2023年2月18-22日，中國數學會2022年學術年會在湖北武漢順利召開。醫學數學專委會在2月18日下午成功舉辦了衛星學術會議。會議邀請了中國科學院馬志明院士、北京大學講席教授周曉華和武漢大學二級教授鄒秀芬等7位知名專家致辭和報告，吸引了全國近百位專家學者參會，現場座無虛席。

專委會名譽主任委員、中國科學院院士馬志明，專委會主任委員、北京大學講席教授周曉華先后發表致辭。馬志明院士認為數學和生物醫學的交叉非常重要，生物醫學領域需要數學解決的問題非常多，海量醫療數據的處理和人工智能的興起也對該領域的研究帶來了挑戰。

周曉華教授介紹了中國數學學會醫學數學專業委員會的成立歷程、總結2022年專委會的工作成果、以及2023年專委會的工作計劃。

會議的學術報告環節由專委會秘書長、中國科學院數學與系統科學研究院張新雨研究員主持。報告內容涵蓋了機器學習、精準醫療、生物統計、生物信息、貝葉斯模型等多個領域、精彩紛呈。

清華大學蘭艷艷教授發表報告，題目為《Language Modeling and lts Application in Drug Discovery》。

在人工智能的支持下，語言模型在新藥研發上的應用日漸增多。蘭艷艷教授首先介紹了語言模型的三個發展階段：即統計語言模型、神經語言模型和預訓練語言模型。之后蘭教授介紹了AI在藥物研發方面的應用，提出了UniMAP模型來探索一維和二維空間上SMILES和圖之間的關聯，形成了考慮數據間細節的多模態預訓練方法，試驗表明該模型提升了性能。蘭教授還提出了Frad模型來考慮3D情景下的分子預訓練，并且在數據試驗的驗證中，說明了該模型提升性能的作用，該模型能幫助找到更適合3D數據的預訓練準則。

中國科學院數學與系統科學研究院研究員王勇報告題目：《ldentifying phenotype-relevant tissue by context-specific regulatory networks》。

基因型到表型的調控網絡已經有了很多研究，而宏觀表型和組織器官間的因果關聯仍是不確定或未知的，研究表明，多數據整合的調控網絡研究使得表型和細胞類型間的關系推斷更為準確。王勇老師開發了SpecVar方法對多組學數據建模條件特異度網絡，利用網絡識別與表型相關的組織和細胞類型。該方法通過將SNP與特異性的調控元件使用全基因組關聯研究來評估遺傳力富集，并通過明確優先考慮相關組織背后的基因調控來提高現有方法的性能。實例驗證及現有方法的表型GWAS對比表明，SpecVar能提高遺傳力富集，更準確、更穩定地識別相關組織，且能很好地揭示因果規律。

華中科技大學尹平教授報告題目：《疫苗效力 VE 的區間估計方法及優化》。

疫苗保護效力的評價研究目前是很少的。尹平教授首先詳細介紹了疫苗效力的試驗過程，介紹了疫苗效力（VE）的估計公式，并列舉了若干種VE置信區間的估計方法，著重介紹了條件精確Poisson回歸VE區間估計方法及其優化?；谀M，尹教授評估了12種VE區間估計方法并篩選出了5種VE區間估計方法。此外，尹教授針對比值型參數分母置信區間包含0時的懲罰MOVER-R置信區間估計法，該方法控制了0的影響。

中國科學院數學與系統科學研究院研究員張世華報告題目：《Intelligent spatial transcriptomics: paving the way for deciphering tissue architecture》。

空間轉錄組學的技術進步對于更好地了解生物學研究中組織的結構和功能至關重要，智能/統計算法和空間轉錄組學的結合正在出現。張世華老師介紹了空間轉錄組學已有的研究方法，開發了圖注意力自動編碼器框架STAGATE，通過整合空間信息和基因表達學習低維潛在嵌入，從而準確識別空間域。不同空間分辨率、不同平臺和不同空間轉錄組學數據驗證表明STAGATE可以顯著提高空間域的識別精度，在保留空間數據表達模式的同時對數據進行去噪。該方法可用于多個連續的切片，以減少切片之間的批量效應，并有效地重建3D空間模式。證明了圖注意力自動編碼器對空間代謝組學空間聚類的有效性，并開發了用于識別空間域特異性可變基因的STAMarker，設計了STAligner用于整合來自不同生物學場景的多個切片的空間轉錄組學。

武漢大學鄒秀芬教授報告題目：《Constructing and predicting of cancer evolution landscape based on multiscale computational framework》。

探究腫瘤異質性影響的研究已有了很多，預測異質性增長模式的相關研究最近引起了學者們的興趣。多項研究表明，亞克隆多樣性可能影響各種癌癥類型的表型和臨床結局。然而，對于亞克隆動力學與癌癥進化之間的關系的研究還不夠。鄒秀芬教授開發了一個多尺度模型框架以研究不同腫瘤生長模式下的亞克隆動力學詳細情況，該框架結合了宏觀水平和細胞水平的亞克隆類型概率及分布，能基于基因和細胞水平的數據預測與腫瘤生長動力學相關的關鍵亞克隆。鄒教授使用3種傳統增長模式和亞克隆池實現了人群和細胞水平的連接，并利用非負LASSO獲得了初始時間不同亞克隆和進化的數量和組合。通過定量分析確定了不同亞克隆組分增長模式并預測了癌癥進化進程。最后通過實例研究驗證了本文方法。

參會嘉賓和講者們展開了熱烈的交流。