1188 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。
该论文介绍了一种名为 C-PLANK 的深度学习框架，该框架基于细胞化学蛋白质组学数据进行训练，在预测片段-蛋白质相互作用方面优于现有模型，并通过将物理化学嵌入与系统级生物合理性指标相结合，成功鉴定出一种新型 SIRT3 激动剂。
RegimeFormer 是一个大规模蛋白质模型，通过其关联的包含超过 2 亿条序列的 RegimeAtlas 数据库，建立了全局扰动机制（global perturbation regimes），用以预测残基水平的突变效应，并提升下游生物学建模的表现，特别是在处理未见过的蛋白质和家族时。
本文介绍了动态分层交错布隆过滤器（Dynamic Hierarchical Interleaved Bloom Filter），这是一种可扩展且可更新的索引结构，它通过对最先进的 HIBF 进行局部重建，实现了高效的大规模序列搜索，并展示了索引超过 100 TB RNA-Seq 数据以及插入新样本速度比竞争工具快 24 至 65 倍的能力。
Vipsania 是首个通过直接从未注释序列中学习，从而准确预测多样化真核基因组中蛋白质编码基因结构的无监督深度学习工具，由此克服了需要高质量训练数据且在处理远缘或基部演化支时表现不佳的有监督方法的局限性。
PhageTransformer 是一种深度学习模型，它通过在数千个独立的噬菌体-宿主对上展现出的卓越性能，克服了现有工具的局限性，为噬菌体提供了可扩展、准确且快速的宿主预测。
该论文介绍了 morphOTU，这是一个由人工智能驱动的框架，它通过自监督学习和层次聚类，直接从标本图像中推导出操作生物多样性单位，从而在缺乏正式分类标签或大量训练数据的情况下，实现对物种多样性的准确量化以及形态模式的发现。
该论文介绍了 DeepTMHMM2，这是一种新型预测器，它在实现准确的跨膜拓扑结构预测（包括此前未建模的再入区域和界面螺旋）的同时，还实现了跨 17 种生物膜的亚细胞定位预测，揭示了非穿透片段在蛋白质组中的广泛存在。
本研究展示了一个更新后的 XMAn 数据库，该数据库整合了广泛的 COSMIC 突变数据以创建专门的多肽库，从而能够实现对标准规范蛋白质数据库通常会遗漏的癌症相关突变多肽的质谱鉴定。
本文提出了一种混合框架，该框架结合了用于从横断面肾癌数据中生成合成纵向轨迹的变分自编码器，以及用于产生可解释的、概率性的疾病进展预测的符号规则归纳系统，旨在达到深度学习准确度的同时，提供关于底层分子机制的透明且人类可读的见解。
HIDE-Deconv 是一个开源的分层反卷积框架，它通过联合优化多个分辨率层级的细胞组成估计，以揭示诸如肺腺癌和脓毒症等疾病中具有生物学意义的细胞重构，其性能优于现有的单分辨率方法。