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。
本文提出了一种结合序列信息熵、进化保守性、表达互信息及 DNA 基础模型嵌入的四层整合框架，旨在通过量化 DNA 序列中的信息熵及其进化约束，直接从基因序列数据中构建并解析基因调控网络。
STDrug 是一种整合空间转录组、图神经网络及多模态学习的计算框架，通过建模空间域相互作用与药物扰动特征，实现了比现有单细胞方法更精准的患者特异性药物重定位与个性化治疗推荐。
该研究通过比较差异表达分析与共表达网络分析，提出将小胶质细胞的功能描述为可随语境激活和调节的并发分子程序，比将其划分为离散的分子身份更为合理且有效。
本文提出了 Locat 框架，通过联合测试基因表达在细胞嵌入空间中的富集与耗散，识别出具有高特异性的局部标记基因，从而在无需批次校正的情况下实现跨条件、多样本的单细胞转录组比较，并有效揭示细胞谱系组织及动态调控程序。
本文提出了名为 CASPA 的全自动单细胞蛋白质组学分析流程，通过整合自适应质控、熵引导批校正及结合结构化矛盾推理的大语言模型上下文感知注释，有效解决了现有方法在数据缺失、背景污染及细胞类型标注主观性等方面的局限，并在多个生物数据集上验证了其高准确性与可重复性。
本文介绍了一种名为 FLASH 的新型可解释深度学习框架，它直接利用原始测序数据，在超过 35,000 种细菌、真菌和病毒样本中实现了超越传统全基因组关联分析（GWAS）及现有方法的表型预测精度，能够识别未见过的变异并预测如噬菌体宿主范围等此前无法完成的任务。
该研究利用多品种参考面板，证实了超深度全基因组测序（ulcWGS）结合非线性回归模型，能够以低成本、高可靠性的方式准确估算不同血统犬只的近交系数和纯合子片段（RoH）。
本文提出了 DrugPlayGround 框架，旨在通过评估大语言模型在生成药物理化特征描述、预测协同作用、药物 - 蛋白相互作用及生理反应等方面的表现，并结合领域专家验证其推理能力，从而客观衡量其在药物发现全流程中的优势与局限。
该研究利用机器学习方法，通过分析奶酪加工过程中微生物群落的基因表达（元转录组数据），成功预测了最终挥发性化合物的代谢谱，并揭示了特定生化途径与基因特征之间的关联。
REBEL 是一个旨在解决生物信息学中长期可重复性和可访问性挑战的框架，它通过源代码深度检查、模糊匹配及保守依赖锁定等机制自动解析并归档显式系统级依赖，从而为研究人员提供无需容器化专业知识即可构建确定性、FAIR 合规计算环境的解决方案。