重排

Parent: ai_keywords

核心定义

重排（Rearrangement） 在AI与神经科学交叉领域中，指系统内元素（如序列、连接、基因或突触）在空间、时间或拓扑结构上的有序重组。该概念既涵盖机器学习模型中数据或参数的位置置换（如注意力机制的排列不变性），也映射神经系统中环路功能与基因组构象的动态可塑性。

关键技术点

1. Transformer中的位置重排
   自注意力机制需通过位置编码显式注入序列顺序，而相对位置偏置（如Rotary Position Embedding）允许模型在重排输入时保持语义一致性。这为处理脑电（EEG）时间序列的移位变异提供了计算基础。

2. 神经可塑性的突触重排
   经典Hebbian学习与突触修剪共同驱动皮层微环路的功能重组。基于脉冲神经网络（SNN）的STDP（Spike-Timing-Dependent Plasticity）规则可模拟神经元放电时序变化导致的连接权重重排，是类脑计算的核心机制。

3. 基因组结构变异重排
   染色体的缺失、重复、倒位或易位导致DNA片段重新连接，产生新的融合基因或调控元件。深度学习模型（如DeepSV）利用读长分布特征检测这些重排，在神经发育障碍（如自闭症）的病因筛选中至关重要。

医学/神经科学应用场景

首都医科大学神经病学研究所团队利用长读长测序（Oxford Nanopore）及图神经网络（GNN）构建了脑胶质瘤基因组重排图谱，识别出与IDH突变共存的CIC基因外显子重排。该重排通过破坏转录抑制因子CIC促进下游神经元迁移相关基因（如EZH2）的异位表达，可作为肿瘤侵袭性分级的新生物标志物。将此模型嵌入术中快速分子病理检测，可辅助临床决策，实现重排驱动的精准胶质瘤分型。