近日，探花做爱
探花做爱
江健教授团队在药物设计方面取得重要研究进展。相关成果以“Machine learning predictions from unpredictable chaos”在物理科学与生命科学的交叉领域顶级期刊《Journal of the Royal Society Interface》上发表（J. R. Soc. Interface 22: 20250441, 2025,文章链接//doi.org/10.1098/rsif.2025.0441）。江健为第一作者，探花做爱
为第一单位。该工作与美国密歇根州立大学Guo-wei Wei教授团队共同完成。
在过去几十年里，混沌现象已经在各个领域得到了广泛深入的研究。由于它对初始条件和非线性的天生敏感性导致混沌系统具有广为人知的不可预测性。在这篇文章里，我们通过引入一种新的拓扑范式使混沌系统具有准确的预测性。这种创新反常识地为那些看似随机，不可预测的长程混沌动力学提供了精确预测的可能性。我们利用拓扑持续拉普拉斯将不同混沌动力学之间的相互作用嵌入到低维的拓扑空间，再结合机器学习算法去预测各种混沌系统的全局属性。我们提出的模型在四种不相关联的真实数据集上都有优异的表现。这种新混沌学习范式显著地重塑了混沌系统的当前认知，也为机器学习提供了一种新的学习视角。
江健教授一直从事药物设计、复杂网络建模等交叉学科方面的研究。2021年通过结合几何拓扑和机器学习算法，构建的梯度提升多任务深度学习模型在药物分子脂溶性和溶解度等属性预测上取得领先；2022年结合几何图论和机器学习算法构建多尺度着色图模型在药物分子毒性上取得更好的预测准确度；2023年结合同调论和深度学习构建拓扑推断下的药物致瘾性学习模型，对致瘾性药物分子进行预测，寻找最优的先导化合物分子。相关成果发表在Chemical Reviews、Pain、J. Pharm. Anal, JCIM, Chemical Science等国内外知名期刊上。
江健教授所在的计算系统生物学团队负责人为张本龚教授，主要从事数学与大数据技术、计算系统生物学、机器学习、药物设计等领域交叉科学研究。近5年来，在单细胞测序数据分析、药物设计及发现、蛋白质结构预测和高光谱图像处理等研究领域取得了丰富研究的成果。团队教授2人，副教授4人，讲师2人，承担国家自然科学基金9项（其中面上4项），省部级项目5项，发表SCI论文60余篇。
