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。
本文介绍了 Looplook，这是一款开源 R 语言工具包，旨在通过整合连通分量聚类与转录组感知优化算法，从复杂的染色质相互作用数据中构建高置信度的空间调控网络，从而有效解决远端顺式调控元件与靶基因关联中的假阳性问题并实现功能注释。
该论文通过基准测试七种不确定性感知模型，展示了利用高斯神经网络集成进行不确定性量化如何有效识别分布外输入、显著降低预测误差，并支持基于不确定性的活性学习及基因特征分析，从而提升癌症细胞系药物反应预测的可靠性与临床应用价值。
SegBio 是一款面向非专家用户的轻量级开源端到端工具包，通过交互式标注、可配置训练及人机回环修正流程，实现了拥挤生物样本（如线虫）的高效实例分割与表型量化。
ProMaya 是一种创新的层级通用深度学习框架，通过整合 3D 原子几何、电子分布、残基结构、表面质量密度及蛋白质语言模型嵌入等多尺度信息，在跨物种的大规模基准测试中实现了超过 95% 的准确率并显著优于现有工具，从而为可解释且高效的蛋白质相互作用识别提供了强大支持。
本文提出了 XAttn-DTA 框架，通过结合图注意力网络编码药物分子图、利用 ESM2 预测接触图构建蛋白质残基图，并引入双向交叉注意力融合机制，在不依赖实验结构数据的情况下显著提升了药物 - 靶标亲和力的预测精度及在冷启动场景下的泛化能力。
BABAPPASnake 是一个集成的可重复工作流，旨在通过整合正交群构建、多引擎比对、系统发育推断及分支位点检测等步骤，并生成多路径稳健性摘要，来解决间歇性选择分析中工具链碎片化及敏感性追踪困难的问题。
本文提出了一种名为 RAMBO 的无监督分析流程，利用聚类与共识生成技术，无需依赖参考数据库即可从牛津纳米孔测序的混合扩增子中高精度区分微小变异，从而有效解决 DNA 条形码分析中的假基因和污染物干扰问题。
该研究开发了贝叶斯算法 BayesMonSTR，在单细胞分辨率下揭示了人类组织（尤其是衰老神经元）中嵌合微卫星突变的积累模式及其在转录调控区域的富集特征，为探索发育与衰老过程中的基因组变异及疾病关联奠定了基础。
该研究揭示了癌症药物反应预测中普遍存在的数据泄露问题，指出在交叉验证前进行监督特征筛选会人为夸大模型准确率并导致生物标志物发现失真，且经审计发现大量已发表方法均受此影响。
该研究通过整合四种不同来源的转录组数据，揭示了获得性免疫检查点阻断耐药性中存在一种保守的“炎症 - 增殖悖论”，即肿瘤在维持干扰素-γ驱动的炎症信号的同时激活细胞周期程序，并鉴定出连接炎症调节因子与增殖驱动因子的保守转录调控网络，为克服耐药性提供了系统级的联合治疗策略框架。