bioinformatics 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。

该研究提出了一种结合转录组校正方法与深度表示学习的框架，通过利用多模态基础模型将细胞投影到共享嵌入空间，成功实现了跨样本、跨模态（形态、转录组及空间信息）的空间转录组数据对齐，显著优于传统批次校正方法并促进了保守细胞程序与空间生态位的发现。

该研究通过大规模基准测试发现，尽管 AlphaFold3 等先进 AI 方法能生成几何结构合理的抗体 - 抗原复合物，但其内部置信度评分无法有效区分正确的特异性结合与错误的非特异性配对，表明这些评分缺乏结合特异性的校准，需引入真实负样本进行验证。

该研究通过在 scGPT、scFoundation 和 Geneformer 等单细胞基础模型的隐藏表示上训练稀疏自编码器，揭示了模型内部可解释的生物与技术特征，并证明了利用这些特征进行干预可有效消除技术噪声并保留核心生物信号，从而为提升单细胞基础模型的可解释性与可控性提供了新路径。

本文提出了首个考虑转录因子异构体作为独立调控因子的基因调控网络推断流程 AlterNet，该方法通过整合可变剪接信息，在心脏组织数据中成功揭示了传统基因水平方法无法检测到的关键转录本级调控相互作用。

本文提出了一种基于 SAM2 微调的两阶段人工智能方法 ETSAM，通过在混合实验与模拟数据集上的训练，有效克服了冷冻电子断层扫描图像中的低信噪比和缺失楔形伪影等挑战，实现了对细胞膜的高精度分割，其性能显著优于现有深度学习方法。

该论文提出基于部分信息分解的“协同信息分数”（SIS）指标，揭示传统对齐目标仅能捕捉线性冗余，论证了构建面向“虚拟细胞”的多模态基础模型需从强调共享结构的对齐转向最大化互补信号的协同整合。

该研究通过构建基于加权基尔霍夫拉普拉斯矩阵和矩阵树定理的生成树配分函数，将高斯网络模型推广至连续玻尔兹曼加权系综，揭示了 KRAS 激活是一个由 Switch I 区域主导、通过构象熵增益补偿能量代价的熵驱动过程。

本文介绍了 Graph Lens Lite，这是一款基于浏览器的交互式生物网络可视化工具，旨在通过丰富的可视化功能、拓扑分析、灵活过滤及共享能力，辅助研究人员探索疾病病理生物学机制及药物作用模式。

ToxiVerse 是一个面向缺乏编程经验研究人员的免费公共网络平台，它通过整合生物特征分析、 curated 毒性数据库和自动 QSAR 建模三大模块，实现了化学毒性数据的共享与定制化预测分析。

该研究通过基准测试评估了针对 G 蛋白偶联受体（GPCR）的生成式从头多肽设计方法，发现尽管现有深度学习工具在多肽骨架采样方面表现尚可，但在验证阶段普遍存在置信度高估和序列生成能力不足的问题，揭示了当前多肽设计流程中评分机制失效及模型记忆化等关键挑战。