论文速读 · 2026-05-27

抓取窗口：2026-05-21 ~ 2026-05-27 共 30 篇

📚 目录#

arXiv q-bio（10 篇）
bioRxiv（10 篇）
PubMed（10 篇）

arXiv q-bio#

1. ESL-PSC Toolkit: a graphical software environment for linking shared genetic changes to convergent phenotypes ↗#

作者：John B. Allard, Sudhir Kumar
发表日期：2026-05-26
分类：q-bio.PE
Paper ID：arxiv:2605.27677v1

核心贡献#

开发了 ESL-PSC Toolkit，一个带 GUI 的集成分析环境，用于将共享遗传变异与趋同表型关联起来。后端用 Rust 重写，性能大幅提升，支持跨平台打包发布。

技术栈#

语言/框架：Rust（后端）、Python（旧版）
模型/算法：ESL-PSC（Evolutionary Sparse Learning with Paired Species Contrast）
关键库与工具：未提及
数据集：未提及
开源情况：已开源，GitHub 提供 Mac/Windows/Linux 预编译包

上手难度#

前置知识：系统发育比较方法、趋同进化理论
算力需求：低至中等：普通 8–16 核 CPU、16–32GB RAM 可运行单样本或交互式分析；批量 workflow 建议 32–64GB RAM 和任务队列，无需专用 GPU（推算，依据：数据库查询/生信 pipeline）
复现成本：容易（有 GUI + 预编译包 + 开源）
适合谁读：进化生物学家、系统发育研究者

一句话总结#

ESL-PSC图形化并加速趋同进化稀疏学习分析。

2. You Are in Control of Your State: Why Human Outcomes Are Controllable Through Causal State Intervention ↗#

作者：Suraj Biswas, Saurav Gupta, Pritam Mukherjee
发表日期：2026-05-26
分类：cs.AI, q-bio.NC
Paper ID：arxiv:2605.27580v2

核心贡献#

提出”状态干预”理论框架：人的行为可变性源于动态潜在状态（time-indexed weighting vector），通过对状态轨迹的因果干预可实现行为结果的精确控制。基于 20 万+用户 24 个月的观察数据支撑。

技术栈#

语言/框架：未提及
模型/算法：因果推断、预测加工（predictive processing）、异稳态（allostasis）
关键库与工具：未提及
数据集：自建行为平台数据，覆盖 4 种职业角色，20 万+用户，2023-2026
开源情况：未提及

上手难度#

前置知识：因果推断、计算精神病学、时间生物学
算力需求：低至中等：8–16 核 CPU、16–32GB RAM 可完成统计拟合、传统 ML 与交叉验证；样本量在数百至数千时通常数分钟至数小时，无需专用 GPU（推算，依据：统计/传统机器学习分析）
复现成本：困难（数据未公开，理论框架需大量领域知识）
适合谁读：行为科学研究者、AI 个性化方向研究员

一句话总结#

因果状态干预框架刻画行为结果可控性。

3. Cycle Based Computational Pipeline for Extracting Instantaneous Whisking Frequency ↗#

作者：Guanghui Li, Fangyuan Li, Barbara Lykke Lind, Rune W Berg
发表日期：2026-05-26
分类：q-bio.QM
Paper ID：arxiv:2605.27573v1

核心贡献#

提出基于周期的胡须运动瞬时频率提取方法（cycle-by-cycle），相比传统功率谱分析能捕捉更高的时间分辨率和频率瞬变。包含伪影剔除模块（ripple exclusion validator）。

技术栈#

语言/框架：未提及
模型/算法：功率谱分析（对比基线）、峰值/谷值检测、周期提取
关键库与工具：markerless whisker tracking
数据集：自发胡须运动记录
开源情况：未提及

上手难度#

前置知识：神经科学、信号处理、啮齿动物行为学
算力需求：低至中等：普通 8–16 核 CPU、16–32GB RAM 可运行单样本或交互式分析；批量 workflow 建议 32–64GB RAM 和任务队列，无需专用 GPU（推算，依据：数据库查询/生信 pipeline）
复现成本：中等（方法清晰，但需自建实验数据）
适合谁读：感觉运动神经科学研究者

一句话总结#

用逐周期法替代功率谱，让胡须频率估计达到瞬时级时间分辨率。

4. Beyond Binary: Speech Representations Across the Cognitive Score Hierarchy ↗#

作者：Serli Kopar, Roshan Prakash Rane, Christian Mychajliw, Lydia Federmann, Gerhard Eschweiler, Daniela Berg 等
发表日期：2026-05-26
分类：cs.CL, cs.LG, cs.SD, eess.AS, q-bio.NC
Paper ID：arxiv:2605.27189v1

核心贡献#

研究轻度认知障碍（MCI）中语音表征与认知评分层级的关系。发现自监督学习（SSL）嵌入在低层级任务上优于手工特征，但在 MCI 分类上趋势反转。揭示了任务约束与评估层级的交互效应。

技术栈#

语言/框架：未提及
模型/算法：自监督学习（SSL）嵌入、手工声学特征
关键库与工具：德语神经心理学评估录音数据集
数据集：5,754 条德语神经心理学评估录音
开源情况：未提及

上手难度#

前置知识：语音处理、认知神经科学、自监督学习
算力需求：中高：模型训练预计需 1–2 张 16–24GB GPU、32–64GB RAM；若仅运行 tree-based model 可退化到 8–16 核 CPU，完整交叉验证通常耗时数小时至 2 天（推算，依据：机器学习/深度学习训练）
复现成本：中等（需德语临床数据，SSL 模型需 GPU）
适合谁读：临床语音分析、认知障碍研究者

一句话总结#

MCI分类中手工语音特征优于SSL嵌入。

5. Logistic dynamics of small populations with demographic stochasticity ↗#

作者：Lucas M. Brugevin, Damián H. Zanette
发表日期：2026-05-26
分类：q-bio.PE
Paper ID：arxiv:2605.27100v1

核心贡献#

研究受生态学启发的小种群随机动力学模型。发现活动期呈现显著双峰性：短活动期种群极小，长活动期接近容量上限。进一步在三类随机网络上分析了空间聚类对种群增长的影响。

技术栈#

语言/框架：未提及
模型/算法：Logistic 增长模型、随机过程（birth-death-immigration）、网络模型（Erdős-Rényi、规则、地理网络）
关键库与工具：未提及
数据集：数值模拟
开源情况：未提及

上手难度#

前置知识：随机过程、种群动力学、网络科学
算力需求：中等：单次模型求解预计用 8–32 核 CPU、32–64GB RAM；参数扫描或 ensemble simulation 建议 HPC 并行，通常耗时数小时至数天，GPU 不是必需（推算，依据：动力学/PDE/随机模拟）
复现成本：容易（理论模型，解析+数值模拟可复现）
适合谁读：理论生态学家、复杂系统研究者

一句话总结#

小种群Logistic动态呈存活与灭绝双峰。

6. Probabilistic Recurrent Intention Switching Model ↗#

作者：Wenyuan Sheng, Hao Zhu, Joschka Boedecker
发表日期：2026-05-26
分类：cs.LG, q-bio.NC
Paper ID：arxiv:2605.26998v1

核心贡献#

提出 PRISM（Probabilistic Recurrent Intention Switching Model），用轻量循环网络替代马尔可夫链建模多意图切换的逆强化学习。EM 算法的 E-step 有 O(nK) 闭式解。在 gridworld、mouse labyrinth、BridgeData V2 机器人操控上取得最优 held-out log-likelihood。

技术栈#

语言/框架：未提及
模型/算法：逆强化学习（IRL）、循环神经网络（RNN）、EM 算法、最大熵 IRL
关键库与工具：未提及
数据集：BridgeData V2（机器人操控）、mouse labyrinth、gridworld
开源情况：未提及

上手难度#

前置知识：逆强化学习、EM 算法、序列建模
算力需求：中等：单次模型求解预计用 8–32 核 CPU、32–64GB RAM；参数扫描或 ensemble simulation 建议 HPC 并行，通常耗时数小时至数天，GPU 不是必需（推算，依据：动力学/PDE/随机模拟）
复现成本：中等（方法有闭式解，但需理解 IRL 框架）
适合谁读：机器人学习、行为建模研究者

一句话总结#

RNN意图切换模型让IRL推断更快更准。

7. Signal-to-Noise Ratio and Sample Size Govern Representational Alignment in Neural Networks ↗#

作者：Ali Hussaini Umar, Alessandro Laio
发表日期：2026-05-26
分类：stat.ML, cond-mat.dis-nn, cs.LG, cs.NE, q-bio.NC
Paper ID：arxiv:2605.26973v1

核心贡献#

系统研究信噪比（SNR）和训练样本量对神经网络表征对齐的影响。发现对齐度随 SNR 单调变化，但随样本量非单调变化——在内插阈值附近对齐度最低。更强对齐不一定对应更好泛化。

技术栈#

语言/框架：未提及
模型/算法：线性网络（解析分析）、非线性网络、回归与分类任务
关键库与工具：未提及
数据集：合成数据 + 真实数据集
开源情况：未提及

上手难度#

前置知识：深度学习理论、表征学习、统计学习理论
算力需求：中高：模型训练预计需 1–2 张 16–24GB GPU、32–64GB RAM；若仅运行 tree-based model 可退化到 8–16 核 CPU，完整交叉验证通常耗时数小时至 2 天（推算，依据：机器学习/深度学习训练）
复现成本：中等（理论分析清晰，实验设置线性网络可解析复现）
适合谁读：深度学习理论研究者、表征学习方向

一句话总结#

样本量增加不保证神经表征更对齐。

8. Oxygenation and spatial heterogeneity shape radiotherapy protocol ranking through phenotypic adaptation ↗#

作者：Francesco Albanese, Giulia Chiari, Marcello Edoardo Delitala
发表日期：2026-05-26
分类：q-bio.TO, q-bio.PE
Paper ID：arxiv:2606.04004v1

核心贡献#

构建整合空间氧动力学与表型适应的数学模型，系统比较放疗分次方案。发现中度缺氧条件下延长分次间隔可大幅增加进展时间（最长达两倍）；氧源空间分布显著影响方案排名。

技术栈#

语言/框架：未提及
模型/算法：数学肿瘤模型（空间氧扩散 + 表型适应动力学）、分次放疗模拟
关键库与工具：未提及
数据集：数值模拟
开源情况：未提及

上手难度#

前置知识：数学肿瘤学、放疗生物学、反应扩散方程
算力需求：中等：单次模型求解预计用 8–32 核 CPU、32–64GB RAM；参数扫描或 ensemble simulation 建议 HPC 并行，通常耗时数小时至数天，GPU 不是必需（推算，依据：动力学/PDE/随机模拟）
复现成本：中等（模型有完整数学描述，但需领域知识验证参数）
适合谁读：放疗方案设计者、数学肿瘤学研究者

一句话总结#

氧分布和表型适应可改变放疗方案排序。

9. BIRDS: Characterizing and Understanding Biodiversity Impact of Large Language Model Serving ↗#

作者：Tianyao Shi, Yi Ding
发表日期：2026-05-26
分类：q-bio.OT, cs.AI, cs.CY
Paper ID：arxiv:2605.27480v2

核心贡献#

提出 BIRDS 框架，量化 LLM 推理服务对生物多样性的影响（超越碳排放和水足迹）。引入 Quality-Normalized Biodiversity Impact (QNBI) 指标，兼顾生态影响和回答质量。

技术栈#

语言/框架：未提及
模型/算法：LLM 推理（多种模型/GPU/区域对比）、生命周期评估
关键库与工具：未提及
数据集：多种 LLM 工作负载
开源情况：未提及

上手难度#

前置知识：LLM 推理、环境影响评估、生物多样性指标
算力需求：未提及
复现成本：中等（框架需自建，需多区域生态数据库）
适合谁读：绿色 AI 研究者、LLM 部署决策者

一句话总结#

BIRDS联合评估LLM回答质量与生态代价。

10. Similarity-based representation factorization for revealing interpretable dimensions in representational data ↗#

作者：Florian P. Mahner, Ka Chun Lam, Francisco Pereira, Martin N. Hebart
发表日期：2026-05-26
分类：cs.CV, q-bio.NC
Paper ID：arxiv:2605.26921v3

核心贡献#

提出 Similarity-Based Representation Factorization (SRF)，从相似度矩阵中恢复低维、非负、可解释的表征维度。适用于神经科学、心理学、AI 领域的多种表征数据，支持稀疏采样和不完整数据。

技术栈#

语言/框架：未提及
模型/算法：非负矩阵分解（NMF）类方法、相似度矩阵分解
关键库与工具：未提及
数据集：多种神经、行为、计算数据集
开源情况：未提及

上手难度#

前置知识：表征相似性分析（RSA）、矩阵分解、认知神经科学
算力需求：低至中等：8–16 核 CPU、16–32GB RAM 可完成统计拟合、传统 ML 与交叉验证；样本量在数百至数千时通常数分钟至数小时，无需专用 GPU（推算，依据：统计/传统机器学习分析）
复现成本：中等（方法有完整描述，但需要具体数据集领域知识）
适合谁读：神经科学表征研究者、计算认知科学家

一句话总结#

相似度矩阵分解获得稀疏数据的可解释维度。

bioRxiv#

1. misosoup: A metabolic modeling tool for identifying minimal microbial communities provides valuable insights into microbial ecology and biotechnological applications ↗#

作者：Ochsner, N., San Roman, M., Jimenez-Fernandez, A., Bonhoeffer, S., Pascual-Garcia, A.
发表日期：2026-05-25
分类：bioinformatics
Paper ID：biorxiv:10.1101/2025.08.07.669121

核心贡献#

开发 misosoup，一个用于识别最小微生物群落的 Python 代谢建模工具。通过基因组规模约束代谢模型系统鉴定互养驱动的群落，实验验证了已知合作关系，并在 60 种海洋微生物上展示了交叉喂养驱动的生态位扩张。

技术栈#

语言/框架：Python
模型/算法：基因组规模代谢模型（GEM）、约束优化（FBA）
关键库与工具：misosoup（自研 Python 包）
数据集：60 种海洋微生物基因组
开源情况：作为 Python 包发布（misosoup）

上手难度#

前置知识：代谢建模、微生物生态学、约束优化
算力需求：中等：预计需 16–32 核 CPU、32–128GB RAM；大规模 alignment、phylogeny 或 network reconstruction 适合按样本并行，运行数小时至数天（推算，依据：进化/网络生物信息学分析）
复现成本：容易（有 Python 包，需基因组数据）
适合谁读：微生物生态学家、合成生物学研究者

一句话总结#

代谢模型确定维持生长所需的最小菌群。

2. Read-Consistent Minimum Unique Substrings: A Parameter-Free, Linear-Time Framework for Genomic Sequence Representation ↗#

作者：Adu, A. F., Menkah, E. S., Amoako-Yirenkyi, P., Pandam Salifu, S.
发表日期：2026-05-25
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.02.28.708734

核心贡献#

提出最小唯一子串（MUS）替代固定长度 k-mer 进行基因组序列表示。MUS 长度自适应基因组复杂度，无需预设参数。仅用平均 36 bp 即可实现 100% 唯一位置覆盖，而 k=61 的 k-mer 仅 69.4%。

技术栈#

语言/框架：未提及
模型/算法：广义后缀树（线性时间算法 O(n)）、最小唯一子串理论
关键库与工具：未提及
数据集：E. coli K-12、人类 11 号染色体
开源情况：未提及

上手难度#

前置知识：字符串算法、后缀树/后缀数组、基因组组装
算力需求：中高：预计需 16–32 核 CPU、64–128GB RAM 和数百 GB 临时存储；大队列 assembly、alignment 或 variant analysis 建议使用 HPC 并行运行数小时至数天（推算，依据：大规模基因组/测序数据处理）
复现成本：中等（后缀树有成熟实现，但 MUS 提取算法需自建）
适合谁读：生物信息学算法研究者、基因组组装方向

一句话总结#

MUS用变长单元提升基因组表示精度。

3. Developmental patterning of adipose tissue by abd-A and Abd-B homeotic genes in Drosophila melanogaster ↗#

作者：Hemba-Waduge, R., Liu, M., Li, X., Budslick, E., Bondos, S., Maggert, K. A. 等
发表日期：2026-05-25
分类：genetics
Paper ID：biorxiv:10.64898/2026.05.22.727268

核心贡献#

揭示果蝇腹部脂肪体异质性的转录调控机制。发现 abd-A 和 Abd-B 同源异型基因通过顺式调控元件和特定转录因子（Lola、Prg 等）构建反馈回路，并由 Wnt 信号调节，共同决定脂肪组织区域特化。

技术栈#

语言/框架：未提及
模型/算法：酵母单杂交筛选、CUT&RUN、精细定位分析
关键库与工具：未提及
数据集：果蝇幼虫脂肪体
开源情况：未提及

上手难度#

前置知识：果蝇遗传学、发育生物学、转录调控
算力需求：低（计算部分）：普通 8 核 CPU、16–32GB RAM 可完成统计、作图与常规序列分析，无需 GPU；主要资源消耗来自实验仪器、样本和重复验证（推算，依据：实验为主的研究设计）
复现成本：困难（大量遗传学实验、转基因果蝇构建）
适合谁读：发育生物学家、脂肪组织研究者

一句话总结#

Hox转录反馈与Wnt共同分区果蝇脂肪组织。

4. In vitro-reconstituted Drosophila Arc capsids deliver gene editors to dystrophic muscle ↗#

作者：Lash, B., Strebinger, D., Segel, M., Vo, S., Delong, K., Pham, J. 等
发表日期：2026-05-25
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.05.25.727180

核心贡献#

首次用纯化重组蛋白+体外转录 RNA 重构果蝇 dArc1 逆转录元件衣壳，实现完全体外组装的蛋白纳米颗粒递送系统。发现 dArc1 通过 SORCS2 受体进入哺乳动物细胞，在 mdx 小鼠肌内注射实现 18% 外显子跳跃和 dystrophin 恢复。

技术栈#

语言/框架：未提及
模型/算法：Cas9 基因编辑、体外蛋白重组
关键库与工具：dArc1 衣壳蛋白、SORCS2 受体
数据集：mdx 小鼠（Duchenne 肌营养不良模型）
开源情况：未提及

上手难度#

前置知识：蛋白化学、基因递送、肌肉生物学
算力需求：低（计算部分）：普通 8 核 CPU、16–32GB RAM 可完成统计、作图与常规序列分析，无需 GPU；主要资源消耗来自实验仪器、样本和重复验证（推算，依据：实验为主的研究设计）
复现成本：困难（需蛋白表达纯化、体外组装、动物实验全链路能力）
适合谁读：基因治疗研究者、药物递送方向

一句话总结#

果蝇逆转录元件衣壳可递送基因编辑器。

5. Roles for Phosphatase PP4 in Rhythmicity and Compensation in the Neurospora Circadian System ↗#

作者：Mehalow, A. K., Wang, Z., Gerber, S. A., Loros, J. J., Dunlap, J. C.
发表日期：2026-05-25
分类：genetics
Paper ID：biorxiv:10.64898/2026.05.23.726942

核心贡献#

揭示磷酸酶 PP4 在脉孢菌昼夜节律中的作用。pp4 缺失导致周期缩短并破坏温度和营养补偿。鉴定 PP4 为异源三聚体全酶，发现 HSP40 分子伴侣 NCU07414 为其新结合伙伴，二者协同调控节律周期。

技术栈#

语言/框架：未提及
模型/算法：质谱筛选、蛋白质相互作用分析
关键库与工具：质谱（mass spectrometry）
数据集：脉孢菌（Neurospora crassa）突变株
开源情况：未提及

上手难度#

前置知识：昼夜节律生物学、磷酸酶/激酶信号、真菌遗传学
算力需求：中等：原始谱图处理、峰提取和统计建模预计需 8–16 核 CPU、32–64GB RAM；常规模型无需 GPU，数百样本批处理通常耗时数小时（推算，依据：质谱组学数据分析）
复现成本：困难（需真菌遗传学实验体系和质谱设备）
适合谁读：时间生物学研究者、磷酸化信号研究者

一句话总结#

PP4调控生物钟周期及温度和营养补偿。

6. Carbon: Decoding the Language of Life ↗#

作者：Allal, L. B., Li, Q., Fiusco, M., Tunstall, L., Rasul, K., Beeching, E. 等
发表日期：2026-05-25
分类：genomics
Paper ID：biorxiv:10.64898/2026.05.22.727119

核心贡献#

发布 CARBON 系列 DNA 语言模型（3B 和 8B 参数），用 6-mer 分词和分阶段训练目标（CE→FNS）适配基因组特性。3B 模型在零样本评估中与 7B 的 Evo2 竞争，8B 模型在长上下文检索上全面超越，推理速度快数十倍。

技术栈#

语言/框架：未提及
模型/算法：Decoder-only Transformer、6-mer tokenization、分阶段训练（CE→FNS）
关键库与工具：未提及
数据集：多物种基因组数据（annotation-aware 数据策展）
开源情况：模型、数据、训练代码、评估套件全部开源

上手难度#

前置知识：基因组学、Transformer 架构、DNA 序列建模
算力需求：未提及
复现成本：中等（代码+模型全开源，但训练成本高；直接用预训练模型推理成本低）
适合谁读：计算基因组学研究者、DNA 基础模型方向

一句话总结#

CARBON定制DNA分词，以小模型匹敌大模型。

7. Regulation of the histone H3K36 methyltransferase Set2 by the histone chaperone Spt6 ↗#

作者：Elchert, A. R., Lux, V., Warner, J. L., Nesporova, T., Veverka, V., Winston, F.
发表日期：2026-05-25
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.05.21.726836

核心贡献#

揭示组蛋白分子伴侣 Spt6 如何解除 Set2 甲基转移酶的自抑制。遗传和生化实验证明 Set2 AID 结构域与催化结构域直接互作维持自抑制态，Spt6 结合释放此抑制，激活 H3K36 甲基化。

技术栈#

语言/框架：未提及
模型/算法：RNA-seq、ChIP-seq、遗传突变分析、生物物理实验
关键库与工具：未提及
数据集：酿酒酵母（S. cerevisiae）
开源情况：未提及

上手难度#

前置知识：表观遗传学、组蛋白修饰、染色质生物学
算力需求：低（计算部分）：普通 8 核 CPU、16–32GB RAM 可完成统计、作图与常规序列分析，无需 GPU；主要资源消耗来自实验仪器、样本和重复验证（推算，依据：实验为主的研究设计）
复现成本：困难（需大量酵母遗传学和生化实验）
适合谁读：表观遗传学研究者、转录调控方向

一句话总结#

Spt6解除Set2自抑以启动H3K36甲基化。

8. Highly Constrained Kinetic Models for Single-Cell Gene Expression Analysis ↗#

作者：Cho, H. J., Bohrer, C. H., Trzaskoma, P., Kim, J. M., Pekowska, A., Casellas, R. C. 等
发表日期：2026-05-25
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.05.22.727214

核心贡献#

提出整合 scRNA-seq 和单分子追踪（SMT）数据的基因转录动力学模型。发现 3 态模型比广泛使用的 2 态模型更适合大部分基因，并具有动力学校对（kinetic proofreading）特性。识别出两个跨基因保守的无量纲量。

技术栈#

语言/框架：未提及
模型/算法：随机转录模型（2态/3态）、动力学校对（kinetic proofreading）、参数拟合
关键库与工具：单分子追踪（SMT）、scRNA-seq
数据集：小鼠 B 细胞 scRNA-seq 和 SMT 数据
开源情况：未提及

上手难度#

前置知识：转录动力学、随机过程、单细胞数据分析
算力需求：中高：预处理与整合预计需 16–32 核 CPU、64–128GB RAM；若训练 VAE/GNN 等深度模型，建议 1 张 24GB GPU，数万细胞规模通常需数小时至 1 天（推算，依据：single-cell/spatial/multi-omics 数据）
复现成本：中等（需多模态实验数据，但模型框架清晰）
适合谁读：转录调控研究者、单细胞生物学家

一句话总结#

三态转录模型以动力学校对实现细胞质量控制。

9. Activator-binding domains are required but insufficient for Med15 recruitment to UAS, revealing a critical role for its disordered C-terminus in directing genome targeting ↗#

作者：Cohen, A., Bugis, J., Mindel, V., Yaakov, G., Barkai, N.
发表日期：2026-05-25
分类：genomics
Paper ID：biorxiv:10.64898/2026.05.24.727475

核心贡献#

发现 Mediator 复合物亚基 Med15 的招募机制并非仅靠 ABD-TF 互作——其内在无序 C 端对基因组靶向至关重要。提出双重机制：ABD 负责 TF 依赖的初步招募，C 端通过 Med2/Med3 稳定结合。

技术栈#

语言/框架：未提及
模型/算法：基因组定位分析（ChIP-seq 类）、突变分析
关键库与工具：未提及
数据集：酿酒酵母全基因组
开源情况：未提及

上手难度#

前置知识：转录调控、Mediator 复合物、酵母遗传学
算力需求：低（计算部分）：普通 8 核 CPU、16–32GB RAM 可完成统计、作图与常规序列分析，无需 GPU；主要资源消耗来自实验仪器、样本和重复验证（推算，依据：实验为主的研究设计）
复现成本：困难（需大量酵母遗传学实验）
适合谁读：转录调控研究者、分子生物学方向

一句话总结#

Med15由ABD识别位点、无序尾部稳定结合。

10. HiCPotts: An R/Bioconductor package to identify significant interactions in chromosome conformation capture data and model sources of biases. ↗#

作者：Osuntoki, I. G., Harrison, A. P., Dai, H., Bao, Y., Zabet, N. R.
发表日期：2026-05-25
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.05.21.726529

核心贡献#

发布 HiCPotts R/Bioconductor 包，用隐马尔可夫随机场模型+近似贝叶斯计算检测 Hi-C/micro-C 中的显著染色质互作。相比前作 ZipHiC 及其他方法，假阳性更低、真互作恢复率更高。

技术栈#

语言/框架：R
模型/算法：隐马尔可夫随机场（HMRF）、近似贝叶斯计算（ABC）、零膨胀负二项分布（ZINB）
关键库与工具：Bioconductor 生态
数据集：Hi-C / micro-C 数据
开源情况：已发布至 Bioconductor

上手难度#

前置知识：染色质构象捕获数据分析、贝叶斯统计
算力需求：中高：预计需 16–32 核 CPU、64–128GB RAM 和数百 GB 临时存储；大队列 assembly、alignment 或 variant analysis 建议使用 HPC 并行运行数小时至数天（推算，依据：大规模基因组/测序数据处理）
复现成本：容易（Bioconductor 包，有文档，输入标准 Hi-C 数据即可）
适合谁读：3D 基因组研究者、染色质互作分析方向

一句话总结#

HiCPotts以贝叶斯随机场降低Hi-C假阳性。

PubMed#

1. Precision and network medicine in cardiovascular prevention and disease. ↗#

作者：Arvind K Pandey, Joseph Loscalzo
发表日期：2026-06-01
分类：Humans, Cardiovascular Diseases, Precision Medicine, Systems Biology, Biomarkers
Paper ID：pubmed:42297534

核心贡献#

综述精准医学与网络医学在心血管疾病中的应用。指出传统生物标志物受限于还原论研究范式，系统生物学和网络医学可通过整合多组学数据构建网络图，提供无偏见的生物标志物和治疗靶点发现策略。

技术栈#

语言/框架：未提及
模型/算法：网络医学、系统生物学、多组学整合
关键库与工具：未提及
数据集：心血管生物标志物、遗传、影像组学数据
开源情况：未提及

上手难度#

前置知识：心血管病理生理学、网络科学、多组学分析
算力需求：低：普通 4–8 核 CPU、8–16GB RAM 即可完成文献整理、表格统计与图表复核，无需专用 GPU（推算，依据：综述/方法梳理型工作）
复现成本：容易（综述文章，提供概念框架和研究方向）
适合谁读：心血管研究者、精准医学方向

一句话总结#

网络医学整合多组学以推动心血管精准分型。

2. Benzo[a]pyrene and Rheumatoid Arthritis: An Integrated Computational Investigation. ↗#

作者：Yuxin Han, Guangyao Chen, Weichao Li, Haolu Wu, Jie Li, Huilan Yang 等
发表日期：2026-05-26
分类：Benzo(a)pyrene, Molecular Docking Simulation, Arthritis, Rheumatoid, Humans, Machine Learning
Paper ID：pubmed:42296203

核心贡献#

用网络毒理学+机器学习+分子对接的组合计算方法，系统阐明环境污染物苯并[a]芘（BaP）可能通过 NF-κB 和 T 细胞受体信号通路、靶向 LCK/ZAP70/ITK 等 5 个核心基因促进类风湿关节炎。

技术栈#

语言/框架：未提及
模型/算法：网络毒理学、机器学习（特征筛选/验证）、分子对接、分子动力学模拟
关键库与工具：未提及
数据集：多数据库靶点信息整合
开源情况：未提及

上手难度#

前置知识：毒理学、网络药理学、分子模拟
算力需求：中高：批量 docking 建议 16–32 核 CPU、64GB RAM；若包含后续 MD 验证，建议增加 1–4 张 24GB 以上 GPU，整体耗时数小时至数天（推算，依据：分子对接与结构验证）
复现成本：中等（方法标准，数据来自公共数据库，可复现分析流程）
适合谁读：环境毒理学、类风湿关节炎研究者

一句话总结#

网络毒理学与机器学习锁定BaP促关节炎靶点。

3. Untargeted and Targeted Cerebrospinal Fluid Neurometabolomics via Chromatography-Mass Spectrometry-Based Methods. ↗#

作者：Alisa K Pautova
发表日期：2026-05-25
分类：Humans, Metabolomics, Biomarkers, Liquid Chromatography-Mass Spectrometry, Animals
Paper ID：pubmed:42280127

核心贡献#

综述基于色谱-质谱联用的脑脊液（CSF）神经代谢组学方法（非靶向与靶向），重点讨论方法标准化、验证以及用于神经退行性、精神、肿瘤和神经炎症性疾病的代谢标志物鉴定。

技术栈#

语言/框架：未提及
模型/算法：色谱-质谱联用（LC-MS、GC-MS）、代谢组学数据处理
关键库与工具：未提及
数据集：脑脊液样本
开源情况：未提及

上手难度#

前置知识：代谢组学、分析化学、神经科学
算力需求：中等：原始谱图处理、峰提取和统计建模预计需 8–16 核 CPU、32–64GB RAM；常规模型无需 GPU，数百样本批处理通常耗时数小时（推算，依据：质谱组学数据分析）
复现成本：容易（综述，提供方法论框架）
适合谁读：神经代谢组学研究者、临床化学家

一句话总结#

综述脑脊液代谢组从LC-MS到标志物验证流程。

4. Integrated MALDI-MSI and UHPLC-OE-MS for Spatial Visualization and Biosynthetic Pathway Elucidation of Bioactive Metabolites in Lilium lancifolium ↗#

作者：Qibo Deng, Zhihui Wang, Jiajia Ji, Minsi Xie, Qiaozhen Tong, Kunlai Sun 等
发表日期：2026-05-25
分类：Chromatography, High Pressure Liquid, Spectrometry, Mass, Biosynthetic Pathways, Lilium, Saponins
Paper ID：pubmed:42280124

核心贡献#

首次用 MALDI-MSI 空间代谢组学技术对百合鳞茎中甾体皂苷和酚酸甘油酯进行空间可视化。结合 UHPLC-OE-MS 非靶向代谢组学，提出了这两种活性成分的生物合成通路和积累模式。

技术栈#

语言/框架：未提及
模型/算法：MALDI-MSI（空间代谢组学）、UHPLC-OE-MS、KEGG 通路富集分析
关键库与工具：未提及
数据集：百合（Lilium lancifolium）鳞茎
开源情况：未提及

上手难度#

前置知识：植物代谢组学、质谱成像、天然产物化学
算力需求：中等：原始谱图处理、峰提取和统计建模预计需 8–16 核 CPU、32–64GB RAM；常规模型无需 GPU，数百样本批处理通常耗时数小时（推算，依据：质谱组学数据分析）
复现成本：困难（需 MALDI-MSI 和 UHPLC-MS 设备）
适合谁读：植物代谢组学、天然产物研究者

一句话总结#

空间代谢组描绘百合皂苷和酚酸甘油酯分布。

5. Striatal Metabolomic Profiling Links Brazilian Green Propolis to Suberic Acid Modulation and Nigrostriatal Neuroprotection in a Rat Model of Parkinson’s Disease. ↗#

作者：Kételin Vitória Matias, Mario Augusto Izidoro, Fernando Barbosa, Bruno Alves Rocha, Victor Silva da Fonsêca, Fulvio Alexandre Scorza 等
发表日期：2026-05-23
分类：Animals, Propolis, Rats, Metabolomics, Parkinson Disease
Paper ID：pubmed:42280098

核心贡献#

用非靶向 GC-MS 代谢组学揭示巴西绿蜂胶在 6-OHDA 帕金森大鼠模型中通过调节辛二酸（suberic acid）等代谢物实现黑质纹状体神经保护，伴随运动功能改善。

技术栈#

语言/框架：未提及
模型/算法：GC-MS 代谢组学、判别代谢物分析
关键库与工具：GC-Q-TOF
数据集：6-OHDA 帕金森大鼠模型纹状体
开源情况：未提及

上手难度#

前置知识：代谢组学、帕金森病模型、神经药理学
算力需求：中等：原始谱图处理、峰提取和统计建模预计需 8–16 核 CPU、32–64GB RAM；常规模型无需 GPU，数百样本批处理通常耗时数小时（推算，依据：质谱组学数据分析）
复现成本：困难（需动物模型+GC-MS 设备）
适合谁读：帕金森病研究者、天然产物神经药理学方向

一句话总结#

巴西绿蜂胶调降辛二酸并保护多巴胺神经元。

6. Chemical Composition, Antioxidant, and Anti-Inflammatory Activity of the Antarctic Lichen Leptogium puberulum ↗#

作者：Alfredo Torres-Benítez, José Erick Ortega-Valencia, Juan Rodrigo Salazar, Katherine Monje, Jaqueline Ley-Martínez, Gabriel Vargas-Arana 等
发表日期：2026-05-27
分类：Anti-Inflammatory Agents, Antioxidants, Lichens, Antarctic Regions, Molecular Docking Simulation
Paper ID：pubmed:42278352

核心贡献#

对南极地衣 Leptogium puberulum 进行代谢组学、抗氧化和抗炎活性研究。鉴定出 4 种多羟基脂肪酸为最有前景的化合物，分子对接+分子动力学模拟证实其可作为 COX-2 抑制剂。

技术栈#

语言/框架：未提及
模型/算法：UHPLC-ESI-QToF-MS、分子对接（AutoDock Vina）、分子动力学模拟（YASARA）
关键库与工具：OSIRIS Data Warrior、ProTox 3.0、SwissTargetPrediction
数据集：南极地衣提取物
开源情况：未提及

上手难度#

前置知识：天然产物化学、计算药物化学、分子模拟
算力需求：未提及
复现成本：困难（需南极地衣样本+质谱+分子模拟设备）
适合谁读：天然产物药物发现、抗炎药物研究者

一句话总结#

南极地衣多羟基脂肪酸可抑制COX-2。

7. Integrating Divergence-Based Proteomic Analysis and Directed Network Diffusion to Characterize Diagnosis-Anchored Molecular Variability at the Metabolic Syndrome-Migraine Interface. ↗#

作者：Bei Wang, Yulin Li, Yixing Liu, Dongran Han
发表日期：2026-05-27
分类：Humans, Migraine Disorders, Metabolic Syndrome, Proteomics, Female
Paper ID：pubmed:42278351

核心贡献#

用蛋白质组学 Jensen-Shannon 散度发现代谢综合征相关偏头痛的”诊断锚定分子变异窗口”（发病前 4.7-6.8 年蛋白组变化峰值）。网络扩散分析鉴定出 7 个候选桥梁蛋白和 3 个候选药物。

技术栈#

语言/框架：未提及
模型/算法：Cox 回归、单样本 Jensen-Shannon 散度（sJSD）、网络邻近度、定向扩散、药物-靶点邻近分析
关键库与工具：未提及
数据集：UK Biobank（452,471 人）
开源情况：未提及

上手难度#

前置知识：流行病学、蛋白质组学、网络医学
算力需求：中高：模型训练预计需 1–2 张 16–24GB GPU、32–64GB RAM；若仅运行 tree-based model 可退化到 8–16 核 CPU，完整交叉验证通常耗时数小时至 2 天（推算，依据：机器学习/深度学习训练）
复现成本：中等（UK Biobank 数据可申请获取，分析方法清晰）
适合谁读：代谢综合征/偏头痛研究者、蛋白组流行病学方向

一句话总结#

蛋白组揭示代谢综合征至偏头痛的早期窗口。

8. Molecular Mechanisms and Multi-Omics Integration in Heart Failure: From Pathophysiology to Precision Medicine. ↗#

作者：Carlo Domenico Maida, Gaetano Pacinella, Mario Daidone, Mariarita Margherita Bona, Stefania Scaglione, Rachele Malfitano 等
发表日期：2026-05-27
分类：Humans, Heart Failure, Multiomics, Precision Medicine, Animals
Paper ID：pubmed:42278344

核心贡献#

综述心力衰竭的分子机制（基因组、表观遗传、转录组、蛋白组、代谢组）和多组学整合策略。强调 AI/ML 驱动的系统生物学对 HF 风险分层、预后评估和个性化治疗的重要性。

技术栈#

语言/框架：未提及
模型/算法：多组学整合、AI/ML、系统生物学、网络分析
关键库与工具：未提及
数据集：多组学文献整合
开源情况：未提及

上手难度#

前置知识：心血管分子生物学、多组学分析、AI/ML 基础
算力需求：中高：预处理与整合预计需 16–32 核 CPU、64–128GB RAM；若训练 VAE/GNN 等深度模型，建议 1 张 24GB GPU，数万细胞规模通常需数小时至 1 天（推算，依据：single-cell/spatial/multi-omics 数据）
复现成本：容易（综述，提供全景框架）
适合谁读：心力衰竭研究者、精准心血管医学方向

一句话总结#

多组学与AI推动心衰从症状分类走向分子分型。

9. Multi-Omics Integration and Causal Inference Identify HSD17B1 as a Potential Nobiletin Target Linking Neurosteroid Metabolism to Alzheimer’s Disease. ↗#

作者：Renjie Gao, Chenqu Lyu, Yumeng Gu, Ruixiao Hao, Chao Wang, Xin Li
发表日期：2026-05-25
分类：Humans, Alzheimer Disease, Flavones, Molecular Docking Simulation, Molecular Dynamics Simulation
Paper ID：pubmed:42278287

核心贡献#

通过多组学整合+可解释机器学习+孟德尔随机化+分子动力学模拟，鉴定 HSD17B1 为川陈皮素（nobiletin）在阿尔茨海默病中的潜在靶点。细胞实验验证 nobiletin 上调 HSD17B1 表达，连接神经类固醇代谢与 AD。

技术栈#

语言/框架：未提及
模型/算法：可解释机器学习（SHAP）、孟德尔随机化、分子对接、分子动力学模拟
关键库与工具：未提及
数据集：AD 多组学公共数据、Aβ1-42 SH-SY5Y 细胞模型
开源情况：未提及

上手难度#

前置知识：阿尔茨海默病、多组学分析、因果推断、分子模拟
算力需求：未提及
复现成本：中等（公共数据可获取，细胞实验需实验室条件）
适合谁读：AD 药物靶点发现研究者

一句话总结#

川陈皮素关联HSD17B1与AD神经类固醇调节。

10. Graph and Hypergraph Theories Applied to Dynamic Protein-Protein Interaction Network Analysis, and Deep-Learning Frameworks for Protein Complex Network Prediction. ↗#

作者：Kai-Yu Chan, Tatsuo Yamaguchi, Yoshihiro Izumiya, Yen-Wei Chu, Tadashi Watanabe
发表日期：2026-05-25
分类：Protein Interaction Maps, Protein Interaction Mapping, Deep Learning, Humans, Proteins
Paper ID：pubmed:42278281

核心贡献#

综述从静态图到动态图/超图的蛋白质互作网络分析方法演进。重点讨论动态中心性度量、超图建模多节点关系、以及深度学习在蛋白质复合物预测中的应用。

技术栈#

语言/框架：未提及
模型/算法：图论、超图理论、动态网络分析、深度学习（蛋白质复合物预测）
关键库与工具：未提及
数据集：蛋白质互作网络公共数据
开源情况：未提及

上手难度#

前置知识：图论/网络科学、蛋白质互作网络、深度学习基础
算力需求：中高：模型训练预计需 1–2 张 16–24GB GPU、32–64GB RAM；若仅运行 tree-based model 可退化到 8–16 核 CPU，完整交叉验证通常耗时数小时至 2 天（推算，依据：机器学习/深度学习训练）
复现成本：容易（综述，提供方法论框架）
适合谁读：网络生物学研究者、蛋白质组学计算方向

一句话总结#

蛋白互作分析迈向动态超图与深度学习。