NMI — Vol 7 Issue 7 · 2026-08-01¶

共 9 篇 · Nature Machine Intelligence
目录核对 ⚠️ 疑似漏 11 篇（对照 OpenAlex 20 篇）：10.1038/s42256-025-01058-y、10.1038/s42256-025-01063-1、10.1038/s42256-025-01093-9、10.1038/s42256-025-01056-0、10.1038/s42256-025-01059-x 等

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期共9篇论文，整体聚焦于生物医学与材料科学的机器学习应用，以及机器人控制中的强化学习与生物启发方法。主题可归纳为三条主线：一是多模态数据整合与生物网络推断（3篇），涉及深度潜变量路径建模、网络流优化和大语言模型；二是生物分子理解与化学合成（2篇），聚焦大语言模型在蛋白质/小分子设计和逆合成预测中的应用；三是机器人控制与材料设计（4篇），涵盖强化学习、轨迹调制和生成式图网络。此外，还有一篇关于视觉运动感知的神经启发模型，属于计算神经科学交叉。

在多模态数据整合与生物网络推断主线中，Integrating multimodal cancer data 提出深度潜变量路径建模，将深度学习表示与路径建模的结构化关系识别结合，用于癌症多模态数据（基因组、转录组、组织病理等）的依赖关系识别，并在单细胞和空间转录组数据中展示扩展应用。Unifying multi-sample network inference 提出CORNETO框架，将Steiner树、通量平衡分析等现有方法统一为混合整数优化问题，利用网络流和结构化稀疏性实现多样本联合推断，支持无向/有向/带符号图。这两篇都聚焦于从复杂生物数据中提取结构化关系，但前者侧重深度潜变量建模，后者侧重优化框架的通用性。Advancing biomolecular understanding 则通过多模态大语言模型（InstructBioMol）实现自然语言与蛋白质/小分子结构的跨模态对齐，用于药物分子生成和酶设计，但未涉及统计推断或不确定性量化。

在机器人控制与材料设计主线中，Learning to adapt 将动物步态转换策略、步态记忆和实时调整嵌入深度强化学习，实现四足机器人在未知地形上的盲零样本部署。Model-based reinforcement learning 使用循环想象环境进行模型学习，解决超声驱动微型机器人在高维动作空间下的样本效率问题，在仿真迁移后仅需一小时微调即可达到90%导航成功率。Bioinspired trajectory modulation 在模型预测控制中引入轨迹调制替代传统抓力控制，用于机器人滑移预防。Designing metamaterials 提出GraphMetaMat，整合图神经网络、物理偏置、模仿学习和树搜索，逆向设计具有可编程非线性响应的三维桁架超材料。这四篇均以工程应用为导向，方法上依赖强化学习或生成式模型，而非统计推断或高维理论。

与因果推断、半参数效率或高维统计方向最贴合的论文是：Integrating multimodal cancer data（潜变量路径建模，涉及结构化依赖关系识别，可类比因果图或结构方程模型）、Unifying multi-sample network inference（网络推断框架，涉及稀疏性和优化，与图模型和变量选择相关）。其余论文偏向应用工程或神经科学，统计方法创新有限。

其他 (other, 9 篇)¶

1. 10.1038/s42256-025-01052-4 — Integrating multimodal cancer data using deep latent variable path modelling¶

作者: Alex Ing, Alvaro Andrades, Marco Raffaele Cosenza, Jan O. Korbel
期刊/来源: Nature Machine Intelligence
机构: European Molecular Biology Laboratory · German Cancer Research Center · Heidelberg University
分类: vol 7 · issue 7 · pp 1053-1075
相关性 5/10 · novelty: application
摘要: 本文提出一种名为深度潜变量路径建模（deep latent variable path modelling）的方法，用于整合癌症研究中多模态数据（基因组、转录组、表观组、组织病理图像等）。该方法将深度学习的表示能力与路径建模（path modelling）的结构化关系识别能力相结合，旨在从复杂系统中识别不同数据模态之间的依赖关系。作者使用TCGA乳腺癌数据训练模型，映射SNV、甲基化、miRNA、RNA-seq和组织学数据之间的关联，并展示了优于经典路径建模的性能。此外，方法还被应用于单细胞数据分层、基于CRISPR-Cas9筛选的合成致死相互作用识别，以及空间转录组数据中组织-转录关联的检测。本文属于方法学贡献，但核心创新在于应用层面的整合框架，而非统计推断或因果识别的新理论。对于您而言，本文可作为多模态数据整合的入门读物，但方法学深度有限，不直接涉及您主要兴趣中的因果推断或高维统计理论。
关键技术: deep latent variable models, path modelling, multimodal data integration, deep learning
为什么对您有用: 本文属于Nature Machine Intelligence上的多模态数据整合方法，适合作为gateway reading。文章对数据结构和模型假设有清晰说明，但方法学核心是深度学习的应用，而非您武器库中的非参数统计或因果推断工具。作为入门读物，它有助于了解癌症多模态数据整合的常见问题，但您无需深入阅读全文——武器库中的工具（如高维统计、U统计量）与此方向直接对接的接口有限，暂不可做follow-up。

2. 10.1038/s42256-025-01069-9 — Unifying multi-sample network inference from prior knowledge and omics data with CORNETO¶

作者: Pablo Rodriguez-Mier, Martin Garrido-Rodriguez, Attila Gabor, Julio Saez-Rodriguez
期刊/来源: Nature Machine Intelligence
机构: Heidelberg University · University Hospital Heidelberg · European Molecular Biology Laboratory · European Bioinformatics Institute
分类: vol 7 · issue 7 · pp 1168-1186
相关性 4/10 · novelty: new_method
摘要: 本文提出 CORNETO，一个统一的数学框架，用于从组学数据和先验知识中推断生物网络。CORNETO 将多种现有方法（如 Steiner 树、通量平衡分析等）重新表述为混合整数优化问题，利用网络流和结构化稀疏性实现多样本联合推断。该方法能够同时发现共享和样本特异的分子机制，并生成更稀疏、更可解释的解。CORNETO 支持无向、有向和带符号（超）图等多种先验知识结构，并提供了开源的 Python 库。在信号传导、代谢以及与生物学信息深度学习集成等多个生物学场景中展示了其实用性。对您而言，本文属于 Nature Machine Intelligence 上的通用科学方法论文，可作为了解生物网络推断这一交叉领域的入门读物，但核心方法（混合整数优化）与您的主要统计兴趣（因果推断、高维统计等）直接关联较弱。
关键技术: mixed-integer optimization, network flow, structured sparsity, Steiner tree, flux balance analysis
为什么对您有用: 本文属于 Nature Machine Intelligence 上的方法学论文，可作为 gateway reading 了解生物网络推断领域。您的技术武器库（非参数统计、高维渐近等）与本文核心的混合整数优化方法直接交集有限，因此暂不可做。不过，本文清晰的建模框架（网络流+稀疏性）和开源实现可能为未来在组学数据分析中应用统计方法提供背景知识，值得花时间读全文以拓宽视野。

3. 10.1038/s42256-025-01064-0 · arXiv — Advancing biomolecular understanding and design following human instructions¶

作者: Xiang Zhuang, Keyan Ding, Tianwen Lyu, Yinuo Jiang, Xiaotong Li, Zhuoyi Xiang et al.
期刊/来源: Nature Machine Intelligence
分类: vol 7 · issue 7 · pp 1154-1167
相关性 2/10 · novelty: application
摘要: 本文提出 InstructBioMol，一个多模态大语言模型，旨在弥合自然语言与生物分子（蛋白质、小分子）之间的语义鸿沟。模型通过 any-to-any 对齐策略，将自然语言、分子结构和蛋白质序列统一嵌入，使研究者能用自然语言指令直接驱动生物分子理解与设计。在药物分子生成任务中，模型将结合亲和力提升 10%；在酶设计任务中，酶-底物对预测得分达 70.4。方法核心是跨模态语义对齐与指令微调，但未涉及统计推断、不确定性量化或因果结构。作为 Nature Machine Intelligence 上的方法学论文，本文对统计研究者而言是了解 AI for biology 前沿的入门读物，但缺乏可迁移的统计方法论。
关键技术: multimodal large language model, any-to-any alignment, instruction tuning, cross-modal embedding
为什么对您有用: 本文属于 general science 范畴的 gateway reading。作为 Nature Machine Intelligence 上的方法学论文，它清晰展示了 AI 如何桥接自然语言与生物分子设计，数据模态（序列、图、文本）和模型架构（多模态对齐）对统计研究者有科普价值。但武器库中缺乏大语言模型微调与多模态对齐的核心工具（如 contrastive learning 的统计性质、指令微调的泛化理论），暂不可做 follow-up。值得花时间读全文以拓宽视野，但无需深入技术细节。

4. 10.1038/s42256-025-01068-w · arXiv — Machine learning modelling for multi-order human visual motion processing¶

作者: Zitang Sun, Yen-Ju Chen, Yung-Hao Yang, Yuan Li, Shin’ya Nishida
期刊/来源: Nature Machine Intelligence
分类: vol 7 · issue 7 · pp 1037-1052
相关性 2/10 · novelty: application
摘要: 本文提出一个受大脑V1-MT通路启发的双路径神经网络模型，用于模拟人类视觉运动感知中的一阶（亮度基）和二阶（特征基）运动处理。模型包含一个可训练的运动能量传感器库和循环图网络处理亮度运动，以及一个3D CNN模块捕捉高阶运动信号。通过在包含不同材质属性（如光泽表面）的自然运动数据集上训练，模型自发发展出类似人类的多阶运动感知能力。实验表明该模型在泛化一阶和二阶运动现象上达到人类水平，弥补了传统光流模型依赖亮度守恒定律的局限。该工作属于计算神经科学与计算机视觉交叉领域，主要贡献在于生物启发式架构设计而非统计方法创新。对您而言，这是一篇Nature Machine Intelligence上的跨学科论文，可作为科普性阅读了解视觉感知中的计算建模思路，但与方法学兴趣（因果推断、高维统计等）无直接技术关联。
关键技术: dual-pathway neural network, motion energy sensor bank, recurrent graph network, 3D CNN, optical flow estimation
为什么对您有用: 本文属于Nature Machine Intelligence上的跨学科研究，适合作为科普性阅读拓宽视野，但核心内容（视觉运动感知的神经计算模型）与您的主要研究方向（因果推断、高维统计、U统计量等）无直接技术关联。武器库中的工具无法直接应用于本文问题，暂不可做。

5. 10.1038/s42256-025-01066-y · arXiv — Large language models to accelerate organic chemistry synthesis¶

作者: Yu Zhang, Yang Han, Shuai Chen, Ruijie Yu, Xin Zhao, Xianbin Liu et al.
期刊/来源: Nature Machine Intelligence
分类: vol 7 · issue 7 · pp 1010-1022
相关性 2/10 · novelty: application
摘要: 本文提出 Chemma，一个基于 LLaMA-2-7b 微调的大语言模型，专门用于加速有机化学合成。模型使用 128 万对反应问答数据进行训练，在单步逆合成预测和产率预测等任务上超越了已有最佳结果。Chemma 的核心贡献在于无需量子化学计算，仅从反应数据中学习化学知识，并能与贝叶斯优化和主动学习框架结合，自主探索和优化反应空间。在未报道的 Suzuki-Miyaura 交叉偶联反应中，人机协作仅用 15 次实验就找到了合适的配体和溶剂，分离产率达 67%。本文展示了 LLM 在化学合成领域的应用潜力，但方法学上属于工程应用，未提出新的统计理论或计算框架。作为 Nature Machine Intelligence 的论文，本文适合作为跨学科入门读物，让统计学家了解 LLM 在科学发现中的角色，但直接的方法学迁移价值有限。
关键技术: fine-tuning, Bayesian optimization, active learning, retrosynthesis prediction, yield prediction
为什么对您有用: 本文属于 general science 跨学科旗舰期刊（Nature Machine Intelligence）的 gateway reading。作为统计学家，本文展示了 LLM 如何与贝叶斯优化和主动学习结合解决实验设计问题，但核心方法（微调、预测）不在研究者的 primary interests 中。武器库中 'software development' 和 'nonparametric statistics' 可帮助理解贝叶斯优化的框架，但本文不涉及因果推断、高维统计或 U-statistics 等核心方向。值得花时间读全文作为科普拓展，但无需深入跟进方法学细节。

6. 10.1038/s42256-025-01062-2 — Bioinspired trajectory modulation for effective slip control in robot manipulation¶

作者: Kiyanoush Nazari, Willow Mandil, Marco Santello, Seongjun Park, Amir Ghalamzan-E
期刊/来源: Nature Machine Intelligence
机构: University of Lincoln · Toshiba (Japan) · Arizona State University · Korea Advanced Institute of Science and Technology · University of Surrey
分类: vol 7 · issue 7 · pp 1119-1128
相关性 1/10 · novelty: application
摘要: 本文研究机器人操作中的滑移控制问题，提出基于轨迹调制而非传统抓取力调制的滑移预防策略。在模型预测控制框架下，引入数据驱动的动作条件前向模型来优化轨迹调制，类似于人类运动控制中的预测机制。实验表明，在特定场景下轨迹调制显著优于抓力控制，提升了动态非结构化环境中的抓取稳定性。该方法为机器人滑移控制提供了新视角，但属于工程控制与机器人学范畴。对您而言，本文不涉及统计推断、因果识别或高维理论，属于跨学科科普阅读。
关键技术: model predictive control, trajectory modulation, action-conditioned forward model, grip force control
为什么对您有用: 本文属于 Nature Machine Intelligence 的跨学科科普阅读，可作为了解机器人控制中预测框架的入门材料。但武器库中无相关工具（控制理论、机器人学），暂不可做任何 follow-up。

7. 10.1038/s42256-025-01067-x — Designing metamaterials with programmable nonlinear responses and geometric constraints in graph space¶

作者: Marco Maurizi, Derek Xu, Yu-Tong Wang, Desheng Yao, David Hahn, Mourad Oudich et al.
期刊/来源: Nature Machine Intelligence
机构: University of California, Berkeley · University of California, Los Angeles · Pennsylvania State University · Centre National de la Recherche Scientifique · Institut Jean Lamour · Université de Lorraine · Lawrence Berkeley National Laboratory
分类: vol 7 · issue 7 · pp 1023-1036
相关性 1/10 · novelty: application
摘要: 本文提出 GraphMetaMat，一个基于自回归图神经网络的框架，用于设计具有可编程非线性响应的三维桁架超材料。核心挑战在于传统方法难以捕捉屈曲、摩擦接触和波传播等复杂非线性物理行为，同时难以融入几何和制造约束（包括缺陷）。方法整合了图神经网络、物理偏置、模仿学习、强化学习和树搜索，能够针对四个数量级范围的应力-应变曲线和具有不同衰减间隙的振动传输响应进行目标设计。实验展示了该框架在逆向设计新型材料拓扑方面的能力，实现了优于现有聚合物泡沫和声子晶体的高能量吸收和振动阻尼性能。这项工作为自动设计可制造、容错且具有按需功能的材料奠定了基础。作为 Nature Machine Intelligence 上的方法学论文，本文对统计计算研究者而言是了解图神经网络与物理仿真结合的前沿应用的良好入门读物，但方法核心（图神经网络架构、强化学习策略）与您的主要统计兴趣（因果推断、高维理论、U-统计量）无直接技术交集。
关键技术: graph neural networks, autoregressive generation, imitation learning, reinforcement learning, tree search, physics-biased learning
为什么对您有用: 本文属于 general science 范畴的 gateway reading。作为 Nature Machine Intelligence 上的方法学论文，(a) 对图神经网络与物理仿真结合的领域外读者较为友好，但需要一定材料科学背景；(b) 清晰阐述了超材料设计中的科学问题（非线性响应、制造约束）；(c) 具有明确的数据/建模维度（图结构数据、物理仿真作为黑箱、逆向设计优化）；(d) 作为跨学科前沿知识值得一读。但方法核心（GNN、RL）不在您的技术武器库中，且与主要统计兴趣无直接连接，属于拓宽视野的阅读材料，不涉及可迁移的统计方法。

8. 10.1038/s42256-025-01065-z · arXiv — Learning to adapt through bio-inspired gait strategies for versatile quadruped locomotion¶

作者: Joseph Humphreys, Chengxu Zhou
期刊/来源: Nature Machine Intelligence
分类: vol 7 · issue 7 · pp 1141-1153
相关性 1/10 · novelty: application
摘要: 本文研究四足机器人在未知地形中的步态适应问题，提出一种将动物运动三大核心原则（步态转换策略、步态记忆、实时运动调整）嵌入深度强化学习（DRL）框架的方法。该方法无需外部传感，通过生物力学启发的指标（效率、稳定性、系统极限）统一指导最优步态选择。框架实现了在多种真实地形上的盲零样本部署，显著优于固定步态的基线控制器。核心贡献在于将生物运动智能原则系统性地融入数据驱动控制，而非提出新的统计或计算方法。对您而言，本文属于Nature Machine Intelligence上的通用科学阅读，可作为了解机器人学中DRL与生物启发控制交叉领域的入门材料，但方法学上无直接可迁移的统计工具。
关键技术: deep reinforcement learning, gait transition strategies, biomechanics-inspired metrics, blind zero-shot deployment
为什么对您有用: 本文属于通用科学（Nature Machine Intelligence）范畴，作为gateway reading，其清晰阐述了动物运动原则如何转化为控制框架，对统计学家友好，但无直接统计方法学贡献。武器库中无相关工具可攻该问题（缺机器人控制/DRL领域知识），暂不可做。

9. 10.1038/s42256-025-01054-2 — Model-based reinforcement learning for ultrasound-driven autonomous microrobots¶

作者: Mahmoud Medany, Lorenzo Piglia, Liam Achenbach, S. Karthik Mukkavilli, Daniel Ahmed
期刊/来源: Nature Machine Intelligence
机构: Robotics Research (United States) · IBM Research - Zurich
分类: vol 7 · issue 7 · pp 1076-1090
相关性 1/10 · novelty: application
摘要: 本文研究基于模型的强化学习（MBRL）在超声驱动微型机器人自主控制中的应用。目标是解决传统强化学习在微型机器人领域面临的数据需求大、收敛慢、泛化性差等挑战，特别是在高维动作空间下的实时精确控制问题。方法核心是使用循环想象环境（recurrent imagined environments）进行模型学习，从图像中高效提取状态信息，实现样本高效的学习。在预训练仿真环境迁移至真实场景后，仅需一小时微调即可在多种通道中达到90%的导航成功率；在新环境中初始泛化成功率为50%，经30分钟额外训练后提升至90%以上。实验进一步展示了在静态和流动条件下复杂血管网络中的实时操控能力。本文属于应用型工程贡献，方法学新颖性有限，但对生物医学应用中的微型机器人控制有实际意义。
关键技术: model-based reinforcement learning, recurrent imagined environments, sample-efficient learning, sim-to-real transfer
为什么对您有用: 本文属于Nature Machine Intelligence上的通用科学论文，作为gateway reading，其问题设定（微型机器人在复杂流体环境中的自主导航）对统计学家而言有数据建模维度（图像输入、高维动作空间、样本效率），但方法学核心是强化学习而非统计推断，与您的primary interests（因果推断、高维统计等）无直接技术连接。武器库中无强化学习相关工具，暂不可做。可作为跨领域科普阅读了解AI在生物医学中的应用前沿，但无需深入精读。

Maintained by 陈星宇 · Homepage · Source on GitHub