2026年7月22日至7月26日，第二十二届智能计算国际会议（The Twenty-Second International Conference on Intelligent Computing, ICIC2026）在加拿大多伦多举行。会议期间，李君一教授课题组25级研究生陈识曲，22级本科生吴欣虹、王露涵通过线上方式参加会议，并分别进行了论文汇报。
ICIC是中国计算机学会推荐的C类国际学术会议，本次会议以“Advanced Intelligent Computing Technology and Applications”为主题，主要围绕智能计算理论、方法以及新兴应用展开交流，旨在为国内外学者提供学术交流与成果展示的平台，促进智能计算技术的发展以及理论研究与实际应用的结合。本次会议共收到来自21个国家和地区的4561篇投稿，经过严格的双盲评审，最终精选1844篇进行发表。
会议期间陈识曲就其论文《MZSGO-DA: Multimodal zero-shot protein function prediction based on domain-aware adapter pretraining》进行了口头汇报。陈识曲介绍了MZSGO-DA模型，该模型通过参数高效的adapter预训练策略，将结构域和功能语义信息注入ESM-2蛋白质语言模型，从而增强蛋白质序列表征能力，并避免推理阶段对显式结构域 输入的依赖，有效缓解蛋白质功能预测任务中零样本泛化能力不足的问题。
图1 陈识曲汇报内容
MZSGO-DA采用两阶段训练策略。第一阶段为结构域-功能感知的对比学习预训练阶段，通过构建“序列-结构域”和“序列-功能”双通道对比学习任务，使蛋白质序列表征与结构域语义和功能语义进行有效对齐，从而学习更加丰富的功能相关先验知识。第二阶段为下游任务适配阶段，在冻结预训练adapter参数的基础上，引入新的可训练adapter进行任务特定优化，在保留预训练语义知识的同时提升模型对于具体预测任务的适应能力。
实验结果表明，MZSGO-DA在三个GO本体上均取得良好性能：在BP、MF、CC标签中预测结果的Fmax值分别为0.7621、0.5063、0.7462，优于S-PLM、PAIR等对比方法。在零样本测试中，MF标签Fmax指标达到0.6028，在下游任务中仅训练约55M参数（占7.3%），达到了与MZSGO相近的预测水平。相关消融实验进一步验证了双通道语义预训练策略、双adapter机制以及模型设计方案的有效性。
图2 MZSGO-DA中的Adapter模块结构和注入机制
吴欣虹就其论文《HyperPMT: MHC-Peptide-TCR Binding Prediction via UniGAT-based Hypergraph Neural Network》进行了口头汇报。该文章针对免疫识别过程中MHC、抗原肽和TCR三者之间复杂高阶关系难以有效建模的问题展开研究。吴欣虹介绍了HyperPMT模型，该模型基于UniGAT超图神经网络构建MHC-肽-TCR三元复合物预测框架，能够在统一框架下充分捕获三种免疫分子之间复杂的高阶协同作用。
图3 吴欣虹汇报内容
HyperPMT将CDR3β序列、抗原肽序列以及HLA伪序列分别作为超图中的三类节点，并将每一个完整的MHC-肽-TCR三元复合物表示为连接三个节点的超边，从而实现对免疫分子间复杂交互关系的统一建模。在模型构建过程中，HyperPMT首先利用 ESM-2蛋白质语言模型提取CDR3β、抗原肽以及HLA伪序列的序列特征。随后，为区分不同类型生物实体，模型引入节点类型嵌入，并结合UniGAT超图注意力机制进行信息传播，通过“超边聚合-节点更新”的两阶段消息传递过程学习包含高阶交互信息的节点表示。最终，模型通过超边分类器预测MHC-肽-TCR三元复合物的结合概率，实现端到端的结合预测。
实验结果表明，HyperPMT在多个指标上均取得显著提升，其中ROC-AUC达到0.9908，PR-AUC达到0.9739，F1-score达到0.8948，证明了超图神经网络在免疫分子交互预测中的有效性。
图4 HyperPMT对比实验结果图
王露涵就其论文《SLdGNN: Synthetic Lethality Prediction based on Multi-Source Data and Dual-Graph Neural Networks》进行了口头汇报。王露涵介绍了用于合成致死关系预测的SLdGNN模型，该模型针对现有方法对于蛋白质序列信息利用不足的问题，引入预训练蛋白质语言模型 ESM-2 提取蛋白序列特征，并结合多源生物数据构建双图协同学习框架，实现更加全面的基因表示学习。
图5 王露涵汇报内容
SLdGNN构建了融合蛋白质序列信息与知识图谱、合成致死关系图的双图协同学习框架。模型首先利用预训练蛋白质语言模型ESM-2提取基因对应蛋白质序列中的进化和语义特征，并通过特征融合增强基因表示能力。在异构知识图谱中，SLdGNN采用关系感知聚合机制，根据不同生物关系类型学习邻居节点信息，融合多维生物语义；同时，在合成致死关系图中结合图传播机制与图注意力网络，动态捕获关键基因邻居之间的交互模式。通过融合序列语义信息与多源生物网络结构信息，模型能够获得全面的基因表示，从而提升对未知合成致死关系的预测能力。
实验结果显示，SLdGNN在多个评价指标上均优于基线方法。其中模型AUC达到0.9691，AUPR达到0.9731，F1-score达到0.9255，验证了融合蛋白序列语义和多源图结构信息能够有效提升合成致死预测性能。
图6 SLdGNN蛋白质序列信息提取流程图
论文信息：
论文名称1：《MZSGO-DA: Multimodal zero-shot protein function prediction based on domain-aware adapter pretraining》崔博越和陈识曲为共同一作，李君一教授课题组硕士生。
论文名称2：《HyperPMT: MHC-Peptide-TCR Binding Prediction via UniGAT-based Hypergraph Neural Network》吴欣虹为第一作者，李君一教授课题组本科生。
论文名称3：《SLdGNN: Synthetic Lethality Prediction based on Multi-Source Data and Dual-Graph Neural Networks》王露涵为第一作者，李君一教授课题组本科生。
三篇成果均以李君一教授为通讯作者。
本次ICIC会议为智能计算学界和业界的专家学者提供了一个开放的交流平台，在本次会议中，我中心参会者进一步了解了智能计算领域的最新研究进展，加强了国际学术交流，也为未来开展人工智能驱动的生命科学研究积累了经验。未来，我中心将继续围绕人工智能、生物信息学等方向开展研究，推动智能计算技术在生命科学领域的创新应用。
编辑 | 王露涵
初审 | 李君一
复审 | 漆舒汉
终审 | 王 轩
