2023年2月18-22日，中国数学会2022年学术年会在湖北武汉顺利召开。医学数学专委会在2月18日下午成功举办了卫星学术会议。会议邀请了中国科学院马志明院士、北京大学讲席教授周晓华和武汉大学二级教授邹秀芬等7位知名专家致辞和报告，吸引了全国近百位专家学者参会，现场座无虚席。

专委会名誉主任委员、中国科学院院士马志明，专委会主任委员、北京大学讲席教授周晓华先后发表致辞。马志明院士认为数学和生物医学的交叉非常重要，生物医学领域需要数学解决的问题非常多，海量医疗数据的处理和人工智能的兴起也对该领域的研究带来了挑战。

周晓华教授介绍了中国数学学会医学数学专业委员会的成立历程、总结2022年专委会的工作成果、以及2023年专委会的工作计划。

会议的学术报告环节由专委会秘书长、中国科学院数学与系统科学研究院张新雨研究员主持。报告内容涵盖了机器学习、精准医疗、生物统计、生物信息、贝叶斯模型等多个领域、精彩纷呈。

清华大学兰艳艳教授发表报告，题目为《Language Modeling and lts Application in Drug Discovery》。

在人工智能的支持下，语言模型在新药研发上的应用日渐增多。兰艳艳教授首先介绍了语言模型的三个发展阶段：即统计语言模型、神经语言模型和预训练语言模型。之后兰教授介绍了AI在药物研发方面的应用，提出了UniMAP模型来探索一维和二维空间上SMILES和图之间的关联，形成了考虑数据间细节的多模态预训练方法，试验表明该模型提升了性能。兰教授还提出了Frad模型来考虑3D情景下的分子预训练，并且在数据试验的验证中，说明了该模型提升性能的作用，该模型能帮助找到更适合3D数据的预训练准则。

中国科学院数学与系统科学研究院研究员王勇报告题目：《ldentifying phenotype-relevant tissue by context-specific regulatory networks》。

基因型到表型的调控网络已经有了很多研究，而宏观表型和组织器官间的因果关联仍是不确定或未知的，研究表明，多数据整合的调控网络研究使得表型和细胞类型间的关系推断更为准确。王勇老师开发了SpecVar方法对多组学数据建模条件特异度网络，利用网络识别与表型相关的组织和细胞类型。该方法通过将SNP与特异性的调控元件使用全基因组关联研究来评估遗传力富集，并通过明确优先考虑相关组织背后的基因调控来提高现有方法的性能。实例验证及现有方法的表型GWAS对比表明，SpecVar能提高遗传力富集，更准确、更稳定地识别相关组织，且能很好地揭示因果规律。

华中科技大学尹平教授报告题目：《疫苗效力 VE 的区间估计方法及优化》。

疫苗保护效力的评价研究目前是很少的。尹平教授首先详细介绍了疫苗效力的试验过程，介绍了疫苗效力（VE）的估计公式，并列举了若干种VE置信区间的估计方法，着重介绍了条件精确Poisson回归VE区间估计方法及其优化。基于模拟，尹教授评估了12种VE区间估计方法并筛选出了5种VE区间估计方法。此外，尹教授针对比值型参数分母置信区间包含0时的惩罚MOVER-R置信区间估计法，该方法控制了0的影响。

中国科学院数学与系统科学研究院研究员张世华报告题目：《Intelligent spatial transcriptomics: paving the way for deciphering tissue architecture》。

空间转录组学的技术进步对于更好地了解生物学研究中组织的结构和功能至关重要，智能/统计算法和空间转录组学的结合正在出现。张世华老师介绍了空间转录组学已有的研究方法，开发了图注意力自动编码器框架STAGATE，通过整合空间信息和基因表达学习低维潜在嵌入，从而准确识别空间域。不同空间分辨率、不同平台和不同空间转录组学数据验证表明STAGATE可以显著提高空间域的识别精度，在保留空间数据表达模式的同时对数据进行去噪。该方法可用于多个连续的切片，以减少切片之间的批量效应，并有效地重建3D空间模式。证明了图注意力自动编码器对空间代谢组学空间聚类的有效性，并开发了用于识别空间域特异性可变基因的STAMarker，设计了STAligner用于整合来自不同生物学场景的多个切片的空间转录组学。

武汉大学邹秀芬教授报告题目：《Constructing and predicting of cancer evolution landscape based on multiscale computational framework》。

探究肿瘤异质性影响的研究已有了很多，预测异质性增长模式的相关研究最近引起了学者们的兴趣。多项研究表明，亚克隆多样性可能影响各种癌症类型的表型和临床结局。然而，对于亚克隆动力学与癌症进化之间的关系的研究还不够。邹秀芬教授开发了一个多尺度模型框架以研究不同肿瘤生长模式下的亚克隆动力学详细情况，该框架结合了宏观水平和细胞水平的亚克隆类型概率及分布，能基于基因和细胞水平的数据预测与肿瘤生长动力学相关的关键亚克隆。邹教授使用3种传统增长模式和亚克隆池实现了人群和细胞水平的连接，并利用非负LASSO获得了初始时间不同亚克隆和进化的数量和组合。通过定量分析确定了不同亚克隆组分增长模式并预测了癌症进化进程。最后通过实例研究验证了本文方法。

参会嘉宾和讲者们展开了热烈的交流。