基于液态神经网络的动态通路快照建模实现鲁棒时序知识推理

为解决静态知识图谱难以捕捉生物医学动态过程（如疾病进展、药物靶向相互作用）的局限性，研究人员开发了BioLNN框架，通过液态神经网络（LNNs）与时序知识图谱的融合，实现了复杂环境下的动态关系推理。实验表明，该框架在蛋白质通路网络（PPN）和药物靶点相互作用（DTI）建模中展现出超越传统方法的时序鲁棒性，为生物医学动态系统分析提供了新范式。

　　

在生物医学研究中，静态知识图谱一直是描述复杂关系的利器，但面对疾病进展、药物代谢等动态过程时却显得力不从心。蛋白质相互作用会随时间改变，药物疗效因患者个体差异而波动，这些现象暴露了传统方法的短板。更棘手的是，当遇到训练数据中未出现过的新型动态关系时，现有模型的推理能力往往会大幅下降。如何让AI像生物学家一样理解"时间维度"上的变化规律，成为亟待突破的科学难题。

中国的研究团队独辟蹊径，从大脑处理时序信息的机制中获取灵感，开发出名为BioLNN的创新框架。这项发表于《Methods》的研究，通过将液态神经网络（Liquid Neural Networks, LNNs）与时序知识图谱相结合，成功构建出能够适应动态变化的生物医学知识推理系统。令人振奋的是，该系统在蛋白质通路分析和药物靶点预测等任务中，不仅超越了传统深度学习模型，还展现出独特的时序泛化能力——即使面对全新时间节点的推理任务，也能保持稳定性能。

研究团队采用多技术融合策略：基于生物医学BERT模型提取语义特征，结合独热编码（one-hot）实现知识图谱节点嵌入，最后通过液态时间常数网络（Liquid Time-Constant Networks, LTCs）处理动态序列。特别值得注意的是，实验使用了真实世界的蛋白质相互作用时序数据和药物靶点数据库进行验证。

在"竞争性评估"部分，研究对比了四种神经网络架构：长短期记忆网络（LSTM）、ODE循环神经网络（ODE-RNN）、连续时间门控循环单元（CT-GRU）和BioLNN。结果显示，在处理蛋白质通路网络（Pathway Protein Networks, PPN）中的动态路径识别任务时，BioLNN在时序泛化能力上显著优于其他模型。这得益于液态网络的独特优势——能够像生物神经系统那样，根据输入动态调整计算状态，从而精准捕捉蛋白质激活链的时序依赖关系。

关于"药物靶点相互作用动态建模"的研究发现，传统静态模型难以反映药物与靶点蛋白结合强度的时序变化，而BioLNN通过将药物靶点相互作用（Drug-Target Interactions, DTI）子图嵌入到更大的PPN框架中，实现了药物作用机制的动态模拟。例如，在模拟酪氨酸激酶抑制剂作用过程时，系统能自动追踪药物浓度变化对下游信号通路的影响，这与临床观察到的药效动力学特征高度吻合。

在"基因调控网络分析"方面，研究借鉴了ARTIVA框架的时序建模思路，但通过液态网络的引入大幅提升了模型的可解释性。实验证明，BioLNN能够重建转录因子活性随时间变化的调控网络，准确识别出乳腺癌细胞系中ER⁺
和ER^-
亚型的关键差异调控路径，为理解疾病异质性提供了新视角。

研究结论指出，BioLNN框架的创新性体现在三个层面：方法论上，首次实现了液态神经网络与时序知识图谱的有机融合；技术上，解决了长期困扰动态系统建模的"数值稳定性与序列长度"矛盾；应用层面，为精准医疗中的个性化治疗方案设计提供了可靠的计算工具。特别值得关注的是，该系统展现出的"时序技能迁移"能力——在训练数据时间范围之外的新时间节点上仍能保持良好性能，这为应对突发公共卫生事件中的快速建模需求提供了可能。

讨论部分强调，该研究的突破性在于将神经科学的计算原理转化为解决生物医学难题的实用工具。液态网络的因果性（causality）和适应性（adaptability）特性，使其特别适合处理生物系统固有的不确定性和动态性。相比传统深度强化学习模型，BioLNN在保持预测精度的同时，大幅提升了决策过程的透明度和可解释性——这对需要临床验证的医学应用至关重要。未来，这种融合动态计算与知识表征的范式，有望扩展到疫苗研发、衰老研究等更广阔的领域。