最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。
2026ISEF赛事安排
- 参赛资格
年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。
地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。
团队项目：最多3人，所有成员需满足资格且共同参赛。
- 项目要求
原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。
学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。
伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。
- 关键文件与截止时间
ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。
摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。
地区赛截止：2026年3-4月
- 其他注意事项
展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。
知识产权：部分研究可能需申请专利后再参赛，避免披露风险。
为了方便同学们更好的备赛，特别整理了ISEF-CBIO计算生物学和生物信息学2025的获奖作品方便学习
CBIO计算生物学和生物信息学获奖作品集合
CBIO044 - 密码子重分配对白色念珠菌形态的影响
念珠菌属的致病真菌，包括白色念珠菌，对全球健康构成日益严重的威胁。几乎所有念珠菌都属于CTG进化枝，该进化枝通过将CUG密码子上的丝氨酸翻译成亮氨酸而非丝氨酸，偏离了常见的遗传密码。值得注意的是，白色念珠菌能够在生物膜和酵母样生长状态之间快速切换，并且必须如此才能产生毒性。本研究旨在阐明CUG密码子上丝氨酸翻译与形态可塑性之间的潜在生物物理关系。我们基于其在形态转换中的关键参与度以及高比例CUG密码子（尤其是在功能重要的结构域中）的存在，筛选出一组蛋白质，并对其进行了计算机模拟，以研究其结构和功能对CUG残基上丝氨酸的依赖性。使用 AlphaFold AI 模型预测每种蛋白质的结构，将其在 CUG 残基处突变为亮氨酸，并通过一系列计算机模拟分析与野生型结构进行比较，以评估突变的结构和功能影响。评估指标包括蛋白质折叠的热力学数据、内部相互作用以及蛋白质-配体相互作用。静态分析包括溶解度变化、结合位点和预测的生物学功能。研究人员对蛋白质结构随时间的变化进行了分子动力学模拟，并对配体进行了对接分析。在最初的 13 种蛋白质中，有 5 种因突变而导致结构和功能发生显著破坏，这表明它们可能依赖于丝氨酸的掺入。这 5 种蛋白质是体外验证的有希望的候选药物。这项研究为未来新的治疗方法的研究开辟了道路，包括使用外源 tRNA 来强制亮氨酸的错误掺入。
CBIO045 - 痴呆症临床分类工具
神经退行性疾病的日益流行凸显了提高诊断准确性的重要性。许多已提出的临床决策支持系统 (CDSS) 对个体诊断的可解释性较低，且在临床环境中的可实施性较低。氟脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 是鉴别诊断中已建立的模式。使用具有图结构的深度变分自编码器 (VAE) 来实现灵活性和精确性，可以解释单个标准化的脑 FDG-PET 图像，以支持神经退行性疾病的诊断。通过对 FDG-PET 脑图像（n=2000）进行预先训练，提取了每张图像的 16 个低维且可解释的潜在特征，其中每个维度都准确地代表了大脑活动及其内部变化的模式。使用逻辑回归系数分析了来自 VAE 的特征，并将其与已知的神经退行性疾病代谢模式进行比对。我们实施了一个由 k 最近邻和逻辑回归模型组成的集成分类器系统，用于对嵌入在 VAE 潜在空间中的图像进行分类，并取得了较高的准确率，例如，与基线主成分分析架构相比，该系统在诊断阿尔茨海默病方面的准确率高达 95%。VAE 潜在空间和图结构提供了清晰的视觉可解释性，并通过邻域图展示了不同痴呆症表型之间的潜在空间比较。除了分类之外，疾病类型之间的插值还可以通过脑部 FDG-PET 表面映射揭示脑代谢的轨迹。使用单个脑部 FDG-PET 使得该模型可以在临床环境中实施，并将成为一种强大的 CDSS，协助临床医生诊断神经退行性疾病。
CBIO048 - 计算双特异性抗体开发
美国每年约有9万人被诊断出患有淋巴瘤，这是一种影响白细胞（淋巴细胞）的癌症。CD30受体在霍奇金淋巴瘤和间变性大细胞淋巴瘤中过表达，对细胞增殖和存活至关重要，因此成为关键的治疗靶点。CD3ε受体亚基存在于免疫功能正常的淋巴细胞中，当接触特定抗原时会刺激免疫反应。免疫治疗技术的进步已证明双特异性抗体（bsAbs）可以同时结合两种抗原，从而促进免疫细胞介导的细胞毒作用。尽管取得了进展，但双特异性抗体研究仍主要处于实验阶段，计算和人工智能工具在开发过程中的应用不足。本研究假设，对Fab区进行计算分析可以帮助识别那些分别与CD8+细胞和淋巴瘤细胞的CD3ε和CD30受体结合，从而促进癌细胞死亡的Fab。分子对接模拟提供了与CD3ε和CD30结合的Fab结构。使用深度学习工具 ScanNet 验证了对接。视觉检查、氢键计数和结合能被用作筛选标准。在一组固定的 Fab 区域（n=10）中，Fab 1IQW 与 CD3 epsilon 受体表现出最高的结合亲和力（-25.6 kcal/mol）和最多的氢键（28）。对于 CD30 受体，1A5F 表现出最强的结合亲和力（-23.0 kcal/mol），但形成的氢键较少（7）。这项研究将为设计针对各种受体（包括 CD30 和 CD3 epsilon）的 bsAb 奠定基础，同时也展示了计算技术在 bsAb 开发中的潜力。
CBIO056 - 新型 GenAI 可改善阿尔茨海默病的诊断
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病，其特征是认知能力下降严重到足以干扰日常活动。目前的诊断方法，例如神经心理学评估，准确率低于 80%，这表明仍有很大的改进空间。磁共振成像 (MRI) 可以揭示 AD 患者特征性的脑萎缩，这为机器学习提升诊断准确率提供了广阔的前景。本研究利用基于 ResNet50 的卷积神经网络 (CNN) 进行基于 MRI 的 AD 诊断，初步实现了 89% 的 F1 得分。更重要的是，本研究引入了一种基于生成对抗网络 (GAN) 的新型框架，以实现更准确的 AD 诊断。在数据预处理之后，AG-GAN 选择最大的成像部位作为参考域，使来自其他三个部位的图像符合相似的图像参数，并有效降低了扫描仪特定的差异性。随后，CycleGAN 生成了额外的合成图像，以解决数据稀缺问题并增强训练鲁棒性。这种基于 GAN 的系统集成显著提高了诊断性能，F1 得分达到 96.1%。所提出的方法解决了多点MRI数据集中的关键挑战，通过减少扫描仪差异、数据可用性有限和数据集不平衡造成的性能差异，促进了诊断的公平性。作为首个提出基于GAN框架来增强AD诊断的研究项目，这些发现凸显了将深度学习与基于GAN的协调和增强相结合的变革性潜力，从而提高AD诊断的可靠性和可及性，尤其有利于资金不足的医疗诊所和研究机构。
