1.最新阐释AEP在神经退行性疾病中的分子机制以及其抑制剂开发与转化医学研究进展

2.阐述了DMVN-LC-SNpc/VTA各脑区之间的投射联系，以及SNpc区AEP激活并剪切Sox6和ALDH1A1促进α-突触核蛋白病理和PD运动障碍

3.造血干细胞基因治疗发病后青少年型MLD患者

4.基于多通道图像编码和增强型AlexNet模型的结构变异检测方法

5.针对在线云计算中的服务器计算资源分配问题，提出一类新的贪心算法

6.OPF-Miner：基于遗忘机制的时间序列保序模式挖掘

7.多模态大模型知识编辑评估框架与基准算法

8.数据高效的语言-图像多模态大模型预训练新范式

成果一

来源：生命健康学院

Development of asparagine endopeptidase inhibitors for treating neurodegenerative diseases.

最新阐释AEP在神经退行性疾病中的分子机制以及其抑制剂开发与转化医学研究进展。

2025年2月25日，深圳理工大学生命健康学院叶克强团队，总结讨论了AEP及其抑制剂在神经退行性疾病中的最新研究进展，在Trends in Mol Med上发表了标题为Development of asparagine endopeptidase inhibitors for treating neurodegenerative diseases的研究成果。

天冬酰胺内肽酶（Asparagine endopeptidase, AEP；亦称legumain）作为一种半胱氨酸蛋白酶，已被证实与神经退行性疾病及炎症反应等多种病理过程密切相关。靶向抑制AEP活性已成为一种颇具前景的治疗策略，可通过调控其蛋白水解功能延缓相关疾病的进展。目前针对AEP抑制剂的研发已取得显著进展，涵盖小分子化合物、多肽类抑制剂、单克隆抗体以及天然产物等多个研究方向。该综述系统阐释了AEP在神经退行性疾病中的分子机制研究进展，深入探讨了各类AEP抑制剂的设计策略与作用机理，重点评述了其在神经退行性疾病治疗中的转化医学价值，同时前瞻性分析了当前抑制剂开发面临的选择性优化、血脑屏障穿透及临床转化等关键科学挑战。通讯作者为叶克强教授，第一作者为澳门大学联培博士生孟鑫。

成果二

来源：生命健康学院

Sox6 and ALDH1A1 Truncation by Asparagine Endopeptidase Defines Selective Neuronal Vulnerability in Parkinson's Disease.

阐述了DMVN-LC-SNpc/VTA各脑区之间的投射联系，以及SNpc区AEP激活并剪切Sox6和ALDH1A1促进α-突触核蛋白病理和PD运动障碍。

近期，深圳理工大学生命健康学院叶克强团队，在Advanced Science上发表了标题为《Sox6 and ALDH1A1 Truncation by Asparagine Endopeptidase Defines Selective Neuronal Vulnerability in Parkinson's Disease》的研究成果。

在帕金森病（PD）中，黑质致密部（SNpc）的多巴胺能神经元表现出独特的区域选择性易感性，与腹侧被盖区（VTA）的神经元存在显著差异。然而，这种易感性的分子机制尚未完全明确。最新研究表明，天冬酰胺内肽酶（AEP，也称为Legumain）在SNpc腹侧亚层的SRY-box转录因子6/乙醛脱氢酶1家族成员A1（Sox6⁺/ALDH1A1⁺）神经元中被激活，并通过切割Sox6和ALDH1A1，抑制特异性AT-富集序列结合蛋白1（Satb1）的表达。Satb1是一种特异性结合AT-富集DNA序列的二聚体/四聚体转录因子，其抑制可能导致有毒多巴胺代谢物的积累。此外，AEP在投射至蓝斑核（LC）的多巴胺能神经元中同样参与剪切Sox6和ALDH1A1，从而消除Sox6的转录活性和ALDH1A1的酶活性。在3个月大的A53T α-突触核蛋白（A53T SNCA）转基因小鼠模型中，共表达AEP截断的Sox6和ALDH1A1片段会加速多巴胺能神经元的退化。相反，表达AEP抗性突变体（Sox6 N336A/N446A和ALDH1A1 N220A）可以显著缓解罗丹明诱导的PD病理特征。这些发现表明，SNpc和VTA中多巴胺能神经元的不同神经环路以及固有特性，可能是导致帕金森病中不同易感性的关键因素。通讯作者为叶克强教授和深圳市疾控中心杨细飞教授，第一作者为中国科学院深圳先进技术研究院访问学者聂淑科和中国科学院大学博士生李博维。

成果三

来源：合成生物学院

Lentivirus-modified hematopoietic stem cell gene therapy for advanced symptomatic juvenile metachromatic leukodystrophy: a long-term follow-up pilot study.

造血干细胞基因治疗发病后青少年型MLD患者。

2025年1月4日，深圳理工大学合成学院连祺周团队联合广州医科大学附属妇女儿童医疗中心、深圳市第二人民医院、深圳市儿童医院及香港大学等医疗机构，在Protein & Cell杂志在线发表了题为“Lentivirus-modified hematopoietic stem cell gene therapy for advanced symptomatic juvenile metachromatic leukodystrophy: A long-term follow-up pilot study”的最新研究成果，报告了一项自体造血干细胞基因治疗已发病的青少年型异染性脑白质营养不良（MLD）患者将近10年的安全性和有效性随访研究。该项研究已经筛选了6例患者，并在持续开放入组。研究论文报道了入组前3名患者的临床特征以及分别随访了4.5、6.9及9.6年的安全性及有效性数据。安全性数据分析结果显示，患者接受治疗后的两个月内发生的不良事件主要为中性粒细胞减少症，与化疗清髓有关，经常规治疗在短期内好转。在长期随访中没有观察到HSCGT相关的不良事件，安全性良好。另外基因组整合效率评估结果显示，患者的造血干细胞以及外周血单个核细胞中均已整合正常功能的ARSA基因。该项研究数据显示，研究团队采取的HSCGT疗法可提高已发病青少年型MLD患者的ARSA酶活性，缓解神经退行性疾病进展，提高患者日常生活自理能力，且安全性良好。该项研究在基因治疗遗传代谢性脑病领域实现了一个重要的里程碑，有力推动了我国细胞治疗和基因治疗技术的临床转化。

深圳理工大学合成生物学院/中国科学院深圳先进技术研究院合成生物学研究所连祺周教授为通讯作者，广州医科大学附妇女儿童医疗中心/香港大学张昭副研究员(现供职中山大学)、江华教授，中国科学院深圳先进技术研究院和澳门大学联合培养博士生周小雅，深圳市第二人民医院蔡云教授、黄丽博士，深圳市儿童医院刘四喜教授为共同第一作者。

▲慢病毒修饰的造血干细胞基因治疗发病后青少年型MLD患者的疗法概念图

▲基因治疗后MLD01患者的全基因组慢病毒插入位点分析

▲MLD患者治疗前后ARSA酶活检测、MRI损害评分及FIM评分

成果四

来源：计算机学院

基于多通道图像编码和增强型AlexNet模型的结构变异检测方法。

人工智能检测复杂基因组结构变异，助力疾病早期诊断与个性化治疗。

深圳理工大学计算机科学与控制工程学院唐继军团队开发了一种基于多通道编码方式和增强型Alexnet模型的结构变异检测方法，不仅从比对数据中提取了更丰富的特征，还通过图像化处理提升了模型对复杂结构变异的理解和处理能力，为结构变异预测提供了新的技术路径。2025年2月24日，在Journal of Translational Medicine上发表了标题为“SVEA: an accurate model for structural variation detection using multi-channel image encoding and enhanced AlexNet architecture”的研究成果。

当前主流的结构变异检测方法普遍基于不同变异类型的特征差异设计定制化编码策略，这种设计范式导致检测过程过度依赖预设的筛选规则，忽视了比对区域内蕴含的多尺度特征信息此外，且现有深度学习模型多采用浅层网络架构，在处理细粒度特征和复杂图像细节时存在显著局限性——其有限的感受野难以捕捉跨区域的关联性特征，且多层非线性变换能力不足，严重制约了对细粒度变异的精准识别。本研究提出一种基于多通道编码与增强型AlexNet的结构变异检测方法，通过融合多尺度特征编码策略和深度网络架构优化，有效克服传统方法在特征提取深度与全局关联建模方面的局限，显著提升了复杂场景下的检测精度与泛化能力。唐继军教授为论文的通讯作者，南方科技大学-深圳理工大学联合培养硕士生邱泰兴为论文的第一作者。

▲多通道编码方式和增强型Alexnet模型架构

成果五

来源：计算机学院

Renting servers for multi-parameter jobs in the cloud.

针对在线云计算中的服务器计算资源分配问题，本文提出一类新的贪心算法，在各种模拟实验中，该算法均优于其他已知算法。

深圳理工大学计算机科学与控制工程学院李雅樵助理教授，研究了在线云计算中的服务器计算资源分配的优化问题，提出了一类新的贪心算法，一方面，其具有较优的理论保障，另一方面，在各种模拟实验中，该算法均优于其他已知算法。此外，该工作还研究了计算任务具有多维需求时的算法复杂性的上下界。

2025年1月4日，论文发表于国际会议：Proceedings of the 26th International Conference on Distributed Computing and Networking，并获得该会议最佳论文奖。

该成果由李雅樵助理教授与加拿大康考迪亚大学的研究团队Mahtab Masoori, Lata Narayanan, Denis Pankratov合作完成。论文作者排名依据本领域惯例，按作者姓氏字母排序。

成果六

来源：计算机学院

OPF-Miner：基于遗忘机制的时间序列保序模式挖掘。

旧数据的选择性遗忘带来保序模式的永远年轻合时性。

深圳理工大学计算机科学与控制工程学院李金艳教授与河北工业大学人工智能与数据科学学院武优西教授团队，合作研究了具有遗忘机制的保序模式挖掘新算法。研究成果于2024年12月在数据挖掘领域著名期刊IEEE Transactions on Knowledge and Data Engineering上发表，题为《OPF-Miner: Order-Preserving Pattern Mining With Forgetting Mechanism for Time Series》。

保序模式挖掘是一种序列模式挖掘方法，其使用一组时间序列的秩来构成保序模式，该方法可以发现时间序列中的频繁趋势。现有的保序模式挖掘算法无法区分不同时间点的重要性；然而，较新的数据通常具有更显著的影响，而较旧的数据的影响较弱。因此，我们将遗忘机制引入到保序模式挖掘中，以降低旧数据的重要性，并提出了一种名为OPF-Miner的算法。

在候选模式生成阶段，我们新提出的算法OPF-Miner采用最大支持度优先策略和分组模式融合策略来避免冗余模式融合；在支持度计算阶段，我们也提出了一种称为具有遗忘机制的支持度计算的算法，该算法使用前缀和后缀模式修剪策略来避免冗余的支持度计算。在9个数据集和12种对比算法上进行实验，结果验证了OPF-Miner优于其他对比算法；更重要的是，由于采用了遗忘机制，OPF-Miner对时间序列具有良好的聚类性能。该算法通过自适应阈值调整，较传统方法显著提升了时间序列的聚类性能，如图1-2所示，轮廓系数（SC）改善为传统保序模式挖掘方法的1.182倍， Calinski-Harabasz指数（CHI）提高到传统保序模式挖掘方法的2.179倍。

本文共同通讯作者为李金艳教授和武优西教授，第一作者是河北工业大学的李艳副教授。山西大学的王文剑教授和中国浙江实验室知识工程研究中心的高级研究科学家吴信东教授指导了部分科研工作。

▲采用轮廓系数（SC）的聚类性能对比

▲采用Calinski-Harabasz指数（CHI）的聚类性能对比

成果七

来源：算力微电子学院

多模态大模型知识编辑评估框架与基准算法。

提出全面多模态大模型知识编辑评估框架，揭示了现有知识编辑方法局限性，开创了多模态大模型知识泛化与保存评估新范式。

近期，深圳理工大学算力微电子学院马智恒助理教授团队联合哈尔滨工业大学、西北工业大学及鹏城实验室，在人工智能顶级会议、CCF A类会议AAAI 2025上发表了题为"ComprehendEdit"的评估框架研究成果。该框架针对大型多模态语言模型知识编辑评估领域的关键挑战，提出了系统性解决方案，克服了现有评估方法的多项局限性，为模型知识纠错建立了全面科学的评估标准体系。深圳理工大学作为本文的唯一通讯单位，马智恒助理教授担任通讯作者，哈尔滨工业大学的马耀辉担任第一作者，该研究工作是在马耀辉于深圳理工大学实习期间完成的。

研究团队创新性地提出知识泛化指数(KGI)和知识保存指数(KPI)两项关键指标，无需依赖合成数据即可评估知识编辑对领域内样本的影响，填补了现有评估的重大空白。基于此框架，团队开发的层次化上下文编辑(HICE)方法在多项指标上取得平衡优异表现。

实验表明，ComprehendEdit基准包含八个多样化任务，能全面评估模型能力，比传统评估方法更准确反映模型表现。该成果为多模态知识编辑研究提供了可靠评估基础和强大基线方法，将推动更有效编辑技术的发展和应用。

成果八

来源：算力微电子学院

数据高效的语言-图像多模态大模型预训练新范式。

创新性利用冻结大语言模型构建数据高效的预训练框架，在仅15M数据上训练即可超越CLIP使用400M数据训练的跨模态检索性能，显著提升多语言理解与长文本处理能力。

近期，深圳理工大学算力微电子学院马智恒助理教授团队联合西安交通大学在计算机视觉与人工智能领域顶级会议、CCF A类会议CVPR 2025上发表了创新性研究成果"FLAME"。该框架在语言-图像预训练领域实现了重要突破，通过创新性地应用冻结大语言模型作为文本编码器，有效解决了传统方法长期面临的数据需求量大和文本处理能力受限等关键挑战。研究证明，FLAME框架仅使用15M数据训练即可超越基于400M数据训练的CLIP模型在跨模态检索任务上的性能，显著提升了系统在多语言理解与长文本处理方面的能力。深圳理工大学作为本文的唯一通讯单位，由马智恒助理教授担任通讯作者，西安交通大学的曹桉佳担任第一作者。

研究的核心贡献在于多方面提示蒸馏和面向解耦注意力机制两项技术创新，使系统能从多维度理解图像内容并高效处理计算任务。实验证明，FLAME在数据高效性方面表现卓越：仅使用CC3M数据集训练即在ImageNet分类任务上比现有最佳方法提升4.9%准确率；在36种语言的多语言评估中，平均图像到文本召回率比使用400M数据训练的CLIP提高44.4%；在长文本图像检索任务上，性能提升34.6%。

这一技术进展有效降低了AI视觉系统的训练资源需求，提高了计算效率，为多语言环境下的精准视觉理解开辟了新途径，为下一代语言-图像预训练技术奠定了坚实基础。

来源：科研产业处

责编：赖素麒

审校：张赢、李韵、王之康

为SUAT点个赞和在看吧