1250 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。
本研究通过计算机模拟筛选，发现印度药用植物（特别是印度人参）中的多种植物化合物对肠道α-葡萄糖苷酶表现出优于或媲美临床药物米格列醇的结合亲和力，且具有良好的药代动力学特性，提示其作为控制2型糖尿病餐后血糖的潜在候选药物。
本文介绍了 DartUniFrac，这是一种结合加权 Jaccard 相似性与草图算法、并借助 GPU 加速实现比现有技术快三个数量级的新算法，能够高效处理百万级样本和十亿级分类单元的大规模微生物组分析，且其结果与精确 UniFrac 方法在统计上无显著差异。
本文介绍了 RankMap，一种基于基因表达排序的高效 R 语言工具，它通过利用高表达基因的秩次信息并结合弹性网络正则化模型，实现了在单细胞和空间转录组数据中快速、稳健且可扩展的细胞类型注释。
该论文提出了一种名为 Pinc 的简单概率评分方法，通过将 AlphaFold 模型的预测对齐误差转换为条件接触概率，从而更灵敏地识别蛋白质相互作用界面并辅助实验验证。
该研究提出了一种结合转录组校正方法与深度表示学习的框架，通过利用多模态基础模型将细胞投影到共享嵌入空间，成功实现了跨样本、跨模态（形态、转录组及空间信息）的空间转录组数据对齐，显著优于传统批次校正方法并促进了保守细胞程序与空间生态位的发现。
该研究通过大规模基准测试发现，尽管 AlphaFold3 等先进 AI 方法能生成几何结构合理的抗体 - 抗原复合物，但其内部置信度评分无法有效区分正确的特异性结合与错误的非特异性配对，表明这些评分缺乏结合特异性的校准，需引入真实负样本进行验证。
该研究通过在 TCGA-BRCA 队列上对五种主流视觉基础模型进行系统性基准测试，发现经过领域对齐预训练的病理专用模型（如 Phikon）在从全切片图像预测基因表达方面显著优于通用编码器，从而为分子病理学中的模型选择提供了重要依据。
本文介绍了一种名为 MetaStrainer 的 Python 工具，它能够从短读长宏基因组数据中准确重建细菌菌株基因型、识别菌株数量并估算其相对丰度，其性能优于现有方法且对参考基因组的选择具有鲁棒性。
该研究提出了一种整合多种计算工具与机器学习模型的抗原发现流水线，通过分层过滤策略显著缩小了裂谷热病毒和马亚罗病毒的抗原搜索空间，并成功识别出 SARS-CoV-2 的保守中和表位，为应对新兴病毒威胁加速疫苗和疗法开发提供了有力框架。
本文介绍了名为 BoPep 的贝叶斯优化框架，该框架通过高效引导肽序列空间搜索并减少昂贵的对接评估，成功从多种来源（包括临床伤口液、人类蛋白质组及从头设计库）中识别出具有治疗潜力的新型肽结合物。