一篇综述系统梳理了 AI 与生物信息学整合框架如何将影像组学与基因组学、转录组学、蛋白质组学等多组学数据融合，以更全面建模脑疾病复杂性。文章指出，尽管两个领域各自都有进展，影像组学与多组学融合的联合应用仍未被充分利用。借助深度学习和图神经网络等表征学习方法，这类多模态系统可支持生物标志物发现、患者分层和个性化治疗策略。作者重点评估了数据异质性、可解释性有限和临床验证障碍等挑战，并以胶质瘤、阿尔茨海默病和多发性硬化症的案例说明统一影像-组学架构的临床价值。
Fabian Theis 在重庆 Nature 会议“Cancer Immunology in the AI Era”开幕主旨演讲中提出，科学是一场搜索，AI 能让干预空间中的搜索更系统化。
一篇发表于 Cell Systems 的视角文章梳理了 CAR T 细胞治疗的数学建模如何支撑预测性设计与临床决策。文章按 CAR T 治疗的关键转化难题对现有模型进行分类定位，并指出机器学习、多尺度建模、控制理论和替代细胞类型等新兴方向在模型引导的下一代细胞疗法设计中的机会。
Decoding Bio 的 BioByte 周刊介绍了一项比较两种 BCMA CAR-T 产品 cilta-cel 与 ide-cel 的研究，作者认为两者的关键差异在于控制 CAR 表达的启动子，而非抗原结合域。
推荐理由：通过重建四种 CAR 组合，把 cilta-cel 与 ide-cel 的疗效差异指向启动子而非抗原结合域，为细胞治疗设计提供可比较的线索。