过去一年，AI 与科学研究的关系正在发生一场深刻而安静的转变。从实验设计、数据建模到理论推演，人工智能正以前所未有的速度渗透进科研流程的核心环节，催生出一批难以用传统范式解释的突破性成果。2025 年，AI for Science 不再只是零散的技术应用，而是逐渐演化为一条清晰、系统、可复用的科研创新路径。
与早期「AI 辅助科研」的尝试不同，2025 年的一个显著变化在于：AI 不再只是工具，而是正在成为科研范式的一部分。越来越多的研究工作，从一开始就围绕「如何让模型参与科学发现」展开设计，这也催生了大量兼具方法创新与科学价值的高质量成果。
HyperAI超神经长期关注 AI4S 领域的进展与突破，通过系统解读前沿论文的方式，记录这一浪潮中的关键节点。一方面，我们希望将最新的研究成果与方法论进行结构化、普适化的整理，降低不同领域读者的理解门槛；另一方面，也希望通过持续输出，推动更多研究者、工程师与机构，真正认识到 AI 对科研生产力的深远影响。
值此岁末年初，正是回顾与展望的关键时刻。本文对「HyperAI超神经」在 2025 年解读过的 AI for Science 相关前沿论文进行了系统梳理与分类汇总，覆盖生物医药、医疗健康、材料化学、气象研究、天文学等多个方向，方便不同背景的读者快速检索与回顾。
查看更多前沿论文：
查看研究相关数据集：
AI+ 生物医药
新的生成式模型及新评测基准，重塑无序蛋白集合预测能力
Advancing Protein Ensemble Predictions Across the Order-Disorder Continuum
*来源：bioRxiv
*作者：Peptone 公司、英伟达公司、麻省理工学院等组成的联合团队
*解读：重塑无序蛋白集合预测能力，英伟达/MIT/牛津大学/哥本哈根大学/Peptone等发布生成式模型及新评测基准
*论文：
https://www.biorxiv.org/content/10.1101/2025.10.18.680935v1
首个经人类皮层数据验证的神经元建模框架 NOBLE，超越传统 4200 倍速
NOBLE - Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models
*来源：NeurIPS 2025
*作者：苏黎世联邦理工学院、加州理工学院与阿尔伯塔大学等机构的联合团队
*解读：超越传统4200倍速！苏黎世联邦理工提出NOBLE，首个经人类皮层数据验证的神经元建模框架
*论文：
图神经网络 PLACER，解决蛋白质构象异质性
Modeling protein-small molecule conformational ensembles with PLACER
*来源：《美国国家科学院院刊》（PNAS）
*作者：华盛顿大学 David Baker 教授的研究团队
*解读：解决蛋白质构象异质性的原子级建模挑战！David Baker团队PLACER框架解析
*论文：
https://www.biorxiv.org/content/10.1101/2024.09.25.614868v2
Squidiff 实现多场景转录组模拟，助力精准医学与空间医学发展
Squidiff: predicting cellular development and responses to perturbations using a diffusion model
*来源：Nature Methods
*作者：哥伦比亚大学、斯坦福大学的联合研究团队
*解读：哥大/斯坦福联手！Squidiff实现多场景转录组模拟，助力精准医学与空间医学发展
*论文：
https://www.nature.com/articles/s41592-025-02877-y
血液细胞图像分类器，扩散模型助力白血病发现，能力超越临床专家
Deep generative classification of blood cell morphology
*来源：Nature
*作者：英国剑桥大学的研究团队
*解读：剑桥大学研发血液细胞图像分类器，扩散模型助力白血病发现，能力超越临床专家
*论文：
https://www.nature.com/articles/s42256-025-01122-7
Ctrl-DNA 框架，实现特定细胞基因表达的「靶向控制」
Ctrl-DNA: Constrained Reinforcement Learning for Cell-Specific Cis-Regulatory Element Design
*来源：NeurIPS 2025
*作者：多伦多大学团队联合昌平实验室
*解读：入选NeurIPS 2025，多伦多大学等提出Ctrl-DNA框架，实现特定细胞基因表达的「靶向控制」
*论文：
https://arxiv.org/abs/2505.20578
BoltzGen，可跨分子类型设计蛋白结合物，66%靶标获纳摩尔级亲和力
BoltzGen: Toward Universal Binder Design
*来源：
*作者：麻省理工学院与 Boltz 等多家机构
*解读：MIT团队开源BoltzGen，可跨分子类型设计蛋白结合物，66%靶标获纳摩尔级亲和力
*论文：
全新蛋白质动态融合表征框架 FusionProt，实现迭代式信息交换，多项任务性能达到 SOTA
FusionProt: Fusing Sequence and Structural Information for Unified Protein Representation Learning
*来源：bioRxiv
*作者：以色列理工学院联合 Meta AI 的研究团队
*解读：Meta AI等提出全新蛋白质动态融合表征框架FusionProt，实现迭代式信息交换，多项任务性能达到SOTA
*论文：
转录组引导的扩散模型 MorphDiff，为表型药物研发提速
Prediction of cellular morphology changes under perturbations with a transcriptome-guided diffusion model
*来源：Nature Communications
*作者：中国香港中文大学、穆罕默德·本·扎耶德人工智能大学等机构的研究人员
*解读：关联基因表达数据与细胞形态图像，港中文等开发转录组引导的扩散模型，为表型药物研发提速
*论文：
https://www.nature.com/articles/s41467-025-63478-z
AlphaPPIMI，PPIs 界面调节剂预测性能超越现有方法
Alphappimi: a comprehensive deep learning framework for predicting PPI-modulator interactions
*来源：Journal of Cheminformatics
*作者：中国石油大学和延世大学的联合研究团队
*解读：从「盲筛」到 「精准定位」，中国石油大学团队推出AlphaPPIMI，PPIs 界面调节剂预测性能超越现有方法
*论文：
https://jcheminf.biomedcentral.com/articles/10.1186/s13321-025-01077-2
AI+ 医疗健康
Healthcare Agent 问诊主动性及相关性超越GPT-4等闭源模型
Healthcare agent: eliciting the power of large language models for medical consultation
*来源：Nature Artificial Intelligence
*作者：武汉大学和南洋理工大学研究团队
*解读：从伦理保障到病史管理，武汉大学等提出Healthcare Agent，问诊主动性及相关性超越GPT-4等闭源模型
*论文：
ICA-Var 的多变量分析方法，基于基因测序和机器学习的废水流行病学评估，病毒检出时间最高提前 4 周
Early detection of emerging SARS-CoV-2 Variants from wastewater through genome sequencing and machine learning
*来源：Nature Communications
*作者：内华达大学拉斯维加斯分校的研究团队
*解读：登Nature子刊，基于基因测序和机器学习的废水流行病学评估，病毒检出时间最高提前4周
*论文：
https://www.nature.com/articles/s41467-025-61280-5
医学 GraphRAG 刷新问答准确性记录，在 11 个数据集评测上达 SOTA
Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation
*来源：ACL 2025
*作者：牛津大学、卡内基梅隆大学与爱丁堡大学的联合团队
*解读：ACL 2025丨牛津大学等提出医学GraphRAG，刷新问答准确性记录，在11个数据集评测上达SOTA
*论文：
首个 VR 运动干预系统 REVERIE（「灵境」），重塑青少年脑-身-心健康
Adaptive AI-based virtual reality sports system for adolescents with excess body weight: a randomized controlled trial
*来源：Nature Medicine
*作者：上海交通大学医学院附属第六人民医院/主动健康战略与发展研究院李华婷教授团队、上海交通大学计算机学院/人工智能教育部重点实验室盛斌教授团队通过医工交叉合作研究，携手上海体育大学王继红研究员团队、上海科技大学/上海临床研究中心曾嵘教授团队及新加坡国立大学林水德教授团队
*解读：钱学森「灵境」 预言成真！上交/上体/清华等构建全球首个VR运动干预系统REVERIE，重塑青少年脑-身-心健康
*论文：
https://www.nature.com/articles/s41591-025-03724-5
NeuralCohort 方法基于多维度 EHR 数据实现细粒度患者队列建模，住院时间预测准确率提升 16.3%
NeuralCohort: Cohort-aware Neural Representation Learning for Healthcare Analytics
*来源：ICML 2025
*作者：新加坡国立大学联合浙江大学
*解读：新加坡国立大学基于多维度EHR数据实现细粒度患者队列建模，住院时间预测准确率提升16.3%
*论文：
https://openreview.net/forum?id=bqQVa6VRvm
全球首个 HIE 领域临床思维图谱模型，神经认知结果预测任务上性能提升 15%
Visual and Domain Knowledge for Professional-level Graph-of-Thought Medical Reasoning
*来源：ICML 2025
*作者：哈佛医学院、波士顿儿童医院、纽约大学及 MIT-IBM 沃森实验室的跨学科团队
*解读：入选ICML 2025！哈佛医学院等推出全球首个HIE领域临床思维图谱模型，神经认知结果预测任务上性能提升15%
*论文：
https://openreview.net/forum?id=tnyxtaSve5
分层蒸馏多示例学习框架 HDMIL，快速处理千兆像素病理全切片图像
Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning
*来源：CVPR 2025
*作者：哈尔滨工业大学江俊君教授、江奎副教授和张永兵教授团队
*解读：入选CVPR 2025，哈工大团队提出分层蒸馏多示例学习框架HDMIL，快速处理千兆像素病理全切片图像
*论文：
专为 3D 血管分割而设计的基础模型 vesselFM，能够在零样本、单样本和少样本场景中实现优于现有先进模型的分割能力和泛化能力。
vesselFM: A Foundation Model for Universal 3D Blood Vessel Segmentation
*来源：CVPR 2025
*作者：苏黎世大学、苏黎世联邦理工学院和慕尼黑工业大学的研究人员
*解读：性能远超SAM系模型，苏黎世大学等开发通用3D血管分割基础模型，入选CVPR 2025
*论文：
图编码混合生存模型基于 800 万真实数据，识别具有一致特征和生存结局的亚表型
Identification of predictive subphenotypes for clinical outcomes using real world data and machine learningn
*来源：Nature Communication
*作者：美国康奈尔大学与再生元制药公司
*解读：基于800万真实数据，康奈尔大学团队利用图神经网络精准预测肺癌患者生存期，发现3类致命亚型
*论文：
https://doi.org/10.1038/s41467-025-59092-8
融合策略AI模型，实现多中心、跨专科感染性休克死亡风险的精准预测
Artificial intelligence based multispecialty mortality prediction models for septic shock in a multicenter retrospective study
*来源：npj digital medicine
*作者：华中科技大学同济医学院附属同济医院、医药卫生管理学院研究团队
*解读：登Nature子刊！华中科技大学提出融合策略AI模型，实现多中心、跨专科感染性休克死亡风险的精准预测
*论文：
AI+ 材料化学
不足 10 万结构数据训练，PET-MAD 原子模拟精度媲美专业模型
PET-MAD as a lightweight universal interatomic potential for advanced materials modeling
*来源：Nature Communications
*作者：瑞士洛桑理工学院
*解读：以不足10万结构数据训练，瑞士洛桑联邦理工提出PET-MAD，原子模拟精度媲美专业模型
*论文：
https://www.nature.com/articles/s41467-025-65662-7
计算成本减半，将人类的化学推理形式化为机器可理解的框架
ChemOntology: A Reusable Explicit Chemical Ontology-Based Method to Expedite Reaction Path Searches
*来源：ACS Catalysis
*作者：日本北海道大学
*解读：计算成本减半，化学反应发现工具ChemOntology将人类直觉「编码」到系统中，加速反应路径搜索
*论文：
https://pubs.acs.org/doi/10.1021/acscatal.5c06298
MOF-ChemUnity：一个结构化、可扩展、可拓展的知识图谱
MOF-ChemUnity: Literature-Informed Large Language Models for Metal–Organic Framework Research
*来源：ACS Publications
*作者：加拿大多伦多大学、加拿大国家研究委员会清洁能源创新研究中心
*解读：从9,874篇文献到1.5万晶体结构，MOF-ChemUnity重构MOF全景知识，推动材料发现进入「可解释AI」时代
*论文：
https://pubs.acs.org/doi/10.1021/jacs.5c11789
将 Graphormer 的全局注意力机制与 CGCNN 相融合
CGformer: Transformer-enhanced crystal graph network with global attention for material property prediction
*来源：Matter
*作者：上海交通大学人工智能与微结构实验室
*解读：新材料研发提速！上交大团队开发新AI材料设计模型CGformer，融合全局注意力机制
*论文：
https://www.cell.com/matter/abstract/S2590-2385(25)00423-0
FASTSOLV 模型：实现任意温度下的小分子溶解度预测
Data-driven organic solubility prediction at the limit of aleatoric uncertainty
*来源：Nature Communication
*作者：麻省理工学院
*解读：推理速度快50倍，MIT团队提出FASTSOLV模型，实现任意温度下的小分子溶解度预测
*论文：
https://www.nature.com/articles/s41467-025-62717-7
利用 MOFs 合成后即可获得的信息来预测其潜在性能和用途
Connecting metal-organic framework synthesis to applications using multimodal machine learning
*来源：Nature Communications
*作者：加拿大多伦多大学
*解读：多模态模型加速新材料与工业应用匹配，无需完整晶体结构即可预测材料性质
*论文：
https://www.nature.com/articles/s41467-025-60796-0
首次构建能够同时处理超材料设计三大模态的统一框架
UNIMATE: A Unified Model for Mechanical Metamaterial Generation, Property Prediction, and Condition Confirmation
*来源：ICML 2025
*作者：美国弗吉尼亚理工学院、 Meta AI
*解读：超材料设计破局！Meta AI等提出UNIMATE，首次实现拓扑生成/性能预测等任务的统一建模
*论文：
覆盖 2 亿分子质谱图，构建全球最大规模质谱数据集 GeMS
Self-supervised learning of molecular representations from millions of tandem mass spectra using DreaMS
*来源：Nature Biotechnology
*作者：捷克科学院有机化学与生物化学研究所
*解读：覆盖2亿分子质谱图，捷克科学院发布DreaMS模型，构建全球最大规模质谱数据集GeMS
*论文：
在单一机器学习模型中同时学习广义势能及其对外部刺激的响应函数
Unified differentiable learning of electric response
*来源：Nature Communications
*作者：哈佛大学、Robert Bosch LLC
*解读：从石英到铁电材料，哈佛大学提出等变机器学习框架，加速材料大规模电场模拟
*论文：
AI+ 农林畜牧业
覆盖近 1.5 万个物种，刷新生物声学分类检测 SOTA
Perch 2.0: The Bittern Lesson for Bioacoustics
*来源：arXiv
*作者：Google DeepMind、Google Research
*解读：覆盖近1.5万个物种，谷歌DeepMind发布Perch 2.0，刷新生物声学分类检测SOTA
*论文：
https://arxiv.org/abs/2508.04665
首次将 219 个基于傅里叶变换、香农熵等数学理论的新型序列描述符纳入特征空间
PlantLncBoost: key features for plant lncRNA identification and significant improvement in accuracy and generalization
*来源：New Phytologist
*作者：山东理工大学、北京林业大学、广东省农业科学院、巴西圣保罗大学、英国罗莎琳德富兰克林医科大学、瑞典于默奥大学
*解读：整合多源植物转录组数据，山东理工大学等构建PlantLncBoost模型，跨物种lncRNA预测准确率最高达96%
*论文：
AI+ 气象研究
攻克了「渐进式噪声调度」与「时间损失加权」的协同设计问题
Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting
*来源：NeurIPS 2025
*作者：英伟达、加州大学圣迭戈分校
*解读：入选NeurIPS 2025，英伟达提出ERDM模型，解长期预报难题，中远期预报持续领先EDM基准
*论文：
https://doi.org/10.48550/arXiv.2506.20024
一种新型潜在扩散模型，可用于高精度概率性次季节至季节尺度天气预报
OmniCast: A Masked Latent Diffusion Model for Weather Forecasting Across Time Scales
*来源：NeurIPS 2025
*作者：加州大学洛杉矶分校、美国阿贡国家实验室
*解读：效率至高提升20倍！加州大学开发OmniCast，解决自回归天气预报模型误差累计问题
*论文：
超本地预测模型，实现了提前数天预测大部分强降雨事件
Hyperlocal Extreme Rainfall Forecasts in Mumbai: Convolutional Neural Network Transfer Learning-Based Downscaling Approach
*来源：SSRN
*作者：印度理工学院孟买分校、马里兰大学
*解读：准确度提升400%！印度季风预测模型基于36个气象站点，实现城区尺度精细预报
*论文：
仅需 2 分钟，ACE2 可完成一次 4 个月季节预报
Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data
*来源：npj Climate and Atmospheric Science
*作者：英国埃克塞特哈德利中心气象局、埃克塞特大学、美国艾伦人工智能研究所（Ai2）
*解读：机器学习vs.动力学模型，Ai2最新研究：仅需2分钟，ACE2可完成一次4个月季节预报
*论文：
一个将球面信号处理与隐马尔可夫集合框架相结合的概率机器学习天气预报系统
FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale
*来源：arXiv
*作者：英伟达、美国劳伦斯伯克利国家实验室、加州大学伯克利分校、美国加州理工学院
*解读：1分钟内完成15天预报，英伟达/UC伯克利等提出机器学习天气预报系统FCN3，支持单卡极速推理
*论文：
https://arxiv.org/pdf/2507.12144
无需依赖传统数值天气预报模型，即可实现高技巧性的天气预报
End-to-end data-driven weather prediction
*来源：Nature
*作者：剑桥大学、图灵研究所、多伦多大学、微软科学智能中心、欧洲中期天气预报中心、英国南极调查局、谷歌 DeepMind
*解读：登Nature，剑桥大学等发布首个端到端的数据驱动天气预报系统，预测速度提升数十倍
*论文：
https://www.nature.com/articles/s41586-025-08897-0
AI+ 天文学
利用卷积神经网络，成功识别出 7 个高质量类星体透镜候选体
Quasars acting as Strong Lenses Found in DESI DR1
*来源：arXiv
*作者：斯坦福大学、SLAC 国家加速器实验室、北京大学、意大利国家天体物理研究院布雷拉天文台、伦敦大学学院、加州大学伯克利分校
*解读：斯坦福/北大/UCL/UC伯克利联手，利用CNN从81万类星体中精准识别7个罕见透镜样本
*论文：
https://arxiv.org/abs/2511.02009
首个面向天文学的大规模多模态基础模型家族 AION-1
AION-1: Omnimodal Foundation Model for Astronomical Sciences
*来源：NeurIPS 2025
*作者：加州大学伯克利分校、剑桥大学、牛津大学等
*解读：首个天文多模态基础模型AION-1诞生！UC伯克利等基于2亿天文目标预训练，成功构建泛化性多模态天文AI框架
*论文：
671
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
