768 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。
PhosSight 是一个统一的深度学习框架，通过引入 PhosDetect 模型精准预测肽段可检测性，有效解决了 DDA 和 DIA 模式下的数据缺失与搜索效率瓶颈，显著提升了磷酸化蛋白质组的鉴定深度并助力发现了如 MARK2 等新的预后激酶靶点。
FAMUS 是一种基于对比学习的大规模蛋白质功能注释框架，它通过将查询序列与隐马尔可夫模型数据库的相似性评分转化为低维向量空间，克服了传统单条最佳匹配方法的局限性，在多个数据库基准测试中显著优于现有工具，并提供便捷的软件包与网络服务器以支持大规模基因组分析。
本研究开发并发布了名为 SCL2205 的高质量蛋白质亚细胞定位数据集，该数据集通过严格的数据预处理和划分策略解决了现有数据泄漏问题，显著提升了深度学习模型的预测性能，并揭示了现有最先进方法中普遍存在的性能指标虚高现象。
本研究通过全原子分子动力学模拟揭示了肿瘤来源的 ASXL2 磷酸化表位如何通过重塑结合槽内的非共价相互作用网络并改变复合物构象动力学，从而增强其与 HLA 分子的结合亲和力及稳定性，为靶向癌症特异性磷酸化表位的免疫治疗提供了结构动力学依据。
本文介绍了由 NIH MorPhiC 联盟开发的 STAR Suite，这是一个通过人工智能辅助软件工程将转录组学功能直接集成到 C++ 源码中的现代化解决方案，旨在消除对中间文件的依赖并提升大规模数据处理性能。
该研究利用 EasiGP 流程在玉米开花性状上验证了集成基因组预测方法，证明其通过整合多个模型的互补优势与不同遗传变异维度，显著提升了预测精度并揭示了新的遗传变异见解，从而为作物育种中的个体选择提供了更优方案。
本文介绍了 ChatSpatial，这是一个基于模型上下文协议（MCP）和预验证工具模式的多平台智能体编排平台，它通过统一 Python 和 R 生态中的 60 多种空间转录组分析方法，实现了可复现、跨平台且无需手动编写代码的交互式分析工作流。
该研究通过系统基准测试发现，尽管血浆游离 RNA 的组织来源推断在不同数据集和条件下表现稳健，但细胞类型来源推断受方法和参考参数影响较大且一致性较差，从而为相关分析中的参考选择与结果解读提供了重要指导。
本文介绍了 Fractal 任务规范与平台，通过定义可互操作的 OME-Zarr 处理单元，实现了大规模生物显微图像的可扩展、模块化及可重复的 FAIR 分析工作流。
该研究利用 openSNP 数据集上的 80 种二元表型，系统评估了多种机器学习、深度学习算法及多基因风险评分工具的性能，发现机器学习在 44 种表型上表现更优，而多基因风险评分工具在其余 36 种表型上更具优势。