University of Pennsylvania（宾夕法尼亚大学）

SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease

SDE驱动的时空超图神经网络用于阿尔茨海默病不规则纵向fMRI连接组建模

Ruiying Chen, Yutong Wang, Houliang Zhou, Wei Liang, Yong Chen, Lifang He

机构 * Lehigh University（莱恩大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出SDE-HGNN，利用随机微分方程重建不规则观测的连续潜在轨迹，构建动态超图捕获脑区高阶交互，并通过SDE控制的循环动力学实现疾病阶段自适应连接建模，在AD进展预测中优于现有方法。

Comments Submitted to AMIA Annual Symposium 2026, 10 pages, 4 figures

OmegAMP: Targeted AMP Discovery via Biologically Informed Generation

OmegAMP：通过生物信息引导的靶向抗菌肽发现

Diogo Soares, Leon Hetzel, Paulina Szymczak, Marcelo Der Torossian Torres, Johanna Sommer, Cesar de la Fuente-Nunez, Fabian Theis, Stephan Günnemann, Ewa Szczurek

机构 * Institute of AI for Health, Helmholtz Munich（海德堡-慕尼黑人工智能与健康研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Institute of Computational Biology, Helmholtz Munich（海德堡-慕尼黑计算生物学研究所） ； Munich Data Science Institute, Technical University of Munich（慕尼黑技术大学慕尼黑数据科学研究所） ； Faculty of Medicine, Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学医学院） ； Machine Biology Group, Departments of Psychiatry and Microbiology, Institute for Biomedical Informatics, Institute for Translational Medicine and Therapeutics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学马歇尔医学中心机器生物学组） ； Departments of Bioengineering and Chemical and Biomolecular Engineering, University of Pennsylvania（宾夕法尼亚大学生物工程与化学与生物分子工程系） ； Department of Chemistry, School of Arts and Sciences, University of Pennsylvania（宾夕法尼亚大学化学系） ； Penn Institute for Computational Science, University of Pennsylvania（宾夕法尼亚大学宾夕法尼亚计算科学研究所） ； TUM School of Life Sciences, Technical University of Munich（慕尼黑技术大学生命科学学院） ； Faculty of Mathematics, Informatics and Mechanics, University of Warsaw（华沙大学数学、信息学与力学系） 纠错

AI总结 提出OmegAMP框架，利用扩散模型和生物信息编码空间实现可控抗菌肽生成，结合数据增强分类器降低假阳性，在湿实验中达到96%活性率。

LLM Program Optimization via Retrieval Augmented Search

通过检索增强搜索实现LLM程序优化

Sagnik Anupam, Alexander Shypula, Osbert Bastani

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出检索增强搜索（RAS）方法，利用LLM进行黑盒程序优化，通过检索慢-快程序对引导束搜索，并基于LLM生成的自然语言描述进行上下文检索，显著优于源码检索；同时提出AEGIS方法通过原子编辑提升可解释性。

Comments ACL 2026 Findings