召集人：陈洛南（中国科学院大学，教授）、林伟（复旦大学，教授）、高婷（华中科技大学，副教授）

时间：2025.12.07—2025.12.13

动力学刻画的生命科学交叉前沿论坛

2025年12月7日（周日、报到）-2025年12月12日

12月8日（星期一）

12月9日（星期二）

12月10日（星期三）

12月11日（星期四）

12月12日（星期五）

报告摘要与报告人信息

1. 报告人：郑志刚（华侨大学）

报告题目：活性物质：手性与集群的涌现

报告摘要：复杂系统通过自组织可以产生各种集体涌现行为，既包括时间上的集体行为，也包括空间上的有序和集群行为。活性个体是从物理上远离平衡态且可以产生自主性运动的个体，由大量活性个体组成的群体则会通过物理、化学、信息等交互作用呈现出各种集群动力学行为。

本次报告将对活性物质系统的集群行为研究历史和进展进行回顾和评述，并介绍课题组近两年来在该领域的一些探索和研究成果。

参考文献：

[1] 郑志刚，胡岗，从动力学到统计物理学，北京大学出版社 （2016）

[2] 郑志刚，复杂系统的涌现动力学（上、下部），科学出版社（2019）

[3] Z. Zheng, C. Xu, J. Fan, M. Liu, and X. Chen, Order parameter dynamics in complex systems: from models to data, Chaos 34, 022101 (2024). （Review article）

[4] X. Xu, Y. Lu, S. Wang, J. Xu, and Z. Zheng, Collective dynamics of swarmalators driven by mobile pacemaker, Chaos 34, 113103 (2024).

[5] Y. Lu, Y. Xu, W. Cai, Z. Tian, J. Xu, S. Wang, T. Zhu, Y. Liu, M. Wang, Y. Zhou, C. Yan, C. Li, Z. Zheng, Self-organized circling, clustering and swarming in populations of chiral swarmalators, Chaos, Solitons & Fractals 191, 115794 (2025).

2. 报告人：胡滨（华南理工大学）

报告题目：解码脑数据的混杂动态脉冲神经网络

报告摘要：大脑的核心是一个由近860亿神经元与150万亿突触构成的复杂动态网络。系统级认知功能障碍（如抑郁症）本质上是这一网络动力学的时空失调。现有AI辅助诊断方法缺乏对神经系统内在动力学机制的刻画，难以从多模态脑数据中捕捉关键动态特征。

报告探讨“解码脑数据的混杂动态脉冲神经网络”：构建动态图脉冲神经网络，模拟大脑时空动力学并融合脑电-语音时序数据；建立多任务脉冲联想记忆网络，融合梯度下降与赫布型学习，增强运动意图解码的精度与可解释性；构建语音-文本协同注意力动态模型，提升抑郁风险评估的稳健性，为脑数据解码提供新思路。

3. 报告人：葛颢（北京大学）

报告题目：Stochastic Kinetics and Statistical Inference in Molecular-Scale Biophysics and Biomedicine

报告摘要：Stochastic kinetics and statistical inference underlie diverse processes in molecular-scale biophysics and biomedicine. We present two research directions from our group. First, in bacterial flagellar motors, we found out that the torque–speed asymmetry between counter-clockwise and clockwise rotation originates from rotation-dependent elasticity of the hook rather than the motor’s torque-generating units. A minimal mathematical model varying only hook stiffness quantitatively reproduces experimental torque–speed curves, revealing how mechanical properties regulate torque transmission at the nanoscale. Second, in non-invasive embryo genetic testing, we developed a method leveraging trace cell-free DNA in spent embryo culture medium. By combining high-fidelity whole-genome amplification with a Bayesian haplotype-inference algorithm, our approach achieves clinical-grade diagnostic accuracy for monogenic disorders and enables exploratory polygenic risk assessment, without modifying standard IVF workflows. Together, these studies illustrate how stochastic modeling and statistical inference can connect fundamental mechanisms to translational biomedical applications.

4. 报告人：李春贺（复旦大学）

报告题目：Revealing principles of cell fate decisions: Landscape control and applications

报告摘要：生物系统中细胞如何执行其功能由相应的基因调控网络控制。如何研究基因调控网络的随机动力学并揭示细胞命运决策机制是一个具有挑战性的问题。在本次报告中，我将介绍我们最近发展的一些方法，即针对复杂生物网络的景观量化和景观降维方法。能量景观上的吸引子表征了不同的细胞状态，吸引子之间的势垒高度定量刻画了不同细胞状态之间跃迁的概率。我们进一步发展了势能景观控制方法，可以识别控制细胞命运的优化的组合基因靶点。我还将讨论这些方法在一些具体生物系统中（细胞周期、癌症网络等）的应用。

5. 报告人：秦伯韡（复旦大学）

报告题目：复杂生物系统的数学理论和方法

报告摘要：生物系统普遍在个体交互作用下产生动力学新现象、新功能，并且受到交互网络拓扑、交互模式等关键性质的影响。利用动力学模型与数学理论分析可以帮助我们理解复杂生物系统的动力学规律。本报告将汇报近年来在这一方向的一些新的理论与方法进展，特别是针对系统在临界状态附近一些重要物理特征（如序参量、频率、振幅等）的研究，并探讨它们在基因调控网络、神经元网络、生态系统、社会系统中带来的一些启发。

6. 报告人：刘小平（国科大杭州高等研究院）

报告题目：一种基于交叉检验的因果推断方法

报告摘要：在生物系统内，基于生物高通量监测数据的因果关系推断通常比较困难。原因一，基于统计学的因果推断方法，如结构因果模型（SCM）等，通常需要有向无环图（DAG）作为前提假设，然而生物系统中反馈作用并不支持这一假设。原因二，格兰杰因果推断（GC）方法虽然不要求没有环状结构，但是需要时间序列数据进行因果关系推断，然而在目前的情况下，生物高通量数据主要以阶段性数据为主，真正的等时间间隔的序列数据非常少。因此，一种不依赖时间序列数据，且不受有向无环图限制的因果推断方法对于生物系统的研究非常必要。我们提出了一种基于交叉检验并结合假设检验方法的因果关系推断方法。该方法能够准确、鲁棒地预测生物高通量数据中的因果关系。

7. 报告人：朱群喜（复旦大学）

报告题目：记忆驱动的复杂系统AI建模理论与方法

报告摘要：如何为AI注入“记忆”，以更好地理解和模拟真实世界中的复杂系统？这正是本次报告试图回答的核心问题。我们将从复杂系统的研究背景出发，快速回顾主流的技术框架及其应用。随后，报告将聚焦于“记忆驱动”这一研究范式，深入剖析我们在此方向上的最新研究，展示它如何显著提升复杂系统建模与辨识的能力。最后，我们将展望复杂系统与人工智能在未来交叉融合的潜在方向与发展趋势。

8. 报告人：李萌（佛山大学）

报告题目：从多层耦合到高阶交互：复杂网络上的随机游走与节点评价

报告摘要：复杂网络分析为探索复杂系统组织原理提供了一种理论工具，网络结构对复杂系统的整体行为具有重要影响。本报告基于随机游走理论框架，从多维视角系统探讨网络结构与动力学行为的耦合机制对节点评价的影响。首先，针对异质多层耦合网络，提出基于信息反馈机制的耦合PageRank算法，通过层间信息交互与反馈机制实现多层网络全局重要性的有效评估；其次，考虑到传统方法忽略了网络的高阶结构特征，将前馈环模体这一高阶结构与随机游走动力学结合，构建了一种基于高阶结构的有向网络中节点重要性的评价算法，充分利用高阶结构信息提升评价的准确性；最后，探讨超图上的非线性随机游走模型，刻画真正的多体高阶交互。本报告展示了一个从多层耦合到高阶交互、从线性到非线性的统一随机游走框架，为复杂系统分析提供了有效工具。

9. 报告人：李金海（昆明理工大学）

报告题目：面向不确定性的概念泛化研究

报告摘要：概念认知学习（Concept-Cognitive Learning，CCL）是从认知的角度学习概念子空间，以模拟人脑学习概念知识和认知规律，基本研究包括生成概念空间、优化概念空间、概念泛化预测与决策等。本报告介绍概念认知学习在不确定性研究方面取得的最新成果，如模糊、随机、遗忘概念认知学习模型，并对该领域未来研究进行展望。

10. 报告人：闫芳（云南师范大学）

报告题目：生物系统中模式形成的动力学机制与调控作用研究

报告摘要：生物系统中的空间模式形成可视为一种高度有序的自组织现象，其动力学基础为非线性反应扩散机制与系统分岔行为之间的动态耦合。本研究旨在从理论层面阐明外部形态梯度与内部反馈回路如何协同调节图灵模式的空间波长、结构稳定性及整体鲁棒性。通过剖析图灵不稳定性引导均质介质演化出特定空间结构的动力学路径，进一步探讨了模式从规则有序状态向异常构型过渡的潜在机制，从而为理解发育过程中模式异常及病理状态提供一个初步的理论框架。

11. 报告人：杨博（云南师范大学）

报告题目：随机扰动下双稳势景观的精准调控：可靠逻辑运算的充分条件

报告摘要：为实现噪声环境下的可靠逻辑运算，我们针对受高斯白噪声扰动的双稳势景观，发展了一套无需小噪声假设的解析框架。其核心在于引入控制势方法：通过构造可解析积分的辅助势函数，将难求的误差概率转化为易计算的控制概率上界，从而导出系统参数需满足的充分条件，并以指定的高概率保证粒子轨迹符号的二进制逻辑输出与初始条件无关、对噪声扰动具有鲁棒性。该框架实现了势能面几何、噪声强度与可靠性阈值三者的显式定量关联；相比传统景观动力学聚焦于定性拓扑分析，为分子开关、细胞命运决定及神经决策等实验系统提供了可直接指导参数优化与鲁棒性评估的理论工具。

12. 报告人：陈小丽

报告题目：基于深度学习的随机动力系统建模与应用

报告摘要：

13. 报告人：周珍楠（西湖大学）

报告题目：Long-Time Behavior of a Mean-Field System for Pulse-Coupled Oscillators: Convergence vs. Blowup

报告摘要：Systems of pulse-coupled oscillators are simple yet powerful models for collective dynamical phenomena, from flashing fireflies to firing neurons. A key question is understanding their long-time behavior: do they equilibrate to a steady state, or does their firing rate explode in a finite-time "blow-up"? We introduce a new mathematical framework to analyze the classical mean-field model for these systems. Our results reveal a sharp dichotomy based on the oscillators' phase response function. When this function is decreasing, the system robustly converges to a steady state. When increasing, solutions tend to blow up. We also identify a critical interaction strength beyond which no steady state exists, and all solutions are guaranteed to blow up.

14. 报告人：兰岳恒（北京邮电大学）

报告题目：细胞带噪信号转导的高效变分计算

报告摘要：随着现代分子生物学的快速进展，人们对细胞里的生命活动认识越来越细致与定量化。然而，在微纳米这种介观尺度，环境中无处不在的噪声和化学反应本身的随机性是信号转导计算必须考虑的问题。多种模拟方法，包括Gillespie算法和tau-leap近似都给我们带来了很大的方便，但在处理包含多个时间尺度的复杂反应网络时，它们显得力不从心。这里，我们基于随机过程生成函数方法，通过在变分法中选取全新的左右基函数，实现了相关高维偏微分的快速准确求解，揭示了噪声信号转导中存在的低维结构。我们用几个典型的调控网络作为例子来验证方法的有效性。

15. 报告人：贾晨（北京计算科学研究中心）

报告题目：复杂基因调控网络的随机理论

报告摘要：细胞中的基因调控网络是复杂系统的典型代表。基因调控网络由大量基因及其产物通过转录、翻译、调控、反馈、降解等生化过程所构成，是具有高度非线性与随机性的多层次动态网络。深入揭示基因调控网络的随机动力学与热力学规律，不仅有助于阐明细胞命运决定与疾病发生发展等重要问题的内在机制，也为复杂系统研究提供了可借鉴的新型理论范式，相关研究已成为国际上数学、物理学、生物学、化学、统计学、智能科学的前沿交叉领域之一。我将介绍我与合作者在这方面的最新研究成果，希望能起到抛砖引玉的作用。

16. 报告人：夏云霏（哈尔滨工程大学）

报告题目：Modeling Epidemic Dynamics: A Stochastic SIR Framework with Tempered Stable Distributions

报告摘要：We study a stochastic SIR model driven by multivariate tempered stable (TS) to capture heavy-tailed, cross-compartment shocks. The noise has tail index (\alpha\in(0,1)) with exponential tempering, accommodating rare, large jumps while preserving finite second moments and flexible dependence. Within a spectral–radial specification—finite spectral measure on the unit sphere coupled with a prescribed radial density—we characterize the infinite Lévy measure and the resulting dynamics. We establish a sharp threshold separating extinction from persistence: below the threshold the epidemic dies out; above it the process admits a unique ergodic stationary distribution. Monte Carlo experiments reproduce jump-triggered flare-ups and abrupt regime shifts. Overall, our results show that epidemic persistence is governed not only by variance, but critically by tail shape and the magnitude of large jumps, underscoring the relevance of TS noise for data with sudden outbreaks and correlated shocks.

17. 报告人：严钢（同济大学）

报告题目：复杂系统的动力学推断及预测

报告摘要：生命体是典型的复杂系统，涉及从基因、蛋白质、细胞到器官等多尺度之间高度动态、非线性的相互作用网络。揭示其内在动力学规律并预测系统行为演化，已成为现代生命科学中的重要挑战与前沿方向。近年来，随着高通量测序、实时成像等技术的快速发展，生命科学领域积累了海量多模态时序数据，推动了以人工智能为核心的数据驱动研究范式迅速发展，为系统性地理解生命复杂系统提供了全新路径。本报告将介绍数据驱动的复杂网络动力学推断与系统临界点预测的基本理论与方法，并重点探讨可推断性这一关键问题，包括在什么条件下系统动力学可以被可靠重构，实现稳健推断所需的最小数据量，以及模型对噪声、缺失数据等现实约束的鲁棒性边界。最后，将讨论当前面临的瓶颈与挑战。

18. 报告人：马智钦（昆明理工大学）

报告题目：非线性随机系统临界转变的早期预警信号

报告摘要：临界转变是一种突发性强、破坏性大且极难预测的系统突变，常引发重大人员伤亡与广泛财产损失。生态、生物、金融及气候等复杂系统均存在临界点，系统可能在临界点发生急剧变化。如何预测系统临界点，是当前科学界面临的一项复杂且紧迫的挑战。基于动力学系统理论的通用早期预警信号在真实含噪声数据中的表现参差不齐。最近的研究发现，基于合成数据训练的深度学习分类器能够提高性能。然而，据我们所知，这两种方法都没有利用历史的、基于特定系统的数据。为此，我们提出了基于替代数据的机器学习框架，即在过去转变的真实数据上训练机器学习分类器。同时，我们引入时空扩散与弛豫时间作为预测指标，二者均能有效指示临界转变的发生。与方差、自相关等传统指标相比，弛豫时间指标在振荡分岔和非振荡分岔中均能表现出增加的趋势，表现出更广泛的适用性。我们旨在识别临界转变发生前的预警信号，为管理者制定减灾对策和战略决策提供科学依据和参考信息。

19. 报告人：程晓青（西安交通大学）

报告题目：基因调控网络的可识别性和推断算法研究

报告摘要：从观测数据中重构基因调控网络，有助于揭示生长发育及疾病发生发展的内在机制。本报告将首先从理论层面探讨：对于特定类型的网络结构，能否从观测数据中唯一地推断出其拓扑，并分析所需的样本复杂度。在此基础上，我们将介绍两种数据驱动的单细胞基因调控网络结构识别算法：NG-SEM与Φ-Targetflow。NG-SEM通过引入一种灵活的噪声建模策略，对传统的结构方程模型（SEM）框架进行了扩展——我们采用高斯混合模型来逼近生物系统复杂的随机特性。Φ-Targetflow利用整合信息分解框架，利用scRNA-seq数据及其伪时间信息，对基因之间的信息动态进行分解，推断和解析单细胞基因调控网络。

20. 报告人：肖楷

报告题目：大模型刻画的复杂生命系统时空景观

报告摘要：

21. 报告人：郁磊（山西大学）

报告题目：面向认知障碍演化的多模态表征学习与数据驱动建模

报告摘要：认知障碍的发生与发展本质上是大脑复杂动力系统从稳态向失稳态演化的非线性过程。针对当前认知症早期筛查中存在的特征解释性差、细粒度演化追踪难以及大规模筛查效率低等挑战，本报告提出了一种融合结构化感知与序列决策优化的混合智能建模框架。首先，针对多模态表征的可解释性问题，我们引入几何拓扑约束与跨模态注意力机制，解构数字画钟测验（CDT）的视觉特征，实现了端到端模型与临床评分标准的显式对齐。其次，为解决通用大模型在评估认知临界状态时的分布漂移（天花板效应和地板效应），构建了包含拓扑闭合度、对称性及语义准确性等正则化约束项的领域自适应微调框架，以重塑高维语义空间的决策边界，从而精准捕捉病程演化的微小梯度。最后，我们将大规模筛查过程重构为基于信息论的随机序贯决策问题，提出了一种最大化信息增益的自适应路径规划算法，显著提升了筛查效率。本研究旨在通过真实世界的大规模多模态数据，探索从工程化应用向动力学机理建模的跨越，为认知障碍的早期预警与个性化干预提供数学可解释的计算范式。

22. 报告人：马征宇（鹏城实验室）

报告题目：从脑网络动力学定量解析到深度脉冲神经网络建模

报告摘要：大脑强大的信息处理能力源于其复杂的网络结构与动力学机制。本报告将从“物理与人工智能模型等赋能脑动力学解析”与“脑机制启发类脑模型构建”这一双向闭环的视角，汇报相关研究进展：一方面，利用物理模型、类脑模型与机器学习方法定量解析神经网络活动与动力学特征，以此揭示大脑网络的信息处理机理；另一方面，受脑网络结构与动力学机制的启发，从脉冲神经元模型、大规模网络算法及训练框架等层面，发展高效节能且具有生物合理性的深度类脑模型。推动脑科学与人工智能的双向赋能与协同进化，并探讨当前面临的挑战与未来方向。

23. 报告人：陈洛南（上海交通大学）

报告题目：AI赋能的系统生物学

报告摘要：不同来源、不同层面、不同尺度的数据组成生物医学等的多元异质大数据，具有很强的时空动态性。这些特性使得我们迫切需要研究数据时空特性的动力学分析理论和系统科学方法，如基于动力系统的临界点预警方法、基于吸引子低维特性的时间序列预测理论、基于嵌入理论的因果关系推断算法、基于深度学习的非线性数据融合方法等。这些基于动力学的数据科学新理论与系统科学新方法能够帮助理解和预测复杂系统的动态发展，有助于分析复杂动态过程和机制，加速包括生物医学及人工智能等研究领域的步伐。这些方法和理论可广泛应用于癌症转移与复发，公共卫生实时监测、亚健康状态预警、时间序列预测、AI研究等方面，对动力学和系统科学驱动的数据科学理论和算法发展有重要的推动作用。

24. 报告人：徐隆琛

报告题目：基于因果推断的细胞状态转变解析

报告摘要：细胞状态转变是发育过程中的核心问题，但其因果驱动机制仍缺乏系统解析。我们提出基于贝叶斯网络和计算机模拟扰动的 CIBER 算法，从多种类型数据中推断细胞状态转变的因果网络，并识别决定细胞命运的关键因子。系统基准评估显示，CIBER 在因果关系推断上整体优于现有贝叶斯网络结构学习方法。在小鼠造血和斑马鱼早期胚胎发育等体系中，CIBER 不仅高效回顾已知命运决定因子，还预测并在体内验证了多个新的关键基因，展示了其在解析细胞命运动力学方面的普适性与实用价值。

25. 报告人：眭亚楠（清华大学）

报告题目：神经驱动的肌肉骨骼系统的动力学建模、学习与控制

报告摘要：神经-肌肉-骨骼系统的动力学建模和控制对于理解生物运动控制机理、发展具身智能和优化人机交互系统非常重要。已有的模型仅限于有限的身体部位和肌肉单元，同时缺少能够控制全身肌肉的运动控制算法。本工作汇报如何在宏观层面建立具备全身结构的神经驱动的肌肉骨骼模型，并提出模型预测控制与深度强化学习方法，用于模拟人体全身的动力学过程及与环境的交互。这一系统有助于对人体运动控制的更深入理解和改善。

26. 报告人：张建峰（浙江师范大学）

报告题目：机理与数据融合的医学图像计算方法及研究进展

报告摘要：基于医学影像的人体生物脉管系统分析、关键目标识别或精准分割等问题一直是医学图像计算领域的热点与难点。结合脉管生长扩展所遵循的物理规律、医学目标的形状机理约束和数据驱动方法，报告人团队提出生物机理与数据融合的脉管系统分析方法以及知识机理与大模型融合驱动的超声图像分割方法，旨在更好地解决医学图像计算中的连续性、保拓扑性和精准性等难题，从而解决智能精准辅助诊疗中的实际需求，同时为融合生物机理的医学图像处理方法体系提供一定借鉴。

27. 报告人：刘泉影

报告题目：大规模神经影像预训练的AI孪生脑：数据、模型、应用

报告摘要：大脑是一个复杂的网络系统，如何建模脑网络时空动态并用其指导精准神经调控是重要难题。在这里，我将从数据驱动的角度，基于大规模fMRI和EEG溯源数据，训练人工智能（AI）学习多种模态的静息态神经动力学，通过自监督学习预测大脑的未来状态，从而解决大脑动力学系统反问题。该AI模型即为真实大脑的替代品（i.e., AI孪生脑）。AI孪生脑可以支持大脑的多种系统层面仿真，实现个性化的闭环神经调控。例如，我们对AI孪生脑进行虚拟扰动实验，从而得到大脑的输入-响应的因果关系，构建全脑的有效连接图谱，刻画大脑的信息流的大小、方向、正负等有效连接特性，指导神经调控的脑区靶点选择。最后，我将提出一个基于AI数字孪生脑的模型预测控制框架，它结合神经动力学建模和优化控制理论，用于设计神经刺激最佳策略，为脑疾病的个性化治疗、脑功能的增强、行为调控等方向开辟新途径。