Fundamental Research 2026年第1期正式在线出版，本期发表了“生物学中的人工智能”专题。专题客座编辑为刘滨教授、王秀杰研究员、章张研究员等专家，内容包括1篇卷首语、5篇综述、3篇展望和3篇论著。另外发表物理、化学化工、农业、生物、地球科学、工程与材料科学、信息科学、管理科学、健康与医学、交叉科学等领域文章45篇。本期作者包括俞肇元、顾长志、胡慧珠、冯芒、张岩、李勇、杨慧、韩达、侯高垒、陈洪、王松寒、邵建忠、王成树、宋长春、魏孝荣、仝川、褚海燕、方功焕、邬家臻、杨如森、吴征天、魏秀参、姬强、李佳硕、肖国芝、姚银、胡建军、张悦周、章小清、李涛、汤艳清、邢成芬、靳红磊、刘俊伟、汪涛、袁林旺、张贵军等专家。欢迎广大科研工作者阅读、下载、引用！查看更多期刊信息，请点击文末“阅读原文”，本期网址为：https://www.sciencedirect.com/journal/fundamental-research/vol/6/issue/1

Fundamental Research

2026年第6卷第1期封面

Special Topic: AI for Biology

Editorial

AI for biology: Catalyzing interdisciplinary innovation to unravel life’s complexity and address biomedical challenges

人工智能在生物学中的应用：促进跨学科创新以解析生命复杂性并应对生物医学挑战

Xiu-Jie Wang, Fangqing Zhao, Qiangfeng Cliff Zhang, Hong-Liang Zhang

人工智能（AI）和生物学的交叉已经成为现代研究的变革力量，重新定义了我们如何解码生物系统和解决未满足的生物医学需求。从整合多组学数据到揭示新的调控机制，从破译蛋白质结构到设计新的药物分子，人工智能技术为加速生物和生物医学研究提供了多功能工具，使解决曾经被认为难以解决的挑战成为可能。

本期特刊汇集了11篇文章，从不同方面展示了人工智能在生物和生物医学研究中的应用，旨在强调人工智能驱动的创新如何重塑生物研究和临床实践。

扫描二维码

下载全文

Fundamental Research 2026,6(1):1-2

Perspective

Expanding bioinformatics: Toward a paradigm shift from data to theory

生物信息学科研范式变革：从数据到理论

伴随多模态海量生物数据的持续激增，本文提出生物信息学从数据到理论的范式变革，是实现生物学范式跃迁的关键路径。这不仅有助于生物学研究从“还原论”走向“整体论”，将零散的研究成果整合到理论框架中，以此推动以理论为导向的可解释性强的人工智能建模，为未来生命科学的发展提供理论指导。

Zhang Zhang扫描二维码

下载全文

Fundamental Research 2026,6(1):3-5

Perspective

Biological sequence analysis: Advances, medical applications, and challenges

读懂生命密码：生物序列分析的进展、应用与挑战

该文章总结了生物序列大数据时代背景下计算方法在生物序列分析中的研究进展，重点梳理了大数据分析和自然语言处理在生物模式识别、结构预测及功能注释中的应用。以AlphaFold和ESM为代表的计算模型已成为解析复杂生命活动的重要技术手段，在分子结构预测和相关功能研究中表现突出，为基础生物学研究提供了有力工具，并在疾病诊断和药物研发中展现出潜在应用价值。该文章为生物序列分析在生物医学研究中的深入应用提供了理论依据与发展方向。

Hang Wei, Jiangyi Shao, Bin Liu

扫描二维码

下载全文

Fundamental Research 2026,6(1):6-10

Review

Jumping in the human brain: A review on somatic transposition

人体大脑中的跳跃现象：体细胞易位综述

作为一项诺贝尔奖级别的的发现，转座因子或“跳跃基因”因其在提供功能编码和调控序列方面的作用而引起了人们的极大兴趣。一个长期的假设表明，体细胞转位可能优先发生在哺乳动物的大脑中，有助于神经元的多样性。研究的目的是提供人脑体细胞转位研究的最新概述。首先介绍了体细胞转位的历史背景和对其功能的有限研究，指出了其致病作用，强调了不同研究中体细胞转位率估计的广泛差异，讨论了导致假阳性和阴性结果的复杂性，如人工嵌合体和多拷贝性。本文回顾了旨在缓解这些挑战的不断发展的实验和计算方法，并简要介绍了估计种系易位率的研究。最后，研究表明，单细胞基因组扩增方法的进步，加上基于深度学习的软件，可以为更明确地研究体细胞转位在人脑中的患病率和功能作用提供支撑。

Yufei Zhang, Yanyan Guo, Hangxing Jia, Huijing Ma, Shengjun Tan, Yong E. Zhang

扫描二维码

下载全文

Fundamental Research 2026,6(1):11-19

Review

Application of artificial intelligence in life science: Historical review and future perspectives

人工智能在生命科学中的应用:历史回顾与未来展望

近年来，人工智能（AI）技术的快速发展，特别是深度学习算法和神经网络给科学研究带来了巨大的影响。作为一个专注于生命科学数据整理和分析的学科，生物信息学在人工智能技术的推动下经历了显著的变化。这篇综述首先总结了计算机辅助生命科学数据分析历程，然后通过文献计量分析评估了人工智能方法在生命科学研究中的特征、贡献和变化，并从生命科学研究方面讨论了人工智能方法未来的挑战。毫无疑问，人工智能技术将不断加速和彻底改变生命科学研究；此外，也迫切需要开发更适合生命科学数据的新的人工智能方法。

Lei Shi, Meng Wang, Xiu-Jie Wang

扫描二维码

下载全文

Fundamental Research 2026,6(1):20-27

Review

The evolving landscape of spatial proteomics technologies in the AI age

人工智能时代下空间蛋白质组学技术的演进格局

尽管单细胞技术为细胞异质性和复杂性提供了深刻的见解，但它们在解释细胞如何形成组织结构方面存在不足，而组织结构是理解复杂组织原理的关键方面。空间转录组学为在细胞和亚细胞分辨率下对组织进行原位研究提供了方法支撑。然而，这些基因组水平的方法主要提供细胞状态的间接测量，因为大多数生物过程都是由蛋白质控制的。因此，空间蛋白质组学有可能彻底改变我们对生物过程的理解，对基础细胞生物学和临床应用都有重大意义。综述概述了空间蛋白质组学的最新技术成就和仍然存在的挑战。将这些技术分为三种主要类型：基于抗体的、基于LC-MS/MS的和基于成像质谱的。我们详细描述了每种方法，并讨论了它的优缺点。我们还讨论了人工智能在空间蛋白质组学方面的新兴机遇。最后，我们回顾了关键问题，并提出了空间蛋白质组学发展的未来方向。

Beiyu Hu, Junjie Zhu, Fangqing Zhao

扫描二维码

下载全文

Fundamental Research 2026,6(1):28-39

Review

Molecule generation for drug design: a graph learning perspective

分子生成在药物设计中的应用：图学习视角

机器学习在分子设计和发现领域，特别是在制药行业得到广泛应用。本文全面概述了分子设计中最先进的方法，特别关注结合了（深度）图学习技术的从头药物设计。我们将这些方法分为三个不同的组：i）一次全部，ii）基于片段，iii）逐节点。此外，我们介绍了一些关键的公共数据集，并概述了用于分子生成和优化的常用评估指标。最后，我们讨论了该领域存在的挑战，并提出了未来研究的潜在方向。

Nianzu Yang, Huaijin Wu, Kaipeng Zeng, Yang Li, Siyuan Bao, Junchi Yan

扫描二维码

下载全文

Fundamental Research 2026,6(1):40-52

Review

Decoding intrinsically disordered regions in biomolecular condensates

解码生物分子凝聚体中的内在无序区域

生物分子凝聚物由多种分子实体组成，其中固有无蛋白（IDR）因其关键作用而受到越来越多的关注。近年来，在理解生物分子凝聚体中IDR的线性和构象分子语法方面取得了重大进展。本综述将重点介绍IDR构象集成及其与功能关系的研究进展，特别强调分子动力学（MD）模拟以及MD和机器学习（ML）方法之间新兴的协同作用。然而，IDR固有的灵活性和动态性仍然给构象分析带来了重大挑战。先进的实验技术、计算方法和进化分析的结合有望揭示冷凝物中IDR的构象奥秘和治疗潜力。

Minglei Shi, Zhaoxu Wu, Yi Zhang, Tingting Li

扫描二维码

下载全文

Fundamental Research 2026,6(1):53-61

Review

Harnessing multi-omics and machine learning for predicting immune checkpoint blockade responses: Advances, challenges, and future directions

谁能从免疫检查点治疗中获益？多组学+机器学习预测ICB疗效的“路线图”

免疫检查点阻断（ICB）疗法开启了癌症治疗的新纪元，但其“个体差异大、响应率有限”的缺陷依然显著。如何通过微观数据精准预测宏观疗效，已成为精准医学的领域的关键问题。本综述系统总结了利用多组学数据与机器学习模型预测 ICB 反应的最新进展。深入剖析了从肿瘤内源突变到外源微环境的多维度标志物逻辑，系统阐明了如何利用可解释性机器学习打破 AI 的“黑盒”困境，并指出了大语言模型（LLM）在下一代精准免疫治疗中的变革潜力，为该领域的算法开发与临床转化提供了重要的方法论指引与参考。

Shiwei Cao, Junwei Liu, Yixue Li

扫描二维码

下载全文

Fundamental Research 2026,6(1):62-76

Article

Multiple conformational states assembly of multidomain proteins using evolutionary algorithm based on structural analogues and sequential homologues

从相似结构和同源序列线索出发：通过进化算法探索多结构域蛋白质的多构象状态

本文提出一种多结构域蛋白质多构象组装方法 M-SADA。该方法首先结合结构模板（MPDB）与序列同源模板（PDB/AlphaFold DB）检索，并利用结构域间距离预测网络 DeepIDDP 补充域间约束；进而构建多套能量函数，采用多种群进化算法在不同“能量景观”间交换构象解；最后通过 模型精度估计预测方法DeepUMQA2 进行模型筛选与排序，输出多构象模型。基准测试（72个双构象蛋白）中，M-SADA平均TM-score约0.87，显著优于AlphaFold2与MultiSFold；29/72蛋白两种构象均可达TM-score>0.90。该工作意义在于为多结构域蛋白的多构象预测提供了可行的模板+深度学习约束+进化搜索框架，补齐了端到端方法在跨域取向与多构象状态预测上的短板，有助于靶标蛋白的动态机制阐释，并为基于特定功能状态的药物发现提供关键动态构象信息。

Chunxiang Peng, Xiaogen Zhou, Jun Liu, Minghua Hou, Stan Z. Li, Guijun Zhang

扫描二维码

下载全文

Fundamental Research 2026,6(1):77-87

期刊主页：www.keaipublishing.com/en/journals/fundamental-research/

文章阅读：www.sciencedirect.com/journal/Fundamental-Research

投稿系统：www.editorialmanager.com/fmre

原文链接：https://mp.weixin.qq.com/s/XpTDkUnx9htZ-bq5eupS7g