用于生物序列生成的 Dirichlet 扩散得分模型

基于摘要分析。该研究主要面向具有复杂约束的生物序列设计，提出 Dirichlet Diffusion Score Model，以概率单纯形上的连续扩散过程建模离散数据，并用于 Sudoku 生成、求解和人类启动子 DNA 序列设计。 核心机制是将扩散过程定义在概率单纯形空间，使其平稳分布为 Dirichlet 分布，从而为离散数据建立连续空间中的生成 SDE 框架。研究针对的问题是：原有基于得分的生成 SDE 并非天然为离散数据设计。摘要未提供得分网络结构、训练损失、离散序列表示与采样转换方式，也未说明约束如何进入生成或推理过程，这些细节尚未验证。 作者报告，在 Sudoku 生成任务中，该方法能够生成满足硬约束的样本；还能够在无需额外训练的情况下求解 Sudoku，包括困难题目。作者进一步将方法用于人类启动子 DNA 序列设计，并报告生成序列与天然启动子序列具有相似性质。作者将该应用称为首个人类启动子 DNA 序列设计模型，但这一优先性声明尚未独立核验。序列性质相似不能直接等同于启动子功能得到实验验证；摘要未提供相关评价指标、对照基线、数据划分或功能验证细节，实验协议、消融及统计信息尚未验证。 该论文的主要研究对象是离散结构与生物序列，而非神经信号或 BCI 解码。平台推测（待验证）：如果 EEG 研究中的目标本身是具有明确类别与约束的离散序列，例如离散化状态序列，概率单纯形扩散可能提供可复用的生成机制；这一假设依赖离散表示与约束定义，并不直接适用于连续 EEG 波形。迁移时需改造序列编码、条件输入与采样约束，低信噪比、跨被试差异及小数据可能使离散化误差或生成分布偏差放大。现有材料不足以确定具体迁移任务与实验协议，不据此提出 EEG 复现实验方案；已有 EEG 相关工作尚未检索确认。