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。

本研究引入了 EcoNet，这是一个通过对结构化肿瘤微环境生态系统和信号网络进行建模的深度学习框架，该框架在预测免疫治疗反应方面显著优于现有方法，并已通过其识别生物相关基因程序以及在透明细胞肾细胞癌中分层临床结果的能力得到了验证。

BioMod 是一个拥有 5000 万参数的单细胞基础模型，它通过将细胞转化为具有生物学意义的重叠模块而非单个基因，从而提高了表征效率和性能，在细胞类型注释和扰动预测等任务中实现了最先进的结果，同时能够在单个 GPU 上进行高效推理。

本文引入了一种可解释的高斯随机场框架，用于纵向成分数据的多重插补，该框架能有效处理缺失样本、时间依赖性和零膨胀问题，并展示了其在重建肠道微生物组轨迹以改善食物过敏和产后抑郁症预测方面的实用性。

AmyloCore-ML 是一种新型的基于序列的预测器，它利用蛋白质语言模型嵌入（特别是 ESM-2）来准确识别结构解析的淀粉样纤维核心区域，其性能优于 CrossBeta 和 AggrescanAI 等现有工具。

本研究提出了 MtbAIM，这是一个由 AI/ML 驱动的平台，该平台利用多样化的分子表征和基于树的算法，来准确预测小分子对药物敏感型和耐药型结核分枝杆菌分离株的活性及最低抑菌浓度。

作者提出了一种增强型的、无需比对的 Xengsort 工具版本，该工具能够针对患者来源的异种移植模型（PDX）进行表观遗传图谱分析，实现对 DNA 读取序列按物种进行高效且准确的分离，并在计算效率方面优于现有方法。

本文通过证明 1998 年提出的一个人类肠道吸收模型的原始性能依赖于一次幸运的数据划分，重新审视了该模型，并随后利用遗传算法选择的描述符集和随机森林，通过 250 次分层提取，建立了更具鲁棒性且基于共识的肠道吸收及各种渗透性测定预测模型。

GenDiMug 是一个新颖的多图框架，它通过使用网络模型来整合多组学数据并分析多尺度下的基因组组织，从而克服了线性基因组表示的局限性，揭示了诸如基因表达聚集和昼夜节律调节等结构模式。

本研究采用整合的*in silico*减法基因组学与反向疫苗学工作流程，旨在将外膜蛋白OMP47和LptD鉴定为针对多杀性巴氏杆菌（*Pasteurella multocida*）Pm70的双重药物与疫苗靶点，并最终设计出一种安全且高抗原性的多表位疫苗构建体。

本文介绍了 kitAb，这是一个开源、计算高效的框架，它能够生成 59 个具有可解释性的描述符，用于可扩展且特定于测定的抗体可开发性建模，并揭示了大规模天然和治疗性抗体库之间系统性的理化差异。