Protein abundance reflects molecular regulation and systemic variation that can confound survival associations. An idopNetwork-based proximal inference framework integrates molecular network construction with estimation of total protein-exposure effects. Network-guided proxies, structural exclusion restrictions and a linear outcome bridge preserve downstream contributions. Joint proxy information determines readout dimension, while conditional information selects designs eligible for effect estimation. Independent discovery and estimation support concentrated moment inference, and inverse censoring weights extend estimation to restricted mean survival time (RMST) and survival probability. Across four molecular systems, empirical coverage of available 95% Wald intervals ranges from 94.9% to 99.0%. Comparisons across network and readout designs assess the contribution of molecular construction to estimation accuracy. In ovarian cancer, the framework yields 23 estimable contrasts from 60 protein exposures. PTEN and ANXA1 illustrate the connection between network-derived proxy designs and 36-month survival contrasts, providing exploratory candidates with quantified effect uncertainty. The framework connects molecular network organization, proxy information and clinically interpretable survival effects within an independent discovery-estimation workflow.

高维组学数据为理解生物系统提供了丰富信息, 但如何从变量间的关联进一步刻画系统内部的相互作用, 仍是生物统计学面临的重要挑战。本报告介绍基于个体特异性微分相互作用网络 (IDOP) 的准动态建模框架, 围绕曲线拟合、功能聚类、微分方程建模与网络构建四个环节, 阐述如何从组学数据中提取变化模式, 刻画不同模块之间的作用关系, 并分解其对系统变化的贡献。结合结直肠癌单细胞转录组数据，展示该框架在识别关键模块、比较不同生物状态下网络结构及提出潜在生物学假设方面的应用。同时，讨论横截面数据构建准动态网络时的可识别性、估计不确定性与生物学验证问题，为复杂组学数据的统计分析与机制探索提供思路。

我们开发了一种计算框架，用于从静态数据中发掘动态复杂网络结构，对研究复杂系统内部产生的交互网络进行解析。该方法采用一种带约束的多任务稀疏回归模型，将由异速生长定律得到的拟动态系统构建出的常微分方程参数进行稀疏识别，从而得出一个富含信息的、动态的、全方位的、个性化的加权有向图。

随机复杂系统广泛存在于生物、物理和工程等领域，其观测数据通常同时受到非线性动力学、随机扰动、测量误差以及时变相互作用的影响。如何从含噪观测中重构动态有向网络，并进一步刻画网络结构在不同作用强度和时间尺度下的拓扑变化，是复杂系统分析中的重要问题。本报告介绍一个从随机状态重构到有向拓扑分析的统一框架。该框架以Yau-Yau非线性滤波作为随机状态估计层，在此基础上重构时变加权有向网络，并利用持续GLMY同调刻画方向敏感的多尺度拓扑结构。进一步地，我们引入全局时间嵌入和局部延迟嵌入两种互补的时间表示，分别研究网络整体跨时间层的拓扑组织以及单条有向相互作用轨迹的局部递归结构。最后，以间日疤原虫时间转录组网络为例，展示该框架在动态基因网络中的应用。

脊髓损伤致残率高、修复难度大，损伤后形成的抑制性微环境是阻碍轴突再生与功能恢复的核心瓶颈。本报告围绕“单细胞图谱构建—发育与损伤整合—跨物种比对—损伤机制解析—潜在靶标发现”这一链条，系统汇报报告人近年在领域内的系列工作。从生物医学大数据解析与湿实验联合攻关视角，阐述人胎儿脊髓发育图谱与恒河猴完全性脊髓损伤时空图谱构建、纤维瘢痕的细胞起源与成纤维细胞功能异质性解析、脊髓空洞进程中“细胞骨架—纤毛轴”损伤机制与早期减压时间窗锁定、灵长类室管膜细胞的成体干细胞潜能验证、星形胶质细胞转分化潜能及其可调控性等方面的机制解析工作。同时，介绍自主开发的通路活性指数与跨物种扰动保守性预测工具，展示从图谱到靶标的转化研究历程。

本报告从拓扑数据分析与持久同调的基本思想出发，介绍 GLMY 道路同调的数学原理及其对有向网络拓扑结构的刻画能力。随后以小鼠脑代谢组数据为例，结合功能聚类、有向网络建模与持久同调，研究不同年龄阶段脑区间拓扑关系的演化。通过具体案例，进一步分析非平凡同调类的来源及其产生与消失的机制，展示道路同调在复杂生物网络分析中的应用价值。

医学影像驱动的血流模拟有望为个体化风险评估提供定量依据，但数值近似误差可能使参数估计偏移，并造成不确定性区间过窄。本报告围绕血流反演结果的可信度，开展相关方法的文献梳理、核心算例复现与受控对照实验。首先，复现多保真贝叶斯反演的二维解析基准和概率有限元的一维标准例，考察误差建模的效果与局限。随后，在一个公开脑血管几何上建立稳态血流模型，利用合成速度观测反演入口流量参数；在统一观测、先验和较细网格训练信息的条件下，比较直接代理、近似误差模型、残差高斯过程及其扩展，并分别记录不同方法使用的粗、细网格计算资源。冻结模型后，在四个新增流量工况和三档噪声水平下各进行500次重复实验，联合评价参数误差、区间覆盖率、宽度及区间得分。结果表明，忽略数值误差可导致严重欠覆盖，但残差校正并不持续优于直接基于较细网格解训练的代理；两类方法的相对表现依赖于工况和噪声水平，引入输出相关性与核模型平均也未获得稳定净收益。这些结果提示，可信血流反演需要同时检验数值近似、统计假设与计算成本，不能仅依据单一工况的覆盖率判断方法优劣。最后，讨论从入口参数反演拓展至壁面剪切力不确定性评估所需解决的问题，为后续方法研究与验证提供依据。

多导联心电图记录了心脏电活动在不同观测方向上的时间变化。如何将这些波形转换为网络，并描述导联之间随心搏相位变化的预测关系，是我们关注的核心问题。报告将从原始电压数据表出发，介绍信号预处理、多元回归以及由预测系数生成有向边的基本过程。在此基础上得到随相位变化的边权，并引入多元结构化反依赖模型（MVSAD），解释如何利用基函数以较少参数描述动态依赖。

High-resolution spatial transcriptomics (ST) enables subcellular spatially resolved transcript profiling but remains difficult to annotate in complex tissues because of gene coverage and super sparseness in expression. These challenges are amplified in cancer research, where neoplastic cell states and rare immune cells in tumor microenvironment are often poorly captured by generic references and/or cell typing tools exclusively built on molecular profile. Here, we present BiNVaST, a niche boundary-preserving and dual-branch variational autoencoder (VAE) fused with statistical simulator for reliable cell typing across multiple spatial platforms. It generates platform-adjusted in silico training data by integrating query spatial profile and user-defined pre-annotated single-cell reference through Singular Value Decomposition and Wasserstein-based Optimal Transport. The VAE framework combines molecular similarity and spatial proximity to predict the probabilities of pre-defined cellular identity for each segmented cell. We rigorously benchmarked BiNVaST against popular methods (e.g., Seurat, SingleR, CellTypist) across Xenium V1, Xenium Prime 5K, CosMx 6K, Stereo-seq, Visium HD platforms, using six tissues from four disease categories, e.g., Ovarian Cancer, Colon Cancer, Pediatric High-Grade Glioma. Our tool is sensitive in detecting divergent tumor cell states and significantly improves the cross-platform concordance, distinguishing disease-specific neoplastic and non-neoplastic cellular subpopulations and supporting robust cellular or niche inferences in heterogeneous tissues.