Tau-BNO：用于 Tau 输运模型的脑神经算子
人机交互
2026-03-10 v1
摘要
机理建模为研究病态 tau 蛋白在 tau 病（如阿尔茨海默病）中的扩散提供了基于生物物理的框架。现有方法通常将 tau 传播建模为结构连接图上的扩散过程，能够再现宏观模式，但忽略了微尺度的细胞运输与反应机制。网络输运模型（NTM）旨在填补这一空白，解释区域层级的 tau 传播如何从微尺度的生物物理过程中涌现。然而，NTM 面临一个常见挑战：由于计算负担沉重且模型仿真缓慢，难以进行参数推断与机理发现。为克服这一障碍，我们提出 Tau-BNO——一个脑神经算子替代框架，用于快速逼近 NTM 的动力学，同时捕捉区域内的反应动力学与区域间的网络运输。Tau-BNO 融合了一个编码动力学参数的函数算子与一个保留初始状态信息的查询算子，同时通过保留方向性的谱核来近似各向异性运输。经验评估显示，其在多样生物物理情景下的预测精度达到 0.98，并在 Transformer 和 Mamba 等最新序列模型（缺乏结构先验）之上实现 89% 的性能提升。通过将仿真时间从小时级缩短至秒级，我们展示了该替代模型能够产生新见解并生成新假设。该框架易于扩展至更广泛的基于连接图的生物物理模型，彰显了深度学习替代模型在加速大规模计算密集型动力学系统分析方面的变革性价值。
引用
@article{arxiv.2603.08107,
title = {''I don't want to break it'': An Exploration of Perceived Fragility in Shape-Changing Interfaces},
author = {Eva Mackamul and Tom Maillard and Noé Marceaul and Yelli Coulibaly and Julien Pansiot and Laurence Boissieux and Dominique Vaufreydaz and Anne Roudaut and Céline Coutrix},
journal= {arXiv preprint arXiv:2603.08107},
year = {2026}
}