Efficient Stochastic Trace Generation for Transcription
本文介绍了**bcrnnoise**，这是一个开源 Python 框架，它将确定性漂移、高斯波动和加性随机跳跃统一到一个随机微分方程模型中，从而能够高效生成准确的转录轨迹，其计算速度比精确随机采样快多达两个数量级。
💻 Category
bioinformatics
756 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。
SaVanache: indexing and visualizing pangenome variation graphs
SaVanache 是一种多分辨率可视化工具，它通过将 GFA 文件预处理为优化索引并利用专用字形来突出相对于线性枢轴基因组的结构变异，从而实现对复杂泛基因组变异图的高效实时探索与直观的一对多比较。
Striping artifact removal in VisiumHD data through nuclear counts modeling
本文提出了一种针对 10x Genomics VisiumHD 数据的统计去条纹方法，该方法利用细胞核分割和正则化广义线性模型对二项计数进行建模，在有效去除乘法条纹伪影的同时保留大尺度生物信号，其表现优于现有的归一化方法。
SLiMNet: a deep learning model to detect short linear motifs using protein large language model representations and paired inputs
本文介绍了 SLiMNet，这是一种深度学习模型，它利用蛋白质大语言模型嵌入和对比学习来预测短线性基序（SLiMs）之间的功能相似性，从而实现对先前未表征基序的功能注释，并为研究界提供潜在功能对的全面图谱。
ProtSpace: Protein Universe in Your Browser
ProtSpace 是一款注重隐私保护的浏览器端 Web 应用，它支持对蛋白质语言模型嵌入空间进行交互式可视化与系统性探索，通过集成三维结构查看与多标签注释，揭示超越传统序列相似性的复杂功能与结构关系。
Beyond Pathway Boundaries: A Degree-Aware Network Clustering Test for Gene Sets
该论文介绍了 MANGO，这是一种新颖的网络聚类方法，它通过基于度分布进行条件化校正基因集分析中的枢纽偏差，从而能够在不产生传统过度代表或朴素网络方法所固有的假阳性的情况下，稳健地检测出具有生物学意义的空间自相关。
geneSync: Gene Symbol Harmonization for Large-scale RNA-seq Data Integration
本文介绍了 geneSync，这是一个 R 语言软件包，它通过分层匹配策略和离线数据库解决大规模 RNA-seq 数据中的基因符号不一致问题，显著提升了跨数据集整合与特征重叠能力。
Simple baselines rival protein language models in mutation-dense design tasks
本文表明，在预测突变密集型蛋白质变体的效应方面，传统基线方法的性能与蛋白质语言模型相当或更优，这表明蛋白质语言模型需要与生物物理或结构先验知识相结合，才能有效推动蛋白质设计的发展。
PhenotypeToGeneDownloaderR: automated multi-source retrieval and validation of phenotype-associated genes
PhenotypeToGeneDownloaderR 是一个轻量级、可复现的 R/Python 流程，可自动化从多个异构生物数据库中检索、协调和验证与表型相关的基因，在实现高召回率的同时，证明了整合证据源对下游遗传分析的互补性。
Learning the Language of the Microbiome with Transformers
本文介绍了大规模微生物组预训练数据集Atlas以及Waypoint基础模型系列，并通过Compass基准测试证明，自监督预训练在多种微生物组预测任务中显著优于经典方法和现有模型。