1243 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。
RNAGAN 是一款基于生成对抗网络的多功能人类 RNA-Seq 分析工具，它通过整合大规模公共数据集和专用通路神经层，仅需一次训练即可实现患者分层、疾病标志物分析、小样本伪数据生成及多尺度特征向量化，从而有效解决了传统 AI 在生物医学转录组研究中面临的解释性不足、样本量受限及计算资源消耗大等挑战。
本文提出了 TriGraphQA，一种通过构建单体与界面三重几何视图并引入接口上下文聚合模块，从而显著超越现有方法、实现蛋白质复合物结构质量评估的三重图学习框架。
GenBio-PathFM 是一款基于公开数据训练、参数量为 11 亿的状态最先进组织病理学基础模型，它通过自动化的数据多样化筛选流程与名为 JEDI 的双阶段学习策略，在显著减少训练数据需求的同时实现了超越现有模型的基准性能与鲁棒性。
该论文提出了一种针对 k-mer 超字符串及其掩码的帕累托优化方法，通过联合优化超字符串长度与掩码运行数，在压缩泛基因组 k-mer 集合时实现了比现有方法更优的压缩效果。
本文提出了通过物理信息多极聚合器（PIMA）高效建模非局域相互作用的 ViSNet-PIMA 模型，该模型不仅在多个生物分子数据集上超越了现有最先进力场，还通过集成到 AI2BMD 模拟程序中显著降低了蛋白质构象变化及折叠过程中的计算误差，从而推动了基于 AI 的从头算生物分子动力学模拟的发展。
本文提出了 RNASTOP 框架，通过结合深度学习与启发式搜索，显著提升了 mRNA 化学稳定性的预测精度并实现了序列优化，从而为加速 mRNA 治疗药物的开发提供了有力工具。
本研究利用分子对接和免疫信息学方法，通过筛选并评估疟原虫抗原与 T 细胞受体的相互作用，确定了 PfCyRPA、PfMSP10 和 PfCSP 为极具潜力的疟疾疫苗候选抗原，从而为疫苗设计提供了重要的计算生物学依据。
本研究通过整合多个转录组数据集的生物信息学分析与机器学习建模，揭示了维生素 D 代谢紊乱和慢性炎症是 frailty（衰弱）的核心分子特征，并鉴定出具有优异诊断性能的生物标志物，为衰弱的早期临床诊断和治疗靶点开发提供了新策略。
本文提出了 CLIPepPI，一种基于对比学习和结构信息的可扩展双编码器模型，它利用蛋白质语言模型和 LoRA 微调技术，仅通过正样本对即可高效预测结构域 - 肽段的特异性，并在多个基准测试及大规模蛋白质组学应用中展现出优越的泛化能力。
本文提出了可微分基因集富集分析（dGSEA），通过引入软排序、平滑累积及符号特异性归一化等可微技术，解决了转录组预测中基因级目标与通路级解释之间的目标失配问题，从而在不牺牲基因级性能的前提下显著提升了通路层面的预测一致性与稳定性。