1235 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。
本文提出了基于 Transformer 的掩码自监督学习框架 Mievformer，通过编码邻近细胞状态与空间构型来参数化中心位置的细胞状态条件分布，从而实现对微环境异质性与细胞异质性之间概率耦合的定量表征，并在模拟与真实空间转录组数据中展现出优于现有方法的微环境聚类与生物学发现能力。
本文提出了一种名为 Turep 的深度学习框架，通过整合多癌种单细胞及空间转录组数据，实现了跨癌症背景下肿瘤反应性 T 细胞的高精度识别、免疫治疗疗效预测及其空间微环境特征解析。
该研究提出“基因组方言”框架，通过量化分析 1406 个物种的密码子使用偏好，揭示氨基酸理化性质（特别是 Saier 第二密码子碱基分类）与疏水性等特征显著驱动了物种特异性的“信息口音”形成，表明这种偏好主要受翻译保真度与蛋白质稳定性的双重约束，而非单纯的系统发育关系。
该研究提出了名为 memerna 的确定性迭代采样框架，通过按自由能递增顺序枚举 RNA 二级结构，实现了比现有工具快数个数量级的可扩展建模，从而有效解析了包括转录过程中非平衡态折叠在内的复杂 RNA 构象系综。
该研究通过系统基准测试发现，AlphaFold2 在蛋白质 - 肽复合物预测上整体优于 OpenFold3 但存在训练数据记忆现象，同时揭示了现有置信度指标和阈值在肽段场景下的局限性，并提出了针对肽段相互作用的特定评估框架与校准需求。
该研究探讨了利用图神经网络（GNN）结合注意力机制、自监督学习及蛋白质语言模型等先进技术，在提升蛋白质 - 配体相互作用预测精度的同时解决模型可解释性难题，从而推动生物医学药物发现向更透明、可靠且符合生化原理的方向发展。
该研究开发了基于经典经验法则和人工智能神经网络的两种新型密码子优化工具 OptimWiz 2.1 和 3.0，实验证明其融合蛋白荧光表达效果优于所有现有商业工具，并借此揭示了密码子优化的潜在原则。
本文介绍了 SpaceBender，一种利用空间特异性信息（如空间环境 RNA 生态位）来增强空间转录组数据中生物信号、有效去除 RNA 扩散噪声并提升生物学发现显著性的开源去噪方法。
该研究提出了一种基于张量分解的相似性网络框架，通过分析结直肠癌的空间转录组数据，揭示了肿瘤组织受空间结构约束的分子特征及异质性模式，为空间生物标志物发现提供了通用方法。
EpiRanha 是一种结合 ESM-2 序列嵌入与 E(n) 等变图神经网络的框架，通过生成融合序列与空间信息的残级“指纹”及束搜索策略，实现了对构象表位更精准的相似性识别，从而克服了传统方法在评估抗体交叉反应性和脱靶风险时的局限性。