bioinformatics 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 Cenote-Taker 3 这一命令行工具，它通过集成病毒发现、前噬菌体提取及基因注释模块，能够高效、准确地从基因组或宏基因组组装数据中识别病毒并注释其基因，且在速度和精度上优于多数同类工具。

本文报道了一种基于生成式扩散模型和分子动力学模拟的全计算流程，成功从头设计并验证了一种靶向 SpCas9 非催化表位的高亲和力 VHH 纳米抗体，该纳米抗体可作为双价枢纽架构招募效应分子，从而增强 CRISPR-Cas9 系统的功能。

本研究通过基准测试四种生成式 AI 工具（RFdiffusion、BindCraft、PepMLM 和 RFpeptides），成功设计出针对软骨再生关键靶点 BMPR1A 的高亲和力候选肽，并确立了包含物理能量评分与接触复现度评估的可重复计算框架，为后续实验验证提供了优选分子。

本文介绍了 CBIcall，这是一个基于配置的开源框架，旨在通过单一 YAML 文件标准化并自动化从原始测序数据到变异检测结果的流程，从而解决大规模多中心基因组研究中因软件环境差异导致的流程不一致和结果不可复现问题。

该研究提出了一种名为 CoMPLip 的免训练方法，通过在 AlphaFold 3 预测过程中将膜蛋白与脂质分子共折叠以显式构建膜环境，显著提升了膜蛋白结构预测的准确性，包括配体姿态预测、跨膜结构域分离及多构象态采样。

本文介绍了 Deconomix，这是一个功能全面的 Python 工具包及图形界面，旨在通过机器学习优化基因权重、推断背景贡献及解析细胞类型特异性基因调控，从而从异质性批量转录组数据中精确反演细胞组成。

该研究提出了一种基于机器学习的通用模型，通过从精简数据中学习非共价相互作用原理，成功实现了对全新化学物质的药物 - 受体相互作用预测，从而弥补了传统结构生物学方法在理性药物设计中的不足。

FlashDeconv 通过结合杠杆得分重要性采样与稀疏空间正则化，实现了在标准笔记本电脑上对百万级空间转录组数据的高效、高精度去卷积分析，不仅揭示了组织特异性分辨率阈值，还首次量化了 Tuft 细胞化学感应生态位并发现了传统方法无法识别的肿瘤免疫微域。

该研究开发了基于人工智能的 Col-Ovo 系统，利用智能手机图像在无需预处理的情况下实现对真实野外环境中伊蚊卵的快速自动计数，将单样本处理时间从 15 分钟缩短至 3 秒以内，从而有效解决了大规模蚊卵监测中的人工计数瓶颈。

本文提出了 PACMON，一种基于贝叶斯潜在因子模型的框架，它通过结构化稀疏先验将多组学扰动数据与已知生物通路对齐，从而在大规模单细胞扰动筛选中实现了对通路程序及其受扰动调控的可解释、可扩展且统一的解析。