1250 篇论文
生物信息学宛如一座连接生物学与计算机科学的桥梁，利用强大的算法和数据分析技术，将海量的生命遗传信息转化为可理解的科学发现。这一领域不再依赖显微镜下的观察，而是通过代码挖掘基因组的秘密，帮助科学家理解疾病机制、追踪病毒变异并推动精准医疗的发展。
作为 Gist.Science 的专属栏目，我们持续追踪来自 bioRxiv 的最新预印本论文，确保您能第一时间接触前沿动态。团队对每一篇新上传的预印本进行深度处理，不仅提供详尽的技术总结，更精心撰写通俗易懂的科普解读，让复杂的生物数据变得清晰易懂。
以下为您呈现该领域最新发表的几项重要研究成果，带您探索生命数字化的最新进展。
该研究利用 GREIN、STRING 等生物信息学工具分析公共数据，鉴定出创伤后应激障碍、精神分裂症和双相情感障碍共有的关键枢纽基因、转录因子、miRNA 及潜在治疗靶点，揭示了这些精神疾病与自身免疫炎症及感染性疾病之间的分子联系。
该研究通过结合真实数据与模拟实验，系统评估了单细胞 RNA 测序中转座元件位点特异性分析工具的性能，揭示了短读长数据在解析年轻转座元件时的固有局限，并提出了针对旧插入位点、唯一比对策略及亚家族聚合等最佳实践指南。
本文介绍了 SlytheRINs 这一交互式工具，它通过结合图参数与残基相互作用网络（RIN）分析蛋白质构象集合的动态变化，成功揭示了人类葡萄糖 -6-磷酸酶（G6PC1）致病突变（G188R）如何因动态相互作用改变而导致底物结合与催化活性丧失。
该研究通过基于代理的模拟表明，加勒比海鹿角珊瑚（*Acropora*）恢复中的杂交虽导致基因渗入的风险较低，但其促进适应性基因交流的能力也极为有限。
本文提出了名为 DeepAllele 的新型深度学习框架，利用具有明确单倍型分型的配对等位基因输入数据，从序列特征中学习预测等位基因间基因调控的细微差异，从而在免疫细胞等模型中更有效地发现功能相关的调控基序并增强基因组因果推断。
该论文提出了一种基于计数噪声概率模型和确定性生长模型的统计推断框架，通过最大似然估计和变分贝叶斯方法，从时间分辨的混合测序数据中更准确地量化突变体生长速率，并支持将指数生长模型扩展至逻辑斯蒂和 Gompertz 等任意生长模型，从而实现高通量推断影响生长的生化参数。
本文介绍了用 C 语言编写的 EGGS 工具，它能够处理含缺失数据的实证基因型以复制缺失分布，并具备去相位、模拟去氨基化与测序错误、生成假单倍体以及在不同格式间转换等多种功能。
CycleGRN 是一种无需时间分箱或剪接动力学信息的新型框架，它通过将细胞周期基因表达视为随机微分方程的不变测度并构建流场对齐的有向图，成功从单细胞转录组数据中推断出具有振荡特性的基因调控网络。
ProChoreo 是一个基于生成式深度学习的通用框架，它通过多模态对比学习将蛋白质序列与分子动力学衍生的构象系综对齐，从而设计出能够编码动态构象特征的新型蛋白质结合剂。
MOSAIC 是一种基于谱分解的框架，它通过构建样本特异性的耦合矩阵并学习高分辨率的特征 - 样本联合嵌入，从群体规模单细胞多组学数据中捕捉特征间的交互关系，从而实现了差异连接分析、无监督亚群发现及临床结局预测等应用。