👋 Welcome to BioF3's Paper Digest! Today's edition features 0 GitHub projects and 4 research papers from bioRxiv, arXiv, and PubMed.
Content generated by GLM-4.7 (Deep Thinking Mode) 🧠
1. Hyper Input Convex Neural Networks for Shape Constrained Learning and Optimal Transport
📄 arXiv Paper | Date:
2026-04-29| Category:q-bio.GN
Authors: Shayan Hundrieser, Insung Kong, Johannes Schmidt-Hieber
AI Research Digest (科研解读)
一句话概括 本研究提出了一种结合 Maxout 网络与输入凸神经网络的新型架构 HyCNN，旨在高效解决凸函数学习及高维最优传输映射问题，并在单细胞 RNA 测序数据分析中验证了其优越性。
研究背景
凸函数学习在最优传输和形状约束回归中至关重要，然而现有的输入凸神经网络存在参数效率低、难以利用深度优势以及在大规模训练中表现不稳定等局限性。
方法创新
提出了 Hyper Input Convex Neural Networks (HyCNNs)，通过融合 Maxout 网络与 ICNN 的原理，构建了在输入空间上严格保持凸性的神经网络架构。该方法在理论上被证明仅需指数级更少的参数即可达到与 ICNN 相同的二次函数逼近精度，显著提升了模型的表达能力和训练效率。
关键发现
- 在凸回归和插值任务的合成实验中，HyCNNs 的预测性能显著优于现有的 ICNNs 和多层感知机（MLPs）。
- 在高维最优传输映射学习任务中，特别是在单细胞 RNA 测序数据的分析中，HyCNNs 在多种设置下均优于基于 ICNN 的神经最优传输方法及其他基线模型。
实际意义
该研究为生物信息学领域，特别是单细胞数据的轨迹推断和分布匹配提供了一种高效的计算工具。通过改进最优传输映射的学习效率，HyCNNs 能够更准确地捕捉细胞状态的连续转换，有助于揭示细胞发育过程中的潜在动力学机制。
领域归类
领域：单细胞, AI for Biology
2. Do Larger Models Really Win in Drug Discovery? A Benchmark Assessment of Model Scaling in AI-Driven Molecular Property and Activity Prediction
📄 arXiv Paper | Date:
2026-04-29| Category:q-bio.QM
Authors: Jinjiang Guo
AI Research Digest (科研解读)
一句话概括 该研究通过大规模基准测试，系统评估了模型规模对分子性质和活性预测的影响，发现紧凑的专用模型在预测性能上往往优于或持平于大型预训练模型，挑战了药物发现领域中“越大越好”的普遍认知。
研究背景
随着分子基础模型和通用大语言模型的兴起，药物发现领域逐渐形成了一种“以规模为中心”的观点，认为更大的预训练模型将取代传统的化学信息学模型和特定任务的图神经网络。
方法创新
研究采用了结构相似性分离的五折交叉验证策略，在涵盖 ADMET、Tox21 及内部抗感染数据集的 22 个分子端点、超过 16.7 万次独立评估中
3. Role of PTK6 in the diagnosis, prognosis, and immune infiltration of pancreatic cancer based on evidence from bioinformatics analysis and experimental validation.
📄 PubMed Article | Date:
2026 Apr 28| Category:Discover oncology
Authors: Wang FJ, Yu SL, Yang PW et al.
AI Research Digest (科研解读)
4. Integrated bioinformatics and in vitro validation reveal the role of CCT5 in immune infiltration and the Wnt pathway in colon cancer.
📄 PubMed Article | Date:
2026 Apr 28| Category:Discover oncology
Authors: Wang B, Liu X, Li J et al.
AI Research Digest (科研解读)
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7