1018 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。
该论文介绍了 anndataR 包，它通过支持在 R 中直接读写 HDF5 格式的 AnnData 文件、实现与 SingleCellExperiment 或 Seurat 对象的转换以及确保跨语言兼容性，显著提升了单细胞转录组学数据在 R 和 Python 生态之间的互操作性。
该研究通过构建包含最新文献证据且规模翻倍的标准化哺乳动物病毒宿主数据集，评估了多种机器学习模型在预测病毒宿主感染方面的性能，发现扩大宿主分类层级（如哺乳动物）和减少训练集与测试集间的系统发育距离能显著提升预测准确率，但在跨病毒科预测时模型表现接近随机水平，表明病毒宿主预测在缺乏共同祖先的情况下难以实现良好的泛化。
本文提出了 MiRformer，这是一种基于双 Transformer 编码器和滑动窗口注意力机制的统一生成框架，能够直接从原始序列中学习长 mRNA 上下文中的 miRNA 相互作用模式，在实现高精度结合位点定位与降解位点识别的同时，生成具有生物学意义的靶标特异性 miRNA 序列。