安全性筛查中重要的抗靶点，其失活态药物相互作用与心律失常风险升高相关，药物还可能在通道关闭时被捕获。本研究显示，引入精心选择的结构模板可引导AlphaFold预测走向不同功能状态。该靶向建模通过与实验数据比较得到验证，包括状态依赖性结构特征、分子对接药物相互作用及分子动力学模拟的离子传导特性。AlphaFold不仅预测了阻止离子传导的hERG失活机制，还揭示了解释失活期间药物结合增强的新分子特征。利用AlphaFold推导的状态可改善计算筛查与实验药物亲和力的一致性，弥补传统单状态模型的不足。通过映射关闭、开放和失活状态的残基相互作用网络，研究识别出驱动状态转换的关键残基，并得到既往诱变研究验证。该方法为整合深度学习蛋白结构预测与实验验证建立了新基准，并提供了广泛适用的策略。

为什么值得关注

编辑短评

本文提出以结构模板引导AlphaFold预测hERG通道离散构象，并与实验数据、对接和分子动力学模拟比较验证，进而用于计算筛选及残基网络分析。其思路对状态依赖性药物安全评估有潜在价值，但验证主要依赖计算与既往数据比对，缺乏新实验结构解析；筛选改善幅度与普适性需独立评估。

查看扩展信息

完整作者

Khoa Ngo、Pei-Chi Yang、Vladimir Yarov-Yarovoy、Colleen E Clancy、Igor Vorobyov

作者机构

Center for Precision Medicine and Data Science, University of California, Davis, Davis, United States.
Department of Physiology and Membrane Biology, University of California, Davis, Davis, United States.
Department of Anesthesiology and Pain Medicine, University of California, Davis, Davis, United States.
Department of Pharmacology, University of California, Davis, Davis, United States.

技术路线

结构模板引导AlphaFold预测hERG通道不同构象状态→与实验数据（状态依赖性结构特征、分子对接药物相互作用、分子动力学离子传导特性）比较验证→利用预测状态进行计算筛选并与实验药物亲和力比较→映射闭合/开放/失活态的残基相互作用网络，关键残基由既往突变研究验证

最近 5 个完整年度引用趋势

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 06:00

探索相关选题直接查重