了解阿尔茨海默病的成因及其发展过程，如同在嘈杂的房间里分辨个体声音。众多潜在因素——睡眠、炎症、遗传、微生物组等——相互交织，使其对疾病的影响难以厘清。
华盛顿大学硕士生林一凡开发了新工具来解决这一难题。SensGAN是一种利用人工智能和机器学习的方法，可帮助确定哪些因素具有实质影响，哪些属于干扰变量。
林一凡在华盛顿大学公共卫生学院攻读生物统计学期间，将此方法作为毕业论文项目。凭借这种创新的复杂基因组数据解析方法，她荣获吉尔伯特·S·奥门学术卓越奖，该奖项是授予硕士和博士生的最高校级荣誉之一。
林一凡的研究成果将与导师华盛顿大学生物统计学助理教授林哲（Kevin Z. Lin）共同发表于2026年国际机器学习大会会议录，研究获得该校阿尔茨海默病研究中心支持。
虽然林一凡专注于阿尔茨海默病与痴呆症研究，但SensGAN工具同样适用于其他领域。研究人员可用其处理未测量混杂因素——这些变量看似导致研究结果，实则另有未考量的变量在起作用。这是观测性公共卫生研究中最棘手的难题之一。
林一凡将其比作探究肺癌成因：吸烟对肺癌的影响如此显著，以致于难以分辨其他潜在致病因素。SensGAN这类工具能帮助研究人员识别除吸烟外的其他变量，从而深化对疾病的理解并推动疗法研发。
"机器学习和新技术工程方法的潜在价值在于能大幅提升研究规模，"林一凡表示，"这使我们能在全新层面、更高维度甚至全球尺度建模和理解问题。我认为这正是我的工作能为公共卫生领域带来的激动机遇。"
在生物医学领域从事乳腺癌诊断平台工作后，林一凡决定进入华盛顿大学生物统计学系攻读硕士学位。这段经历激励她寻求更优的公共卫生问题解决方案，并希望强化计算与方法学基础。
研究生初期，林一凡曾因班级同学统计学背景深厚而感到压力——此前她仅修读过两门统计课程。但她很快发现，同学们多元的背景使协作更具优势。凭借生物医学经验，她能轻松构建计算模拟，同学们也常向她求助。
"我意识到拥有独特背景的人应珍视自身经历，"林一凡说，"你正为社群带来新视角，即便自己尚未察觉或心存疑虑，你其实能贡献良多。"
在校期间，林一凡还担任系内学生邀请演讲委员会成员。作为DEI心理健康小组委员会成员，她共同主导"活在当下"倡议，为学生、教职员工创建心理健康对话空间，活动包含正念练习、引导冥想和呼吸训练等社区健康支持项目。
今年毕业后，林一凡将赴加州大学戴维斯分校攻读博士学位。她将运用机器学习进行植物基因组基础建模，在可控环境中建立微生物、土壤、细菌与植物关系的模型，并将研究成果迁移至其他领域，例如探索肠道微生物组与大脑功能的关联。
"我希望当前及未来的研究能将公共卫生问题与新兴科技领域深度融合，"林一凡表示。
【全文结束】