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。

该研究利用多组学数据明确了肺血管周细胞特异性表达 AGTR1 受体，揭示了其在维持肺泡微血管稳态中的关键作用，并发现其信号通路失调与肺气肿等肺部疾病及衰老密切相关，为相关治疗提供了新的细胞特异性靶点。

本文通过构建模拟与真实数据泛基因组图谱，揭示了现有主流流程在识别和表示倒置变异时存在显著差异，并提出了两种倒置气泡拓扑结构及相应的注释工具，指出了当前泛基因组方法在处理倒置变异方面面临的重大挑战。

本研究评估了 DNABERT-2、AgroNT 和 HyenaDNA 三种 DNA 基础模型在植物转录因子结合位点预测中的表现，发现 HyenaDNA 在准确性和计算效率上均优于传统方法，展现了其在植物基因组大规模预测中的巨大潜力。

该研究通过一系列实验表明，空间转录组数据中的稀疏性、噪声以及图像分辨率降低等质量问题会显著削弱基于深度学习的组织学图像基因表达预测性能，且现有的补救措施效果有限，因此强调在优化模型架构之外，提升数据质量是改善预测建模的关键策略。

该研究通过量化 FreeSurfer 流程中数值变异性对帕金森病结构 MRI 分析的影响，揭示了其足以改变统计结论并导致假阳性或假阴性结果，进而提出了一种评估数值不确定性的实用框架以保障神经影像研究的可靠性。

本文介绍了 jazzPanda，这是一种针对成像空间转录组数据的混合分析方法，它通过结合空间坐标的“伪批量”策略和线性模型，有效解决了现有工具忽视空间分布的问题，从而显著提高了细胞类型标记基因检测的特异性与空间相关性。

本文介绍了开源工具 Pioneer 和 Altimeter，它们通过显式建模窄隔离窗效应（如碎片同位素效应）和实现快速谱图中心分析，显著提升了数据非依赖性采集（DIA）蛋白质组学数据在大规模场景下的鉴定置信度、定量精度及分析速度。

本文介绍了 edgePython，这是一个将广泛使用的 R 语言 edgeR 包移植到 Python 生态系统的工具，旨在解决单细胞基因组学分析中的集成限制，并新增了适用于多受试者分析的负二项 - 伽马混合模型及细胞水平离散度的经验贝叶斯收缩功能。

本文介绍了无需分子标签（UMI）的纳米孔测序生物信息学流程 NanoHIVSeq，该流程通过多步聚类、一致性修正和去噪等策略，能够从高错误率的牛津纳米孔（ONT）数据中高效、准确地恢复全长 HIV-1 包膜（Env）基因变异，为大规模队列研究提供了简化且可靠的解决方案。

该研究通过分子嵌入微调和大语言模型提示工程，在多个数据集上评估了通用及化学专用模型预测反义寡核苷酸疗效的能力，发现结合目标基因信息的 DNA 序列输入配合少样本提示（如 GPT-3.5-Turbo）取得了最佳预测效果。