導語

生命科學與醫學領域正經歷著深刻的智能革命。大語言模型與多智能體技術快速發展，正在推動形成計算醫學（Computational Medicine）新范式，為精準醫療、疾病診斷和健康管理開辟全新路徑。AI驅動的計算醫學在自主探索、跨尺度數據融合、個體建模與數字孿生等方面快速發展，然而跨學科合作與方法論整合仍是重要挑戰。

為此，DAMO開發者矩陣（由阿里巴巴達摩院和中國互聯網協會聯合發起）與集智俱樂部共同主辦“AI驅動的計算醫學前沿：從科學發現到數字孿生”系列研討會，邀請多位國內外前沿學者與業界專家分享交流。系列研討會將系統梳理計算醫學與AI交叉領域的最新進展，自2025年7月6日（周日）開始，共5大議題分享與討論。本活動免費報名，實行審核入群制，請填寫信息后入群，并參與騰訊會議互動。

7月10日（周四）19:00開始第二期研討。歡迎相關研究、應用領域的朋友報名參加，共同推動生命科學與醫療健康的智能未來！

本期簡介

醫療的精準化、個體化時代已經到來，但在真正實現臨床精準醫療之前，如何從海量復雜的基因組、轉錄組、蛋白組、代謝組等多組學數據中高效挖掘出疾病表型的深層規律，仍然是當前生命科學與AI交叉領域的重要挑戰。AI驅動的多模態生物醫學模型，逐漸在不同尺度的組學數據間建立高效連接，從而為疾病的精準分類、診斷、療效監測和靶向治療提供了前所未有的可能。

計算醫學系列研討會將通過兩期內容，分別聚焦于AI基因-RNA調控研究以及AI蛋白質科學與多組學研究，深入探討AI如何推動生物醫學數據與精準醫療的深度融合。本期將重點解析AI驅動的基因組與轉錄組研究如何揭示復雜疾病背后的調控網絡與分子機制，探討深度學習模型如何實現從DNA序列與RNA調控到臨床疾病表型的有效貫通，為精準醫學的臨床落地提供分子層面的科學基礎。本期將探討：

• AI如何幫助破譯基因組調控密碼，發現新的疾病相關分子機制？

• 深度學習模型如何揭示RNA翻譯及轉錄后調控在復雜疾病中的作用？

• 如何將AI驅動的基因-RNA調控模型高效轉化為精準醫學的實際應用？

• 在推進上述研究與臨床轉化過程中，不同地區和國家在數據標準、研究模式、倫理治理與臨床實施上的差異與挑戰

分享簡介

報告一：利用AI解讀基因組轉錄調控語法（郭國驥）

脊椎動物基因組的調控序列語法仍未被完全解析。為此，浙江大學郭國驥團隊建立了超高通量超靈敏單核ATAC測序技術（UUATAC-seq），可在單日內高效率高質量的完成一個物種的染色質可及性圖譜。基于該技術，團隊為五大代表性脊椎動物中繪制候選順式調控元件圖譜，開發多任務深度學習模型NvwaCE（女媧CE），并實現了從基因組序列到單細胞水平調控元件圖譜的直接預測。團隊發現，脊椎動物調控語法的保守性明顯強于核苷酸序列本身，且該語法將脊椎動物調控原件序列在高維分類為不同的功能模塊，由此揭示細胞類型特異性基因表達的序列基礎。另外，女媧CE模型在多項指標上，超越現有的基因組AI模型，并能精準預測合成突變對譜系特異性調控元件功能的影響。最后，團隊利用基因編輯實驗，首次驗證了完全由人工智能設計的人類疾病治愈性位點。這項工作為全面解讀基因組語言和建立數字生命模型奠定了堅實的基礎。

參考文獻：

Modeling the vertebrate regulatory sequence landscape by UUATAC-seq and deep learning

https://doi.org/10.1016/j.cell.2025.06.020

報告二：基于深度學習的RNA調控及疾病解析（熊旭深）

多基因疾病的遺傳風險變異大多位于非編碼區域，其作用機制尚不明確，阻礙了疾病的診斷和治療。我們此前從多個層面探討了這些變異的調控作用，包括單細胞RNA測序與單細胞ATAC測序（Cell 2023）、m6A RNA甲基化（Nat Genet 2021）以及H3K27ac組蛋白修飾（Nat Genet 2023）。在此基礎上，我們進一步利用深度學習方法，聚焦于以RNA為中心的疾病遺傳學機制。

第一項研究中，我們提出了多模態 Transformer 框架 Translatomer，可根據 RNA-seq 和基因序列預測細胞類型特異性的核糖體譜（ribosome profiling）。在來自 33 種組織和細胞系的數據上訓練后，Translatomer 通過納入序列特征，大幅提升了核糖體譜的預測能力，捕獲了序列依賴的翻譯調控特征。在全新（de novo）預測任務中，其預測精度達到 0.72–0.80 的皮爾遜相關系數（PCC）。我們進一步開發了體外模擬突變（in silico mutagenesis）工具，用于評估突變對翻譯的影響，發現受翻譯調控的變異在進化上受到明顯的約束。重要的是，我們鑒定出 3041 個非編碼和同義位點的疾病相關變異，這些變異具有獨立于 eQTL 的細胞類型特異性翻譯調控作用，暗示了其在阿爾茨海默病、精神分裂癥和先天性心臟病中的潛在機制（Nature Machine Intelligence, 2024）。

第二項研究中，我們開發了可解釋的深度學習框架 TransRBP，以堿基分辨率模型化 RNA-結合蛋白（RBP）與 RNA 序列的結合，并探究 m6A 修飾與 RBP 之間的相互作用。TransRBP 在 32 個 m6A 相關 RBP 上的中位預測準確率達到 0.59，相較當前最佳模型提升 28%。梯度解釋分析顯示，m6A 相關 RBP 的結合位點中富集剪接共識基序，凸顯了 m6A 與剪接互作的作用。我們還構建了突變模擬測定，用于量化 m6A 對 RBP 結合的影響，并利用注意力機制闡釋 RBP-m6A 相互作用。該方法揭示了 1806 對在多種疾病（如帕金森病、自閉癥和心肌病）中顯著改變 RBP 結合的變異-RBP 組合。值得注意的是，我們發現了影響 UPF1（阿爾茨海默病）以及 DDX3X（心肌病和肌營養不良）的 m6A 鄰近順式變異。總體而言，TransRBP 為解析 RBP-m6A 動態提供了有力工具，并揭示了復雜疾病背后轉錄后調控的機制性見解。

參考文獻：

1. Epigenomic dissection of Alzheimer’s disease pinpoints causal variants and reveals epigenome erosion https://www.cell.com/cell/fulltext/S0092-8674(23)00974-1

2. Genetic drivers of m6A methylation in human brain, lung, heart and muscle https://www.nature.com/articles/s41588-021-00890-3

3. Multitissue H3K27ac profiling of GTEx samples links epigenomic variation to disease https://www.nature.com/articles/s41588-023-01509-5

4. Deep learning prediction of ribosome profiling with Translatomer reveals translational regulation and interprets disease variants https://www.nature.com/articles/s42256-024-00915-6

5. In-silico modeling and interpretation of RBP binding disentangle m(6)A-RBP interaction https://www.biorxiv.org/content/10.1101/2024.11.23.624962v1

嘉賓信息

報告嘉賓

郭國驥，浙江大學求是特聘教授，浙江大學血液學研究所副所長。入選中組部萬人計劃科技創新領軍人才，教育部長江學者特聘教授。曾獲“談家楨生命科學創新獎”，“中源協和生命醫學創新突破獎”，“浙江省自然科學一等獎”等榮譽。任中國醫藥生物技術協會基因檢測分會副主任委員，中國生理學會血液生理學專業委員會委員，兼任Advanced Science, Cell Regeneration等期刊編委。以通訊作者身份在Cell, Nature, Science等著名期刊發表多篇學術論文。研究成果獲評“2020國際十大科技新聞”，“2020中國生物信息學十大進展”，“中國2020年度重要醫學進展”，“2022中國生物信息學十大進展”。

熊旭深，博士生導師，浙江大學醫學中心/良渚實驗室“百人計劃”研究員。熊旭深本科畢業于華中科技大學生物信息學專業，博士畢業于北京大學生命科學學院，博士研究方向為RNA修飾和生物信息學；隨后在MIT計算機與人工智能系進行博士后研究，方向為計算生物學和人類多基因復雜疾病。致力于利用統計遺傳和人工智能的手段探究表觀轉錄組和表觀基因組在人類大腦遺傳疾病中發揮作用的生物學機制。以通訊作者或第一作者（含共同）發表Cell, Nature Genetics, Nature Machine Intelligence等論文多篇。

圓桌嘉賓

吳家睿，現任上海交通大學主動健康戰略與發展研究院執行院長，中國科學院上海高等研究院國家蛋白質科學研究（上海）設施主任，中國科學院系統生物學重點實驗室主任，上海市科普作家協會理事長。他的實驗室主要采用系統生物學方法研究糖尿病和腫瘤等重大慢性病發生與發展的分子機制。

張清鵬，香港大學數據科學研究院和藥理及藥劑學系副教授，他的研究方向是復雜系統和醫學信息學。他于2009年獲得華中科技大學自動化學士學位，2012年獲得亞利桑那大學系統與工業工程博士學位，并在倫斯勒理工學院計算機科學系從事博士后研究。他的研究成果發表在Nature Human Behaviour, Nature Communications, MIS Quarterly等頂級期刊上，并受到華盛頓郵報、紐約時報、泰晤士報、BBC、衛報等國內外多家媒體的報道。他目前的研究重點是開發基于知識的預測決策分析方法，利用高維生物、臨床和行為數據進行藥物發現、精準醫療和公共衛生研究。

張禹洵，京都大學醫學基因中心在讀博士，研究領域包括病理基因組學，蛋白組學，罕見病，公共衛生。本科及碩士階段留學美國，主修微生物學與流行病學，目前于京都大學攻讀病理基因組學博士學位。具備一定的濕實驗操作、生物統計分析以及高通量組學研究經驗。研究成果曾在日本人類遺傳學會（JSHG）、美國人類遺傳學會（ASHG）及泰國人類遺傳學會（TSHG）等國際學術會議上發表。關于“IgG4相關疾病”的基因組學研究成果即將在《The Lancet Rheumatology》期刊發表。

報名參與

直播信息

2025年7月10日（周四） 19:00-21:00

報名加入社群

填寫信息后，添加運營負責人微信，備注“”。通過審核后，后續將邀請加入對應主題的社區（微信群）。

我們采取開放交流研討的方式，如果你在相關議題方向上有研究成果和行業案例，意愿以結構化形式分享交流，請在報名后聯系運營負責人。

研討會簡介

為了更好地促進生命科學與人工智能領域的深度交叉融合，推動前沿研究與醫療實踐的快速落地，DAMO開發者矩陣與集智俱樂部聯合發起了，旨在構建跨學科交流平臺，推動知識共享與技術創新。

本系列活動將通過結構化的深度主題對話，邀請國內外生命科學與AI交叉領域的前沿研究者和產業實踐者，共同探討如何用AI賦能生命科學與精準醫療，推動研究范式與醫療模式的革新。

核心問題

1. AI驅動的多智能體生物醫學與醫療智能體究竟是什么？它們如何從實驗室走向真實世界？

2. 多組學融合的核心技術障礙有哪些？AI如何跨越這些障礙助力精準醫學落地？

3. 醫學影像如何從AI輔助診斷走向智能體自動化閉環？落地過程中的關鍵挑戰是什么？

4. AI技術如何有效地融入嚴肅醫療體系？政策、監管與產業協同路徑如何優化？

5. 泛健康領域中，AI如何重塑健康管理、保險定價與用戶參與模式，打造全生命周期的智慧醫療生態？

你將收獲

1. 系統了解AI+生命科學交叉領域的前沿趨勢與最新方法論；

2. 掌握AI技術如何實現從數據整合到精準醫學決策的閉環路徑；

3. 了解真實世界中AI醫療智能體的落地案例與實施方法；

4. 深入洞察多組學數據融合的關鍵難題與解決方案；

5. 獲取從AI驅動的實驗設計到醫療產業化落地的全流程經驗與最佳實踐