论文速读 · 2026-06-10

抓取窗口：2026-06-04 ~ 2026-06-10 共 30 篇

📚 目录#

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

arXiv q-bio#

1. Implementation of Linear Regression and Linear Interpolation using Reaction Networks ↗#

作者：Aryan Kumar, Amey Choudhary, Jiaxin Jin, Chittaranjan Hens, Abhishek Deshpande
发表日期：2026-06-10
分类：q-bio.MN, math.DS
Paper ID：arxiv:2606.12573v1

核心贡献#

本文把线性回归、 multivariate linear regression 和线性插值编码为 reaction network 的稳态浓度输出，并提出能处理负数除法的 generalized division module。作者用标准 synthetic datasets 的 in-silico 实现验证结果，展示 reaction network 可以执行基础统计推断。

技术栈#

语言/框架：未提及
模型/算法：Reaction networks、linear regression、linear interpolation、generalized division module
关键库与工具：未提及
数据集：标准 synthetic datasets
开源情况：未提及

上手难度#

前置知识：反应网络动力学、稳态分析、基础统计推断
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，摘要说明有 synthetic datasets 和 in-silico 验证，但未给代码或实现细节
适合谁读：硕博生、研究员、理论生物学和分子计算方向读者

一句话总结#

用 reaction network 做线性推断。

2. A structural causal framework for interventions on evolutionary accumulation models ↗#

作者：Ramon Diaz-Uriarte, Íñigo Ríos-Arroyo, Iain G. Johnston
发表日期：2026-06-10
分类：q-bio.QM, q-bio.PE
Paper ID：arxiv:2606.12597v1

核心贡献#

本文为 evolutionary accumulation models 中的 intervention prediction 建立 structural causal framework，明确用 Pearl 的 do operator 和 conditional interventions 解释不同 EvAM 方法下的干预含义。它还把目标优先级问题改写成 ranking 评估，并区分 killing 与 inactivating 两类干预。

技术栈#

语言/框架：未提及
模型/算法：Structural causal models、Pearl’s do operator、conditional interventions、OT、OncoBN、CBN、H-ESBCN、MHN、HyperHMM、HyperTraPS
关键库与工具：未提及
数据集：未提及
开源情况：代码可用：https://github.com/rdiaz02/scm-interv-evams ↗

上手难度#

前置知识：因果推断、DAG、肿瘤演化模型、mutation accumulation model
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，有代码但需要理解多类 EvAM 的参数化和干预语义
适合谁读：硕博生、研究员、癌症演化和因果建模专家

一句话总结#

给肿瘤演化模型补上干预语义。

3. Multifractal human signals at the edge of life reveal a heart-brain anti-correlation ↗#

作者：Yago Emanoel Ramos, Maria Eloá do Ó, Henrique Ferraz de Arruda, Mauro Copelli, G. Camelo-Neto, Pedro V. Carelli
发表日期：2026-06-10
分类：q-bio.NC, nlin.AO
Paper ID：arxiv:2606.12600v1

核心贡献#

本文用 MF-DFA 分析终末期患者同步 EEG/ECG 时间序列，发现脑信号 multifractality 收缩而心脏信号谱宽异常增加。两者谱宽负相关，支持临终阶段心脑耦合瓦解和外周功能失稳压倒中枢调控的解释。

技术栈#

语言/框架：未提及
模型/算法：Multifractal Detrended Fluctuation Analysis、multifractal spectrum analysis、non-linear dynamics
关键库与工具：未提及
数据集：终末期患者的同步 EEG 和 ECG 时间序列
开源情况：未提及

上手难度#

前置知识：非线性动力学、时间序列分析、EEG/ECG 生理信号
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，方法明确但临床终末期同步信号数据不一定容易获取
适合谁读：硕博生、研究员、神经科学和生理信号分析方向读者

一句话总结#

临终心脑信号走向反相关瓦解。

4. Viral Proteins Reveal Geometry of Protein Language Models ↗#

作者：Arthur Bigot, Harmon Bhasin, Core Francisco Park, Eugene Shakhnovich, Dianzhuo Wang
发表日期：2026-06-10
分类：cs.LG, q-bio.QM
Paper ID：arxiv:2606.12609v1

核心贡献#

本文用 viral proteins 检查 ESM protein language models 的 embedding geometry，发现一个与 masked reconstruction perplexity 对齐的 nativeness axis，把 cellular、viral、shuffled/random 序列排成连续谱。尽管模型 scaling 会压缩这个轴，embedding 仍保留 viral-family specific signal，且超出 zero-shot perplexity 和浅层序列特征。

技术栈#

语言/框架：未提及
模型/算法：Protein language models、ESM model families、embedding analysis、linear separability、masked reconstruction perplexity
关键库与工具：ESM
数据集：viral proteins、cellular proteins、shuffled/random sequences
开源情况：未提及

上手难度#

前置知识：protein language model、蛋白序列表示学习、线性分类和 embedding 几何分析
算力需求：高：单次结构推理预计需 1 张 24–48GB GPU 和 32–64GB RAM；批量 benchmark、微调或结构 refinement 建议 2–4 张高端 GPU，耗时数小时至数天（推算，依据：蛋白质 foundation model/结构生成）
复现成本：中等，ESM 可用但摘要未说明数据清单或代码
适合谁读：硕博生、研究员、蛋白语言模型和病毒蛋白分析方向读者

一句话总结#

病毒蛋白揭示 pLM 的 nativeness 轴。

5. The Metric Picks the Winner: Evaluation Choice Flips Model Rankings for Drug-Response Prediction in Unseen Chemistry ↗#

作者：Dhruv Agarwal, Riya Bisht
发表日期：2026-06-10
分类：cs.LG, q-bio.QM
Paper ID：arxiv:2606.12639v1

核心贡献#

本文指出 unseen chemistry drug-response prediction 中模型排名会被 metric 选择直接翻转：proxy metric 下线性 Morgan fingerprint 看似最好，但官方 active-set wMSE 下 deep/fusion 模型胜出。作者提出 retrieval 与 chemistry embedding fusion 的 staged pipeline，并用官方 scorer 复现实证说明 benchmark metric calibration 的关键性。

技术栈#

语言/框架：未提及
模型/算法：Tanimoto retrieval、Morgan fingerprints、ChemBERTa、regularized linear regression、fusion decoder、uncertainty head、gene programs、paired bootstrap
关键库与工具：official scorer
数据集：VCPI THP-1 DRUG-seq 数据，14,026 training compounds，1064 x 12,995 submission grid
开源情况：发布了可复现 pipeline，但摘要未给链接

上手难度#

前置知识：drug-response prediction、chemical fingerprints、transcriptomics、benchmark metric 设计
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，数据和官方 scorer 明确，但深度模型与 pipeline 细节需要代码支持
适合谁读：硕博生、工业界工程师、药物发现 benchmark 研究员

一句话总结#

药物响应评测里 metric 决定赢家。

6. Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter ↗#

作者：Riya Bisht, Dhruv Agarwal
发表日期：2026-06-10
分类：cs.LG, q-bio.QM
Paper ID：arxiv:2606.12651v1

核心贡献#

本文在 GINE synthesizability filter 中加入 Bertz topological complexity 与 MMFF94 strain-energy 两个物理先验辅助损失，测试是否改善 generative molecule 的 OOD 泛化。多 seed 与 paired bootstrap 显示三种 physics-aware variants 都带来小但显著的 OOD AUC 提升，且单 seed 结论可能误导。

技术栈#

语言/框架：未提及
模型/算法：GINE、Graph Neural Network、auxiliary losses、Bertz index、MMFF94 force-field energy、paired bootstrap
关键库与工具：未提及
数据集：65,177 molecules，HIV、Tox21、COCONUT，SAScore threshold labels
开源情况：未提及

上手难度#

前置知识：GNN、分子图学习、OOD evaluation、化学合成可行性指标
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，数据来源和 ablation 设计清楚，但代码和训练细节未提及
适合谁读：硕博生、工业界工程师、AI drug discovery 研究员

一句话总结#

廉价物理先验小幅提升 OOD 合成过滤。

7. Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability ↗#

作者：Riya Bisht, Dhruv Agarwal
发表日期：2026-06-10
分类：cs.LG, q-bio.QM, stat.ML
Paper ID：arxiv:2606.12658v1

核心贡献#

本文把 PINN 用于 chemotherapy pharmacokinetics 的部分观测问题，并与临床常用 NLS 和 data-only MLP 对比。结果显示 PINN 在标准线性两室模型中接近 NLS，同时能输出组织浓度；在 Michaelis-Menten 扩展中还能暴露 plasma-only 数据的 non-identifiability，并吸收少量 tissue observations 改善参数恢复。

技术栈#

语言/框架：未提及
模型/算法：Physics-Informed Neural Networks、nonlinear least squares、data-only MLP、two-compartment PK model、Michaelis-Menten kinetics
关键库与工具：未提及
数据集：模拟的线性 two-compartment PK 问题和 Michaelis-Menten 扩展问题
开源情况：未提及

上手难度#

前置知识：PINN、药代动力学、ODE 参数估计、identifiability analysis
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，问题设定清晰但实现、参数和代码未提及
适合谁读：硕博生、研究员、计算药理和生物物理建模方向读者

一句话总结#

PINN 更像能暴露不可辨识性的 PK 工具。

8. Phase model analysis of the effect of M-current on neural synchrony in hippocampal networks ↗#

作者：Megha Manoj, Sue Ann Campbell
发表日期：2026-06-10
分类：q-bio.NC, math.DS
Paper ID：arxiv:2606.12684v1

核心贡献#

本文用弱耦合 pyramidal neurons 的一维 phase model reduction，研究 ACh 通过调控 M-current 如何影响 hippocampal synchrony 与 neural assembly formation。结果预测低 ACh 条件下网络可全同步，而高 ACh 会把网络去同步到多个稳定 symmetric cluster solutions。

技术栈#

语言/框架：未提及
模型/算法：Phase model reduction、weakly coupled neuron model、cluster solutions、all-to-all / distance-dependent / nearest-neighbour coupling
关键库与工具：未提及
数据集：未提及
开源情况：未提及

上手难度#

前置知识：神经动力学、相位约化、M-current、hippocampal assembly
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，理论模型明确但参数和代码未提供
适合谁读：硕博生、研究员、计算神经科学方向读者

一句话总结#

ACh 通过 M-current 调控海马同步模式。

9. Predictions for and lack of maximal information transmission in the neuromuscular junction ↗#

作者：Eitan Goldfein, Sarah Marzen
发表日期：2026-06-10
分类：q-bio.MN
Paper ID：arxiv:2606.12712v1

核心贡献#

本文用 information maximization 分析 neuromuscular junction 中 neurotransmitter concentration 到 current 的转换，并将理论最优分布与 Drosophila NMJ 实验分布比较。结果显示二者几乎不一致，说明 Drosophila NMJ 并未把 vesicle release probability 塑造成最大化信息传输的形式。

技术栈#

语言/框架：未提及
模型/算法：Information maximization、dose-response analysis、theoretical neurotransmitter distribution
关键库与工具：未提及
数据集：Drosophila NMJ 实验分布，以及 cholinergic/glutamatergic NMJ dose-response 相关数据
开源情况：未提及

上手难度#

前置知识：信息论、突触生理、neuromuscular junction、dose-response modeling
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，理论框架明确但实验分布数据与代码未说明
适合谁读：硕博生、研究员、理论生物学和神经科学方向读者

一句话总结#

Drosophila NMJ 不按最大信息传输设计。

10. CisTransCell: Single-Cell Perturbation Prediction via Gene Function, Regulatory Control, and Cellular Context ↗#

作者：Wei Zhang, Xun Jiang, Yuesi Xi, Ming Tang
发表日期：2026-06-10
分类：q-bio.GN, cs.AI
Paper ID：arxiv:2606.13713v1

核心贡献#

本文提出 CisTransCell，用 regulatory-sequence prior 和 coding-sequence prior 联合增强每个基因表示，并结合 cell expression state 预测 zero-shot genetic perturbation response。框架把 gene function、regulatory control 和 cellular context 组织成扰动到转录变化的级联，在 benchmark single-cell perturbation datasets 上表现强。

技术栈#

语言/框架：未提及
模型/算法：Cell-conditioned multi-modal framework、single-cell perturbation prediction、regulatory-sequence prior、coding-sequence prior
关键库与工具：未提及
数据集：benchmark single-cell perturbation datasets
开源情况：未提及

上手难度#

前置知识：single-cell perturbation、基因调控、序列表示学习、多模态建模
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：中等偏困难，摘要未给代码、模型细节或数据集名称
适合谁读：硕博生、研究员、单细胞和基因调控建模方向读者

一句话总结#

用序列先验增强 zero-shot 单细胞扰动预测。

bioRxiv#

1. Protein large language model assisted one-to-one gene homology mapping in cross-species single-cell transcriptome integration ↗#

作者：Kuang, Z.-Y., Sun, Y.-C., Wei, N.-N. 等
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.1101/2025.10.17.683009

核心贡献#

本文用 protein large language model 表征结合 sequence similarity，改进跨物种单细胞整合中的 one-to-one gene homology mapping。该 fused mapping 在覆盖 9 个数据集、11 个物种、超过 320 万细胞的 curated atlas benchmark 中表现最好，并能发现未注释的 cell-type marker pairs。

技术栈#

语言/框架：未提及
模型/算法：Protein large language model representations、sequence similarity、fused homology mapping、cross-species single-cell integration
关键库与工具：Ensembl homology tables
数据集：9 个数据集、11 个物种、超过 3.2 million cells 的 curated cross-species atlas
开源情况：未提及

上手难度#

前置知识：单细胞整合、跨物种同源基因映射、protein language model
算力需求：高：单次结构推理预计需 1 张 24–48GB GPU 和 32–64GB RAM；批量 benchmark、微调或结构 refinement 建议 2–4 张高端 GPU，耗时数小时至数天（推算，依据：蛋白质 foundation model/结构生成）
复现成本：中等偏困难，benchmark 很大且摘要未说明代码或模型来源
适合谁读：硕博生、研究员、单细胞和比较基因组学方向读者

一句话总结#

pLLM 改善跨物种单细胞同源映射。

2. Melody: Decoding the Sequence Determinants of Locus-Specific DNA Methylation Across Human Tissues ↗#

作者：Jin, J., Wang, D., Qiao, J. 等
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.1101/2025.11.23.689975

核心贡献#

本文提出 Melody，用 10-kb genomic sequences 预测 39 种 human tissues 的 locus-specific DNA methylation，并在 whole-chromosome、hypomethylated-region 和 cell-type-specific benchmarks 中超过现有方法。扩展版 Melody-G 结合 single-cell RNA-seq foundation model embeddings，用 transcriptomic data 推断未见 cell type 的 methylation state。

技术栈#

语言/框架：未提及
模型/算法：Deep learning framework、Melody、Melody-G、single-cell RNA-seq foundation model embeddings、meQTL effect prediction、motif identification
关键库与工具：未提及
数据集：39 human tissues 的 DNA methylation profiles，single-cell RNA-seq 数据
开源情况：未提及

上手难度#

前置知识：DNA methylation、表观基因组学、深度学习、single-cell foundation model
算力需求：中高：使用云端 LLM API 时本地 8–16 核 CPU、16–32GB RAM 即可，但完整评测预计涉及数百至数千次推理；本地部署则需 1–4 张 48–80GB GPU（推算，依据：LLM/multi-agent workflow）
复现成本：困难，涉及长序列深度模型、多组织 methylation 数据和 foundation embedding，摘要未给代码
适合谁读：硕博生、研究员、表观基因组和序列建模方向读者

一句话总结#

Melody 从序列和细胞状态预测甲基化。

3. Comprehensive evaluation of statistical approaches for differential metaproteomics ↗#

作者：Hinzke, T., Kunath, B. J., Blakeley-Ruiz, J. A. 等
发表日期：2026-06-08
分类：molecular biology
Paper ID：biorxiv:10.64898/2025.12.10.693402

核心贡献#

本文构建 13 个 composition 已知、差异已知、复杂度不同的 metaproteomic samples，系统评估 110 多种 differential metaproteomics 分析组合。结果表明 limma、edgeR、MaAslin2、自定义 linear/Bayesian linear models 和 random forests 中的若干组合可作为合适选项，并给出方法选择建议。

技术栈#

语言/框架：未提及
模型/算法：Differential abundance testing、limma、edgeR、MaAslin2、linear models、Bayesian linear models、random forests、imputation、normalization、transformation
关键库与工具：limma、edgeR、MaAslin2
数据集：13 个 defined metaproteomic samples，raw mass spectrometry data
开源情况：提供 comprehensive raw mass spectrometry data 和 reproducible benchmarking code，但摘要未给链接

上手难度#

前置知识：metaproteomics、统计检验、质谱数据处理、差异丰度分析
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：中等，有原始数据和 benchmarking code，但组合评估规模较大
适合谁读：硕博生、研究员、微生物组蛋白质组和统计方法开发者

一句话总结#

系统评测差异宏蛋白质组学方法。

4. Do Larger Models Really Win in Drug Discovery?A Benchmark Assessment of Model Scaling in AI-Driven Molecular Property and Activity Prediction ↗#

作者：Guo, J., Ding, S.
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.04.29.721568

核心贡献#

本文在 26 个 ADME、toxicity 和 bioactivity endpoints 上评估 model scaling 是否真的提升 AI drug discovery 预测。结果显示 classical ML 获得最多最佳条目，GNN 和 pretrained sequence models 在部分困难 split 上有竞争力，但差异常常不应被解释为决定性胜利；LLM-SAR 更适合解释和低数据推理，不能普遍替代监督预测器。

技术栈#

语言/框架：未提及
模型/算法：Classical ML、GNNs、pretrained molecular sequence models、LLM-based SAR baselines、Murcko scaffold split、structure-separated 5-fold CV、paired bootstrap
关键库与工具：未提及
数据集：26 endpoints，165,541 endpoint-level compound labels，78 endpoint/split entries，156 comparisons
开源情况：未提及

上手难度#

前置知识：cheminformatics、molecular property prediction、GNN、SAR、benchmark validation
算力需求：中高：使用云端 LLM API 时本地 8–16 核 CPU、16–32GB RAM 即可，但完整评测预计涉及数百至数千次推理；本地部署则需 1–4 张 48–80GB GPU（推算，依据：LLM/multi-agent workflow）
复现成本：中等偏困难，endpoint 和 split 设计复杂，代码未提及
适合谁读：工业界工程师、研究员、AI drug discovery benchmark 读者

一句话总结#

药物发现预测不总是大模型赢。

5. HNSW-MS: Hierarchical Graph Indexing Enables Accurate Real-Time Mass Spectral Similarity Search at Repository Scale ↗#

作者：Semenov, A., Gupta, S., Roberts, A. M. P. 等
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.02.729602

核心贡献#

本文提出 HNSW-MS，把 Hierarchical Navigable Small World graph indexing 直接用于 raw GC-MS 和 LC-MS/MS spectra 的相似性搜索，无需 preprocessing 或 embedding。它在 840 万 MS/MS spectra 上实现最高 560 倍加速并保持 top-1 recall 超过 90%，使 repository-scale reverse metabolomics 接近实时查询。

技术栈#

语言/框架：未提及
模型/算法：HNSW graph indexing、mass spectral similarity search、reverse metabolomics
关键库与工具：GNPS、MASST
数据集：8.4 million MS/MS spectra，公共 metabolomics repositories
开源情况：未提及

上手难度#

前置知识：质谱相似性搜索、metabolomics、近似最近邻图索引
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：中等偏困难，需要大规模 spectra 数据和索引参数设置，摘要未给代码
适合谁读：工业界工程师、研究员、metabolomics 和检索系统开发者

一句话总结#

HNSW 让海量质谱检索近实时。

6. Multi-feature Classification to Improve Colorimetric Loop-Mediated Isothermal Amplification Fidelity ↗#

作者：Melton, G., Negron, D. A., Hauser, K. 等
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.03.728514

核心贡献#

本文收集 working 与 failing LAMP primer sets，训练多种 ML classifier 来提前预测 colorimetric LAMP assay fidelity，并识别影响成败的重要 primer 特征。结果显示 F1c/B1c thermodynamic features 反复排名靠前，NaiveBayes 在小且不平衡的数据集上取得较好的 TP/TN、kappa 和 F-score。

技术栈#

语言/框架：未提及
模型/算法：Decision trees、Bayesian learning、NaiveBayes、feature selection、cross-validation、parameter grid search
关键库与工具：WEKA Experimenter、NEB LAMP Primer Design Tool、LAMP Designer、Primer3、PSET、PrimerExplorer
数据集：109 个最终 training primer sets，其中文献 74 个、PSET in-house 35 个，另含 23 个 failing assays
开源情况：未提及

上手难度#

前置知识：LAMP primer design、热力学特征、机器学习分类、实验诊断 assay
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，WEKA 流程明确但负例数据和特征提取细节可能需要补充
适合谁读：硕博生、诊断 assay 开发者、生物信息工程师

一句话总结#

用 ML 给 LAMP primer 先验验收。

7. Intra-slide calibration technology improves immunohistochemical harmonization within and between anatomic pathology laboratories ↗#

作者：Fernandes, G. M. d. M., Wang, W., Parwani, A. 等
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.04.730099

核心贡献#

本文测试 intra-slide calibration technology 是否能减少两个病理实验室间 p53 IHC 染色差异。通过 EBImage 特征提取、UMAP、DBSCAN 和 polynomial regression，作者显示该校准技术可约 90% 改善数据 harmonization，提升 GB pathology 中 IHC 的跨实验室可重复性。

技术栈#

语言/框架：R
模型/算法：Feature extraction、UMAP、DBSCAN、polynomial regression、intra-slide calibration
关键库与工具：EBImage、Aperio Image Scope
数据集：两个医院实验室独立处理的 glioblastoma IDH-wildtype brain biopsy p53 IHC 数字切片
开源情况：未提及

上手难度#

前置知识：computational pathology、IHC、数字病理图像分析、降维和聚类
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：中等偏困难，需要跨实验室 IHC 切片、校准 ruler 和病理图像流程
适合谁读：研究员、病理信息学工程师、神经肿瘤诊断方向专家

一句话总结#

片内校准显著提升 IHC 可重复性。

8. Metadata Collector: An Open-Source Platform for Standardized Metadata Management in Multi Centre Sequencing Projects ↗#

作者：Liguori, R., Huttner, M., Ferrazzi, F.
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.05.730314

核心贡献#

本文开发 Metadata Collector，用 React/API/PostgreSQL web platform 管理多中心 NGS 项目的标准化 metadata。平台支持机器可读模型、custom templates、controlled vocabularies 和 event-based versioning，已在德国研究联盟 32 个项目、700 多个样本上部署使用。

技术栈#

语言/框架：React、API、PostgreSQL、Kubernetes
模型/算法：Machine-readable metadata model、controlled vocabularies、event-based versioning
关键库与工具：未提及
数据集：32 个项目，RNA-seq、scRNA-seq、ATAC-seq 和 multiomics，超过 700 annotated samples
开源情况：MIT license，https://github.com/spang-lab/metadata-collector ↗

上手难度#

前置知识：NGS metadata、FAIR principles、Web 平台部署、PostgreSQL 和 Kubernetes
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，开源且架构明确，但本地/联盟级部署需要基础设施配置
适合谁读：工业界工程师、研究数据管理人员、生物信息平台开发者

一句话总结#

把多中心测序 metadata 管理产品化。

9. From topography to connectome: Towards an integrated understanding of the resting brain ↗#

作者：Naranjo Rincon, S., Ahmad, F., Easley, T. 等
发表日期：2026-06-08
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.06.730493

核心贡献#

本文提出 surface vision transformer，将 resting-state fMRI 的 network topography maps 嵌入并翻译成 individualized connectomes。模型能较好重建 topography 并完成 topography-to-connectome translation，且翻译出的 connectomes 保留个体可识别性和 brain-cognition associations。

技术栈#

语言/框架：未提及
模型/算法：Deep-learning model、surface vision transformer、topography embedding、connectome translation
关键库与工具：未提及
数据集：resting-state functional MRI data
开源情况：未提及

上手难度#

前置知识：rsfMRI、functional connectome、brain topography maps、Vision Transformer
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：困难，涉及神经影像预处理和 deep learning，摘要未给数据来源或代码
适合谁读：硕博生、研究员、计算神经影像方向读者

一句话总结#

用 ViT 连接脑地形图和 connectome。

10. Cellular Complexity and Systemic Immune Profiles across Ancestral Diversity in Thailand and Mainland Southeast Asia ↗#

作者：Sriwilai, B., Nguantad, S., Jevapatarakul, D. 等
发表日期：2026-06-08
分类：systems biology
Paper ID：biorxiv:10.64898/2026.06.08.726441

核心贡献#

本文构建泰国及 Mainland Southeast Asia 人群的 single-cell immune atlas，结合 single-cell transcriptomics 与 high-resolution genotyping 展示 ancestry 如何塑造 innate immune profiles，尤其是 CD14+ monocytes。研究还发现 sex-by-ancestry interactions 可能解释女性 pro-inflammatory pathway baseline activation 和区域自身免疫高发。

技术栈#

语言/框架：未提及
模型/算法：Single-cell transcriptomics integration、high-resolution genotyping、ancestry analysis、immune profile association
关键库与工具：未提及
数据集：Asian Immune Diversity Atlas 中的 Thai individuals，MSEA single-cell immune atlas
开源情况：未提及

上手难度#

前置知识：单细胞免疫学、群体遗传学、ancestry inference、immunogenomics
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：困难，需要人群队列、单细胞数据和高分辨率基因分型
适合谁读：研究员、免疫基因组学和 precision medicine 方向专家

一句话总结#

东南亚祖源塑造基础免疫状态。

PubMed#

1. Integrated flexible DNA methylation-chromatin segmentation modeling enhances epigenomic state annotation. ↗#

作者：Nihit Aggarwal, Johanna Elena Schmitz, Lukas Laufer, Sven Rahmann, Jörn Walter, Abdulrahman Salhab
发表日期：2026-06-08
分类：Humans, DNA Methylation, Epigenomics, Chromatin, Histones
Paper ID：pubmed:42301918

核心贡献#

本文提出 EpiSegMixMeth，将 chromatin marks 与 DNA methylation 集成到 genome-wide epigenomic segmentation 中。模型通过 flexible read count distributions 和 state duration modeling 改进 HMM，并在 154 个 IHEC EpiATLAS human epigenomes 上更好标注 broad heterochromatic regions、narrow regulatory boundaries 和 differentiation transitions。

技术栈#

语言/框架：未提及
模型/算法：EpiSegMixMeth、integrative segmentation、hidden Markov model extension、read count distributions、state duration modeling
关键库与工具：未提及
数据集：154 high-quality human epigenomes from IHEC EpiATLAS，developing memory B cells
开源情况：未提及

上手难度#

前置知识：DNA methylation、histone marks、epigenomic segmentation、HMM
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：中等偏困难，数据来源明确但模型实现和代码未提及
适合谁读：硕博生、研究员、表观基因组分析开发者

一句话总结#

甲基化让染色质状态分割更完整。

2. Integrative Transcriptomic, Network, and Genomic Analysis of Peripheral Blood Mononuclear Cells Identifies Candidate Genes Associated with Dupilumab Clinical Response in Atopic Dermatitis Patients. ↗#

作者：Martina Krušič, Mario Gorenjak, Uroš Potočnik, Maruška Marovt
发表日期：2026-06-05
分类：Humans, Dermatitis, Atopic, Female, Antibodies
Paper ID：pubmed:42278672

核心贡献#

本文用 transcriptomic profiling、functional enrichment、co-expression network 和 genomic variant analysis，寻找 atopic dermatitis 患者 dupilumab response 的血液候选 biomarker。研究提出 RPL18A、RPS28、FAU、MASTL、AURKA、TAF2、BUB1B、RNF135 等候选基因和变异，但强调样本量有限，结论偏探索性。

技术栈#

语言/框架：未提及
模型/算法：Transcriptomic profiling、functional enrichment、co-expression network analysis、genomic variant analysis
关键库与工具：未提及
数据集：18 名 dupilumab-naive AD 患者的 baseline 与 16-18 周血液 transcriptomics；34 名患者 genotyping
开源情况：未提及

上手难度#

前置知识：皮肤免疫、转录组分析、网络分析、药物反应 biomarker
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，队列规模小但临床样本和多阶段分析流程需要获取
适合谁读：硕博生、临床转化研究员、免疫和皮肤病方向读者

一句话总结#

探索 dupilumab 反应的血液 biomarker。

3. Mechanism Through Which Antioxidant Polysaccharide from ↗#

作者：Ling Zhang, Wei Xu, Xinyu Liao, Guoqi Yuan, Chen Jin, Huan Xiao 等
发表日期：2026-06-05
分类：Animals, Colitis, Ulcerative, Polysaccharides, Dextran Sulfate
Paper ID：pubmed:42280274

核心贡献#

本文用 multi-omics 解析 Tetrastigma hemsleyanum polysaccharide 缓解 DSS-induced ulcerative colitis 的机制。TH-P 在细胞和小鼠中表现抗氧化、抗炎和肠道保护作用，并通过 transcriptomics、metabolomics、16S rRNA 与 SCFA 分析关联 PI3K/AKT、脂质代谢、菌群多样性和短链脂肪酸提升。

技术栈#

语言/框架：未提及
模型/算法：Multi-omics integration、transcriptomic analysis、serum/untargeted metabolomics、16S rRNA sequencing、Western blotting
关键库与工具：未提及
数据集：RAW264.7 cells，DSS-induced UC mice，serum metabolomics，gut microbiota 16S data
开源情况：未提及

上手难度#

前置知识：炎症性肠病模型、多组学、肠道菌群、PI3K/AKT signaling
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：困难，需要细胞实验、动物模型、多组学测定和验证实验
适合谁读：研究员、中药/天然产物机制、肠道炎症和 multi-omics 方向读者

一句话总结#

TH-P 通过多靶点缓解小鼠结肠炎。

4. Chemo-Diversity Landscape Using Physico-Biochemical, Elemental, and Metabolic Profiling in Different Stages and Accessions of ↗#

作者：Shalini Purwar, Ankit Verma, Ravi Prakash Jaiswal, Vigya Mishra, Vishal Chugh, Chandra Mohan Singh 等
发表日期：2026-06-05
分类：Flowers, Metabolomics, Metabolome, Antioxidants, Phenols
Paper ID：pubmed:42280278

核心贡献#

本文整合 sensory/textural、biochemical、ICP-MS elemental 和 GC-MS metabolomic profiling，刻画 13 个 Madhuca longifolia accessions 在不同发育阶段的 chemo-diversity。结果锁定 BM-5 为高糖、高 β-carotene、矿物丰富且风味代谢物富集的优质 accession，具备更高加工和增值潜力。

技术栈#

语言/框架：未提及
模型/算法：PCA、VIP、volcano plots、pathway enrichment、multivariate metabolomic analysis
关键库与工具：ICP-MS、GC-MS
数据集：13 个 Madhuca longifolia accessions，BM-1 到 BM-13；303 volatile/semi-volatile metabolites
开源情况：未提及

上手难度#

前置知识：植物代谢组学、食品品质评价、元素分析、多变量统计
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：中等偏困难，需要植物材料、多平台测定和代谢组分析
适合谁读：硕博生、研究员、植物代谢和食品加工方向读者

一句话总结#

多组学筛出更适合加工的 Madhuca 花。

5. The Nutri-Exposome Intelligence Framework: Integrating Multi-Omics, Machine Learning, and Digital Nutrition for Precision Chronic Disease Prevention. ↗#

作者：Mia Yang Ang, Siew Woh Choo
发表日期：2026-06-05
分类：Humans, Multiomics, Machine Learning, Chronic Disease, Precision Medicine
Paper ID：pubmed:42280469

核心贡献#

本文提出 Nutri-Exposome Intelligence Framework，把饮食、环境、微生物、multi-omics、临床和 digital exposures 组织成 precision chronic disease prevention 的概念框架。框架包含七层，从 exposure assessment 到 machine learning integration、risk prediction、personalized intervention 和 wearable/biomarker feedback。

技术栈#

语言/框架：未提及
模型/算法：Machine learning-based integration、risk prediction、responder stratification、explainable interpretation、longitudinal feedback
关键库与工具：wearable monitoring、biomarker-based monitoring
数据集：概念综述，未使用单一新数据集
开源情况：未提及

上手难度#

前置知识：precision nutrition、exposomics、gut microbiome、multi-omics、interpretable ML
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：困难，属于框架性综述，真正落地需要 longitudinal multi-ethnic cohorts、标准化 metadata 和因果验证
适合谁读：研究员、公共卫生和数字营养方向读者、precision medicine 产品团队

一句话总结#

把营养暴露组学串成精准预防框架。

6. Mildew-Induced Resistance in Roses Against ↗#

作者：Guiyan Chen, Ruiqing Jiang, Jun Feng, Guolei Zhu, Bin Yang, Fazhong Yang 等
发表日期：2026-06-04
分类：Animals, Spodoptera, Rosa, Disease Resistance, Plant Diseases
Paper ID：pubmed:42280257

核心贡献#

本文研究白粉病感染玫瑰后非挥发性抗虫机制，发现 infected rose leaf extracts 显著抑制 Spodoptera exigua 幼虫取食。Untargeted LC-MS metabolomics 鉴定 64 个差异累积代谢物，并验证 5 个上调化合物均能抑制取食，其中 dehydro(11,12) ursolic acid lactone 和 ganolucidic acid B 活性较强。

技术栈#

语言/框架：未提及
模型/算法：Untargeted LC-MS metabolomics、differential metabolite analysis、feeding inhibition assay、EC50 estimation
关键库与工具：LC-MS
数据集：Rosa chinensis 1046 metabolites，Podosphaera pannosa infection 条件下 64 个 differential metabolites，Spodoptera exigua feeding assays
开源情况：未提及

上手难度#

前置知识：植物病虫互作、代谢组学、天然产物活性测定、生态防控
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：中等偏困难，需要病原感染体系、昆虫取食实验和 LC-MS 代谢组
适合谁读：硕博生、研究员、植物保护和生态农药方向读者

一句话总结#

白粉病诱导玫瑰产生抗虫代谢物。

7. Ubiquitination-anchored signature defines neuroendocrine prostate cancer: hub genes and single-cell ecosystem insights from integrated bioinformatics analysis of public transcriptomic datasets. ↗#

作者：Zhenkun Zhao, Lei Qiu, Ziang Li, Jialong Wu, Qianyang Ni, Sijie Li 等
发表日期：2026-06-06
分类：Humans, Male, Adenocarcinoma, Carcinoma, Neuroendocrine, Computational Biology
Paper ID：pubmed:42249833

核心贡献#

研究整合 bulk 与 single-cell transcriptome，定义了区分 NEPC 与前列腺腺癌的泛素化相关表达特征及 11-gene hub panel。单细胞分析进一步定位 hub genes 的谱系偏好，并揭示基质、血管和免疫相关的 MIF-CD74/CXCR4 通信轴。

技术栈#

语言/框架：未提及
模型/算法：差异表达、共表达网络、功能富集、PPI 网络拓扑、scRNA-seq 整合、UMAP、细胞间通信分析
关键库与工具：GEO、PPI 网络、UMAP
数据集：GSE32967 与 GSE104786 共 49 份组织样本，以及独立 scRNA-seq 队列中质控后的 25,325 个细胞
开源情况：代码、整合数据和模型未提及

上手难度#

前置知识：肿瘤转录组、单细胞分析、网络生物学、前列腺癌谱系可塑性与泛素化
算力需求：未提及
复现成本：中等；主要数据来自公共转录组，但基因集合整理、分析参数和代码未提及
适合谁读：硕博生、研究员、肿瘤生物信息学人员、前列腺癌专家

一句话总结#

泛素化网络勾勒NEPC谱系与微环境

8. Metabolomics-driven insights into the multi-target antibacterial mechanisms of 2-methoxycinnamaldehyde against Bacillus cereus and its application in pork preservation. ↗#

作者：Xinrui Li, Renjin Xiang, Yuhan Tan, Fei He, Ting Huang, Jiahao Wang 等
发表日期：2026-06-10
分类：Bacillus cereus, Anti-Bacterial Agents, Animals, Acrolein, Biofilms
Paper ID：pubmed:42425669

核心贡献#

研究鉴定出香椿来源的 MCA 对 B. cereus 具有抑菌、杀菌和抗生物膜作用，并结合非靶向代谢组与分子对接提出其同时扰动膜、DNA、蛋白及多条代谢通路。冷藏猪肉实验中，MCA 在第 7 天完全清除该菌并延缓品质劣化。

技术栈#

语言/框架：未提及
模型/算法：非靶向代谢组学、代谢通路分析、分子对接、抑菌与生物膜表型分析
关键库与工具：具体软件、数据库和质谱平台未提及
数据集：B. cereus ATCC 11778 与耐药菌株的体外实验、代谢组数据及冷藏猪肉模型
开源情况：未提及

上手难度#

前置知识：食品微生物学、生物膜实验、代谢组学、分子对接与肉品保鲜评价
算力需求：未提及
复现成本：困难；需要微生物培养、代谢组检测、分子对接和冷藏食品挑战实验，完整协议与数据未提及
适合谁读：硕博生、研究员、食品安全专家、天然产物与微生物研究者

一句话总结#

MCA多靶点抑菌并延长冷藏猪肉品质

9. UHPLC-Q-Exactive Orbitrap MS-based brain-gut metabolomics implicates multi-pathway modulation by Ginseng stem-leaf saponins in chronic fatigue syndrome mice. ↗#

作者：Wei Wu, Saibire Aishan, Meng Zhang, Xue Chen, Hui Li
发表日期：2026-06-09
分类：Animals, Saponins, Panax, Chromatography, High Pressure Liquid, Fatigue Syndrome, Chronic
Paper ID：pubmed:42284918

核心贡献#

研究在慢性疲劳小鼠中联合分析脑组织与粪便代谢组，发现 GSLS 可部分逆转脂质介质、膜脂重塑及能量和氧化还原相关通路异常。结果提示其作用可能关联脑肠轴相关的神经递质代谢、HPA 轴相关甾体代谢、炎症与氧化应激。

技术栈#

语言/框架：未提及
模型/算法：非靶向代谢组学、多变量分析、差异代谢物筛选、代谢通路分析
关键库与工具：UHPLC-Q-Exactive Orbitrap MS
数据集：对照、模型、阳性对照和 GSLS 四组雄性 C57BL/6 小鼠的脑组织与粪便样本，每组 6 只
开源情况：未提及

上手难度#

前置知识：动物疾病模型、脑肠轴、代谢组学、脂质代谢与多变量统计
算力需求：未提及
复现成本：困难；需要长期强迫游泳模型、动物取样和高分辨质谱，原始数据与分析参数未提及
适合谁读：硕博生、研究员、代谢组学专家、功能食品与神经生物学研究者

一句话总结#

GSLS或通过脑肠轴相关通路部分纠正代谢紊乱

10. Qishen Yiqi dripping pills alleviate myocardial ischemia-reperfusion-induced fibrotic injury by inhibiting fibroblast activation via the transforming growth factor-beta/Periostin pathway. ↗#

作者：Teng Ge, Jinlin Hu, Baiqing Lin, Liangbin Yang, Bo Ning, Jingyu Bo 等
发表日期：2026-06-10
分类：Drugs, Chinese Herbal, Animals, Myocardial Reperfusion Injury, Transforming Growth Factor beta, Fibroblasts
Paper ID：pubmed:42269799

核心贡献#

研究整合 single-cell、转录组、network pharmacology、LASSO 与 molecular dynamics，将 TGF-β/Postn 轴识别为 QSYQ 缓解 MIRI 后成纤维细胞活化的候选机制。小鼠和细胞实验显示，QSYQ 可改善心功能并降低 TGF-β、Postn 及纤维化相关蛋白表达。

技术栈#

语言/框架：未提及
模型/算法：单细胞与转录组整合、network pharmacology、LASSO、molecular dynamics、体内外干预验证
关键库与工具：超声心动图、Masson 染色、免疫荧光、Western blot、CCK-8
数据集：未指明来源的单细胞与转录组数据、C57BL/6N 小鼠 MIRI 模型和 HL-1 细胞实验
开源情况：未提及

上手难度#

前置知识：心肌缺血再灌注、单细胞转录组、网络药理学、分子动力学与心肌纤维化实验
算力需求：未提及
复现成本：困难；横跨多组学计算、分子模拟、动物手术和细胞实验，代码与完整数据未提及
适合谁读：硕博生、研究员、心血管研究者、中药药理与生物信息学专家

一句话总结#

QSYQ或经TGF-β/Postn轴缓解心肌纤维化