Bridging discovery and application: Advanced materials driving innovations in energy, environment, and healthcare (*Image generated using the generative artificial intelligence tool Google Gemini and reviewed by the guest editors for scientific accuracy.) 特刊详情 客座编辑 Soney Varghese，印度卡利卡特国立技术学院 Deepalekshmi Ponnamma，‌卡塔尔大学 B Ratna Sunil，沙特阿拉伯穆罕默德·本·法赫德亲王大学 Devinder Yadav, 印度理工学院巴特那分校   主题范围 The scope of the focus collection includes, but is not…

Activity and autonomous motion are fundamental aspects of many living and engineering systems. Here, the scale of biological agents covers a wide range, from nanomotors, cytoskeleton, and cells, to insects, fish, birds, and people. Inspired by biological active systems, various types of autonomous synthetic nano- and micromachines have been designed, which provide the basis for…

本期精选文章来自 Environmental Research Letters (ERL)、Environmental Research: Energy (EREN) 与 Environmental Research: Climate (ERCL)，聚焦原住民能源公正、城市形态与交通减排、永久冻土碳反馈对地球系统临界点的影响，以及癌症患者应对高温的适应策略，探讨气候变化背景下公平转型、城市可持续发展与脆弱人群适应能力等重要议题。 >>点击此处链接，订阅环境领域最新资讯。 精选文章 Impacts and place-based approaches to transformative energy justice for First Nations Christina E Hoicka, Anna Berka, Sara Chitsaz, Kayla Klym, Adam Regier and Megan Macdonald This study explores how place-based approaches can support more equitable renewable energy transitions for First Nations communities in…

Machine Learning: Health（MLHealth）是一本多学科开放获取期刊，致力于在医疗保健、医学、生物、临床和健康科学领域应用机器学习、人工智能和数据驱动的计算方法。   为什么选择在 MLHealth期刊发表您的研究？ 包容的期刊范围与创新的文章类型：除原创研究文章和综述文章外，MLHealth还接收数据集文章、基准类文章与挑战类文章等多种文章类型，满足机器学习、人工智能与健康科学交叉领域研究人员多样化的学术发表需求。 开放获取，扩大研究影响力：所有论文均采用CC BY开放许可协议发表，文章一经出版即可永久免费获取，并支持最广泛的传播、共享与再利用，进一步提升研究成果的影响力。 高质量同行评审：所有投稿均由IOP出版社的全球专家进行严格同行评审，并在国际顶尖编委会的支持下，确保论文具备高水平的科学质量、学术严谨性与研究价值。 高效出版流程：我们致力于为作者提供专业、高效的出版服务，确保快速完成首次审稿决定、论文录用及正式发表。文章一经录用，通常可在24小时内在线发布，并获得可引用的DOI，帮助您的研究成果尽快与全球科研社群分享。   近日，我们采访了MLHealth期刊编委之一，来自北京大学健康医疗大数据国家研究院的洪申达助理教授，让我们一起来看看他对期刊以及领域发展的见解吧。 访谈详情 1. 您为什么会推荐作者向Machine Learning: Health这本期刊投稿？ 机器学习与医学健康的结合，正在重塑医学研究的方式，而Machine Learning: Health恰好为这一交叉领域提供了高质量、广受认可的发表平台。期刊既重视机器学习方法本身的严谨与创新，也始终关注其在真实健康场景中的可用性与临床价值，审稿过程严谨而富有建设性。对于希望让方法走出基准测试、真正服务于临床与人群健康的研究者来说，这里能够触达机器学习研究者、临床医生、工程师乃至产业界的广泛读者，是一个理想的发声平台。   2. 在您看来，当前该领域近期最令人振奋的研究进展是什么？ 我认为最令人振奋的，是生物信号基础模型的兴起，以及多模态医学人工智能的快速发展。研究范式正在从针对单一任务的专用模型，转向在大规模信号上预训练、可迁移到多种下游任务的通用模型；与此同时，能够整合感知、推理与决策支持的临床智能体，也开始进入真实诊疗场景。可穿戴设备与基础模型的结合，使得仅凭单导联信号对多种疾病进行无创预筛查（prescreening）成为可能。更可贵的是，整个领域正在从单纯追求基准性能，逐步走向前瞻性临床验证与获得认证的医疗器械落地。   3. 能否介绍一下您目前正在开展的研究工作？ 我的研究方向可以概括为生物信号大模型、智能可穿戴及临床转化，并努力打通从数据、模型到临床落地的完整链条。 在数据层面，我们依托多中心的临床协作，逐步积累了多类型的生理信号资源，为模型研发提供支撑。 在模型层面，我们围绕生物信号构建了一个不断扩展的基础模型家族：从以心电为核心的ECGFounder 出发，延伸到光电容积脉搏波（AnyPPG）、睡眠（SleepFounder）、呼吸、胎心监护等多种生理信号。技术路线上既包括在大规模信号上的自监督预训练，也包括将心电与超声心动图报告、文本等模态对齐的多模态学习，以及面向临床推理的模型，使其不止于分类，更能给出可解释的判断。 在应用层面，我们将这些模型转化为面向心血管诊疗的临床智能体与统一平台：智能体「准心」可辅助完成从信号解读、风险评估到诊疗建议的闭环，HeartOS平台则把分散的能力整合为可在临床环境中部署的系统；部分成果也已进入获得医疗器械注册认证的便携式心电产品，服务于院内与居家场景。 目前的重点，是进一步发展多模态生理信号基础模型，以及基于单导联AI心电的多种疾病无创检测，希望让这些方法真正走到患者身边。 编委介绍 洪申达 助理教授 北京大学健康医疗大数据国家研究院 洪申达，北京大学健康医疗大数据国家研究院新体制助理教授、副研究员、博士生导师，北京大学人工智能研究院院长助理。2019年博士毕业于北京大学智能科学系。研究方向为生理信号大模型、智能可穿戴及临床转化。主持国家自然科学基金、CCF-智谱大模型创新基金、CCF-腾讯犀牛鸟基金等项目。以第一或通讯作者在NEJM AI、The Lancet Digital Health、npj Digital Medicine、Cell Patterns等期刊和ICLR、ICML、NeurIPS等会议发表论文80余篇，被引超过9000次。担任npj Digital Medicine、Health Data Science期刊副编辑，MLHealth编委会成员。相关成果已取得医疗器械注册证。 期刊介绍 Machine Learning: Health Machine…