“人工智能+”是指将机器学习、深度学习、统计建模和智能优化方法应用于具体科学问题和复杂数据分析场景的交叉研究方向。对于生物医学研究而言，它的重点不是单纯发展通用人工智能算法，而是利用人工智能方法处理高维、复杂、噪声较强且具有明显异质性的生物医学数据，从中提取稳定特征，建立可解释模型，并服务于疾病分型、风险预测、机制分析和辅助决策。

这一方向的基本特点是问题牵引和数据驱动。生物医学数据通常具有变量多、样本量有限、批次差异明显、噪声来源复杂和个体差异显著等特点。传统统计方法在处理这类数据时，容易受到维数、相关性和非线性关系的限制。机器学习方法能够在高维数据中学习复杂模式，但也容易出现过拟合、泛化不足和解释困难。因此，“人工智能+”在生物医学中的关键问题，不只是提高预测准确率，还包括特征是否稳定、模型是否可解释、结果是否可验证，以及模型能否在不同队列和不同应用场景中保持可靠性。

“人工智能+”的研究意义在于，它为复杂生物医学数据提供了新的分析框架。疾病发生发展往往涉及多变量、多过程和多层次信息，仅依靠单一指标难以充分解释。机器学习和人工智能方法可以整合多源数据，识别隐藏的疾病亚型，发现与预后或诊断相关的特征组合，并帮助研究者从复杂数据中形成新的科学假设。在健康大数据和精准医学背景下，这类方法有助于推动生物医学研究从经验判断和单变量分析，走向数据驱动、模型辅助和机制解释相结合的新阶段。

我们团队在“人工智能+”方向的研究兴趣，主要集中在机器学习算法设计及其在生物医学数据分析中的应用。团队长期关注机器学习、高维数据分析与建模、空间多组学、计算质谱、分子网络建模和健康大数据，相关研究不是泛泛使用人工智能工具，而是围绕真实生物医学数据中的噪声、异质性、非线性关系和可解释性问题，发展更稳健、更适合具体数据结构的建模方法。

在机器学习算法设计方面，团队关注高维生物医学数据中的特征选择、模式识别、数据变换、异质性保持和稳健建模问题。相关研究强调在有限样本和复杂变量结构下，提高模型对真实生物差异的捕捉能力，减少由噪声、批次效应或过拟合造成的误判。团队在高维数据分析、代谢表型建模和疾病分型等任务中，重视算法性能、统计稳定性和生物学解释之间的平衡。

在人工智能辅助的生物医学数据分析方面，团队关注机器学习方法在疾病诊断、分型、预后评估和机制研究中的应用。个人主页列出的研究和论文显示，团队已将可解释机器学习用于 LC-MS 代谢组学中提取离子流色谱的稳健评价，将机器学习用于鼻咽癌血清标志物识别，也将密度重采样策略用于揭示肝病进展中的代谢异质性和亚型。相关工作体现了团队将人工智能方法用于复杂疾病数据解析的研究思路。

在深度学习和大模型应用方面，团队关注人工智能方法在复杂生物分子数据和仪器数据中的应用潜力。个人主页列出的 MEMpre 工作利用 AlphaFold 驱动的蛋白大语言模型进行膜蛋白类型预测，CCS 预测工作则将大语言模型用于化合物碰撞截面积预测。这类研究说明，团队关注的不只是传统机器学习模型，也关注大模型、深度表征学习和领域先验知识结合后，如何提升复杂生物医学数据的预测和解释能力。

在健康大数据和多源数据建模方面，团队关注如何将人工智能方法用于多维医学数据、组学数据和临床相关数据的综合分析。个人主页中列出的鼻咽癌多模态跨尺度代谢智能分型、阿尔茨海默病早期诊断及分子机制研究、糖尿病肾病代谢组学建模等项目，体现了团队将机器学习与疾病研究结合的应用方向。相关研究的目标不是建立孤立的分类器，而是通过模型帮助识别疾病相关特征、解释个体差异和支持个体化诊疗决策。

总体来看，我们团队在“人工智能+”方向的目标，是发展面向生物医学复杂数据的机器学习建模方法和智能分析策略。一方面，团队关注特征选择、高维建模、异质性分析、可解释机器学习和大模型应用等方法学问题；另一方面，团队强调这些方法必须服务于真实生物医学问题，能够处理噪声、批次差异、个体差异和多源数据融合带来的挑战。通过这些研究，“人工智能+”可以成为连接电子信息、机器学习、生物医学数据分析和精准医学应用的重要方法基础，为疾病分型、风险评估、机制研究和辅助决策提供技术支撑。

参考文献

[1] LeCun, Y.; Bengio, Y.; Hinton, G. Deep Learning. Nature, 2015, 521(7553): 436–444.

[2] Yu, K.-H.; Beam, A. L.; Kohane, I. S. Artificial Intelligence in Healthcare. Nature Biomedical Engineering, 2018, 2(10): 719–731.

[3] Topol, E. J. High-Performance Medicine: The Convergence of Human and Artificial Intelligence. Nature Medicine, 2019, 25(1): 44–56.

[4] Rajpurkar, P.; Chen, E.; Banerjee, O.; Topol, E. J. AI in Health and Medicine. Nature Medicine, 2022, 28(1): 31–38.

[5] Wang, H.; Fu, T.; Du, Y.; Gao, W.; Huang, K.; Liu, Z.; Chandak, P.; Liu, S.; Van Katwyk, P.; Deac, A.; Anandkumar, A.; Bergen, K.; Gomes, C. P.; Ho, S.; Kohli, P.; Lasenby, J.; Leskovec, J.; Liu, T.-Y.; Manrai, A.; Marks, D.; Ramsundar, B.; Song, L.; Sun, J.; Tang, J.; Veličković, P.; Welling, M.; Zhang, L.; Coley, C. W.; Bengio, Y.; Zitnik, M. Scientific Discovery in the Age of Artificial Intelligence. Nature, 2023, 620(7972): 47–60.

[6] Guo, L.; Zhu, Z.; Lam, T. K.-Y.; Zhong, Y.; Fang, J.; Wang, X.; Dong, J.; Chen, W. MEMpre: Enhanced Membrane Protein Type Prediction via AlphaFold-Driven Protein Large Language Models. Chemometrics and Intelligent Laboratory Systems, 2026, 269: 105738.

[7] Dai, J.; Dong, L.; Xu, J.; Deng, L.; Guo, L.; Dong, J. Explainable Machine Learning Enables Robust Evaluation of Extracted Ion Chromatograms in LC–MS Metabolomics. Chemometrics and Intelligent Laboratory Systems, 2026, 269: 105591.

[8] Wang, Y.; Liu, X.; Lin, S.; Cheng, K. K.; Deng, L.; Luo, Z.; Dong, J. Density-Based Resampling Strategy Unveils Metabolic Heterogeneity and Subtypes in Liver Diseases Progression. Journal of Analysis and Testing, 2026, DOI: 10.1007/s41664-026-00427-9.

[9] Yang, J.; Gao, S.; Yin, X.; Ding, J.; Qiu, X.; Fei, Z.; Dong, J. Metabolomics and Machine Learning Identify Novel Serum Biomarkers for Nasopharyngeal Carcinoma Diagnosis. International Journal of Radiation Oncology, Biology, Physics, 2025, 123(1, Suppl. 1): e334.