50 min

论文速读 · 2026-06-17

抓取窗口：2026-06-11 ~ 2026-06-17 共 30 篇

📚 目录#

arXiv q-bio#

1. CollaboratoR: A scalable workflow for collaborative data entry and management ↗#

作者：Patrick Bills, Ashwini Ramesh, Lais Petri, Alejandra Martinez Blancas, Kelly Kapsar, Amar Deep Tiwari 等
发表日期：2026-06-17
分类：q-bio.QM
Paper ID：arxiv:2606.19280v1

核心贡献#

本文提出 CollaboratoR，一个用于协作式数据录入、验证、聚合和版本追踪的 R workflow/package，目标是在 ad-hoc spreadsheets 和复杂数据系统之间提供轻量方案。两个 case studies 显示，自动 validation 能提前发现格式和录入问题，提升大型协作数据集的 traceability 并减少后期清洗。

技术栈#

  • 语言/框架：R
  • 模型/算法：Automated data validation、data aggregation、FAIR data workflow
  • 关键库与工具：Google Sheets、GitHub
  • 数据集：plant competition 数据库、avian interaction 数据库两个 case studies
  • 开源情况：摘要提到 R package 和 GitHub version control，但未给代码链接

上手难度#

  • 前置知识：R、协作数据录入、数据验证、FAIR data principles、GitHub 基础
  • 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，核心是 R package + Google Sheets/GitHub workflow，但具体安装链接未在摘要中给出
  • 适合谁读：本科生、硕博生、研究数据管理人员、做 meta-analysis 的研究员

一句话总结#

给协作数据录入加自动校验和版本控制。

2. Retrieval-Based Brain Decoding by Alignment, not Complexity ↗#

作者：Matteo Ciferri, Matteo Ferrante, Nicola Toschi
发表日期：2026-06-17
分类：q-bio.NC, cs.HC
Paper ID：arxiv:2606.19081v1

核心贡献#

本文研究 fMRI activity 到 vision、language、audio foundation model embedding spaces 的映射，发现 linear contrastive decoders 稳定超过 ridge regression 和常见 nonlinear alternatives。结论是 brain decoding 的收益更多来自 contrastive training objective 与表示对齐，而不是更复杂的模型架构。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Linear contrastive decoder、ridge regression、nonlinear decoders、foundation model embeddings
  • 关键库与工具：未提及
  • 数据集：多个 fMRI datasets，覆盖 image、text、sound stimuli
  • 开源情况：未提及

上手难度#

  • 前置知识：fMRI brain decoding、contrastive learning、foundation model embeddings、线性模型
  • 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，方法较清晰但需要多个神经影像数据集和 embedding 处理流程
  • 适合谁读：硕博生、研究员、计算神经科学和脑机接口方向读者

一句话总结#

脑解码靠对齐目标，不靠模型堆复杂。

3. Multi-type branching inference on contact trees with application to COVID-19 ↗#

作者：Augustine Okolie, Johannes Müller, Eno Akarawakc, Isaac Ajiboye
发表日期：2026-06-17
分类：q-bio.QM, math.DS, q-bio.PE
Paper ID：arxiv:2606.19405v1

核心贡献#

本文提出直接作用于 transmission/contact trees 的 multi-type branching likelihood framework，不依赖 sequence data 来推断流行病参数和 contact structure。方法把个体的有效接触数和已感染下游接触数纳入 stochastic SIR likelihood，并能处理部分解析树；模拟和 Karnataka COVID-19 contact-tracing 数据验证了参数恢复和实用性。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Stochastic SIR、multi-type branching likelihood、ordinary differential equations、latent internal branching times
  • 关键库与工具：未提及
  • 数据集：模拟 outbreaks；印度 Karnataka COVID-19 contact-tracing data
  • 开源情况：未提及

上手难度#

  • 前置知识：传染病动力学、SIR model、likelihood inference、branching process、contact tracing data
  • 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：中等偏困难，需要实现 likelihood/ODE 并获得 transmission tree 数据
  • 适合谁读：研究员、硕博生、流行病建模和 phylodynamics 方向读者

一句话总结#

不用基因序列也能从传播树推断疫情参数。

4. BioHarness: Substrate-Aware Evidence Assembly for Biomedical Question Answering across Literature, Knowledge Bases, and Biological Atlases ↗#

作者：Meng Xiao, Chuan Qin, Jinmiao Chen, Yihang Cheng, Yuanchun Zhou, Hengshu Zhu
发表日期：2026-06-17
分类：q-bio.QM
Paper ID：arxiv:2606.19396v1

核心贡献#

本文提出 BioHarness，用 substrate-aware staged evidence assembly 改善 biomedical QA：先用 reranked literature evidence，证据不足或 substrate mismatch 时再升级到 curated knowledge resources 和 REPL-style atlas measurement assembly。它在 19,302 个 biomedical QA items 上把 pooled score 从 65.9 提升到 71.0，收益来自修复 evidence-substrate mismatch，而不是盲目增加检索或推理步骤。

技术栈#

  • 语言/框架：REPL-style evidence assembly；具体语言未提及
  • 模型/算法：LLM harness、RAG、reranking、grounded cascade control、entity grounding、structured measurement access
  • 关键库与工具：未提及
  • 数据集：19,302 biomedical QA items，覆盖七种 answer formats
  • 开源情况：未提及

上手难度#

  • 前置知识：biomedical QA、RAG、entity normalization、知识库和 biological atlas 数据访问
  • 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，需要多源检索、知识库、atlas measurement access 和 LLM harness 工程
  • 适合谁读：研究员、工业界工程师、生物医学 NLP/RAG 系统开发者

一句话总结#

BioHarness 让医学 QA 按证据类型升级工具。

5. Contextualizing Biological Language Models across Modalities via Logit-Space Contrastive Alignment ↗#

作者：Yanjun Shao, Yundi Chen, Yashvi Patel, Aurelien Pelissier, María Rodríguez Martínez
发表日期：2026-06-17
分类：cs.LG, q-bio.QM
Paper ID：arxiv:2606.18703v1

核心贡献#

本文提出 LOGICA，在 biological language models 的 output-logit space 中做 contrastive alignment，使模型能在保留原生 masked-token likelihood interface 的同时接收 context conditioning。它适用于不同 tokenizer/decoder 的模型和稀疏 paired data，在 protein-ligand、TCR-peptide、drug-conditioned resistance 等任务上优于 latent contrastive 和 conditional MLM baselines。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Logit-space Contrastive Alignment、gated cross-modal adapters、masked-token prediction、context-conditioned likelihoods
  • 关键库与工具：未提及
  • 数据集：protein-ligand binding、TCR-peptide activity、drug-conditioned resistance prediction 数据；held-out-gene single-mutation drug-resistance prediction
  • 开源情况：未提及

上手难度#

  • 前置知识：biological language models、masked language modeling、contrastive learning、variant ranking
  • 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，需要预训练生物语言模型、跨模态 adapter 和多个生物配对数据集
  • 适合谁读：研究员、硕博生、蛋白/基因语言模型和药物抗性建模方向读者

一句话总结#

LOGICA在logit空间为生物语言模型注入上下文。

6. scGTN: Deep Siamese Graph Transformer Network for Single-cell RNA Sequencing Clustering ↗#

作者：Jinke Wu, Yifan Wang, Siyu Yi, Caiyang Yu, Ziyue Qiao, Nan Yin 等
发表日期：2026-06-17
分类：cs.LG, cs.AI, q-bio.GN
Paper ID：arxiv:2606.18672v1

核心贡献#

本文提出 scGTN，将 scRNA-seq 数据建成 graph，并通过 two augmented graph views、Siamese Graph Transformer 和 optimal transport 自监督策略进行细胞聚类。模型显式利用 shortest-path 与 node-wise distances 捕获细胞间结构，在多个 benchmark scRNA-seq datasets 上超过现有方法。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Deep Siamese Graph Transformer Network、graph augmentation、shortest-path encoding、optimal transport、self-supervised clustering
  • 关键库与工具：未提及
  • 数据集：多个 benchmark scRNA-seq datasets
  • 开源情况：代码可用：https://github.com/W-RMSL/scGTN ↗

上手难度#

  • 前置知识：scRNA-seq clustering、Graph Transformer、optimal transport、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，有代码和 benchmark，但需要单细胞预处理与图模型训练经验
  • 适合谁读：硕博生、研究员、单细胞算法和图学习方向读者

一句话总结#

Siamese图Transformer聚类单细胞。

7. Can neurons speak? Semantic narration of vision at single-cell resolution ↗#

作者：Arnau Marin-Llobet, Richard Hakim, Sara Matias, Venkatesh N. Murthy, Na Li, Demba Ba
发表日期：2026-06-17
分类：q-bio.NC, q-bio.QM
Paper ID：arxiv:2606.18667v1

核心贡献#

本文提出 NEURRATOR，把单细胞或任意神经元子集的 spike trains 映射到 frozen CLIP patch-embedding space，再由 multimodal language model 与 sparse autoencoder 生成并验证自然语言场景描述。它应用于 mouse visual cortex Neuropixel natural-movie recordings，可用 plain language 分析不同皮层区域、局部群体、单神经元和 genetically tagged inhibitory cell types 的视觉表征贡献。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Learned spike encoder、frozen CLIP、multimodal language model、sparse autoencoder、single-neuron decoding
  • 关键库与工具：CLIP、Neuropixel
  • 数据集：小鼠 visual cortex 在 natural-movie viewing 下的 Neuropixel recordings
  • 开源情况：未提及

上手难度#

  • 前置知识：神经编码、spike train decoding、CLIP/multimodal LLM、视觉皮层实验
  • 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，需要大规模神经记录数据、多模态模型和细胞类型标注
  • 适合谁读：研究员、计算神经科学、神经 AI 和视觉系统方向专家

一句话总结#

让单神经元用自然语言讲视觉内容。

8. Effects of spatial environmental noise on evolution of cooperation ↗#

作者：Janguk Kim, Seung-Woo Son, Hye Jin Park
发表日期：2026-06-17
分类：q-bio.PE, physics.soc-ph
Paper ID：arxiv:2606.18660v1

核心贡献#

本文在一维 lattice spatial evolutionary game 中加入 environmental quality noise，比较 annealed noise 与 quenched noise 对 cooperation 的影响。mean-field theory 和数值模拟显示，时间波动型 annealed noise 会同时扩展 cooperative regime 和 extinction region，而静态空间异质性 quenched noise 对 phase boundary 影响很弱。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Spatial evolutionary game、one-dimensional lattice model、mean-field theory、annealed/quenched noise simulation
  • 关键库与工具：未提及
  • 数据集：模拟数据
  • 开源情况：未提及

上手难度#

  • 前置知识：演化博弈、空间模型、mean-field approximation、随机过程
  • 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：中等，模型相对明确但参数和代码未提供
  • 适合谁读：硕博生、研究员、理论生态和演化动力学方向读者

一句话总结#

促进合作的是时间噪声，不是静态异质性。

9. MetaboNet-Bench: A Multi-modal Benchmark for Glucose Forecasting in Type 1 Diabetes ↗#

作者：Nathaniel Jeffries, Miriam Wolff, Sam Royston, Elizabeth Healey, Caleb Mayer, David Klonoff 等
发表日期：2026-06-17
分类：cs.LG, q-bio.QM
Paper ID：arxiv:2606.18640v1

核心贡献#

本文提出 MetaboNet-Bench，一个面向 type 1 diabetes multimodal glucose forecasting 的 standardized benchmark 和 open-source evaluation framework，整合 glucose、insulin、carbohydrate 数据。作者用它评估多种已发表 glucose forecasting models 和自定义 multimodal time-series model，发现额外模态的收益取决于模型复杂度，更多 clinical metrics 能暴露更有意义的研究缺口。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Multimodal time-series forecasting、benchmark evaluation、glucose forecasting models
  • 关键库与工具：未提及
  • 数据集：type 1 diabetes 患者的 glucose、insulin dosing、carbohydrate intake 数据
  • 开源情况：摘要称提供 extensible open-source evaluation framework，但未给链接

上手难度#

  • 前置知识：CGM/glucose forecasting、time-series modeling、糖尿病临床指标、benchmark 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，框架开源但链接和数据细节未在摘要中给出
  • 适合谁读：硕博生、工业界工程师、数字健康和糖尿病预测算法研究者

一句话总结#

给 1 型糖尿病血糖预测建统一 benchmark。

10. Adaptive COVID-19 Trajectory Forecasting Using MAB-Inspired Ensemble Weighting ↗#

作者：Hamed Karami, Javier Redondo Anton, Geunsoo Jang, K. Selcuk Candan, Gerardo Chowell
发表日期：2026-06-17
分类：q-bio.QM
Paper ID：arxiv:2606.18575v1

核心贡献#

本文评估用 Multi-Armed Bandit inspired adaptive weighting 组合 epidemic forecasting models，以应对不同疫情阶段模型 skill 随时间变化的问题。基于美国 COVID-19 三波 incidence data，EXP3Stoch、EXP3Det 和 EPSStoch 在 mean WIS 上表现最好，主要提升概率预测质量和区间覆盖，而不是稳定降低点预测误差。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：UCB、EXP3、epsilon-greedy、SIR、SEIR、GLM、Gompertz、Richards、ARIMA、random walk with drift、simple exponential smoothing、Holt’s linear trend、exponential growth、ensemble forecasting
  • 关键库与工具：未提及
  • 数据集：美国 COVID-19 incidence data，三轮 epidemic waves
  • 开源情况：未提及

上手难度#

  • 前置知识：疫情预测、time-series forecasting、multi-armed bandit、probabilistic forecast metrics
  • 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，模型池和评价指标清楚，但代码和数据处理细节未提及
  • 适合谁读：硕博生、公共卫生建模研究员、预测系统工程师

一句话总结#

MAB ensemble 改善疫情概率预测。

bioRxiv#

1. Single-allele chromatin folding is organized by recurrent motifs that are reweighted across cell types and states ↗#

作者：Messina, O., Fiche, J.-B., Ganesh, G. 等
发表日期：2026-06-16
分类：genomics
Paper ID：biorxiv:10.1101/2024.09.18.613689

核心贡献#

本文结合 high-resolution chromatin tracing、机器学习、polymer simulations 和 cohesin depletion，发现 single-allele chromatin folding 可由有限 recurrent folding motifs 紧凑表示。不同 cell types/states 的差异主要来自 motif occupancy 和 combinatorial usage 的重加权，而不是产生全新构象；gene activation 与 decompacted states 和降低 contact frequency 相关。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Machine learning motif discovery、polymer simulations、chromatin tracing analysis、cohesin depletion experiments
  • 关键库与工具：未提及
  • 数据集：high-resolution chromatin tracing 数据、distinct tissues、transcriptional/disease-associated states
  • 开源情况：未提及

上手难度#

  • 前置知识：3D genome、chromatin tracing、loop extrusion、single-allele chromatin organization
  • 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：困难，需要高分辨率 chromatin tracing 实验和模拟/机器学习分析
  • 适合谁读：研究员、3D genome 和染色质结构方向专家

一句话总结#

单等位基因染色质由有限折叠 motif 组合。

2. Robust integration of weakly anchored spatial multi-omics ↗#

作者：Wang, C., Liu, Y., Wang, Z. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.10.731246

核心贡献#

本文提出 SpaWeaver，用 pathology foundation model、graph Transformer 和 latent feature aligner 解决 H&E weakly anchored spatial omics 的 diagonal integration 问题。它能在染色差异、landmark 缺失和分辨率不匹配下保持鲁棒，将分离切片上的 molecular features 连接起来，支持 niche-aware cell-cell communication 和 multi-omics resolved cell state 分析。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Pathology foundation model、graph Transformer、latent feature aligner、spatial diagonal integration
  • 关键库与工具：H&E images
  • 数据集：human colon adenocarcinoma、human ovarian cancer 的 spatial omics/病理图像数据
  • 开源情况：未提及

上手难度#

  • 前置知识：spatial multi-omics、数字病理、Graph Transformer、cell-cell communication analysis
  • 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，需要空间组学、H&E 图像、foundation model 和跨切片配准/整合流程
  • 适合谁读：研究员、空间组学算法开发者、病理 AI 工程师

一句话总结#

SpaWeaver 让弱锚定空间多组学也能整合。

3. Xist expression in male Peromyscus leucopus is associated with restricted chromatin repression and incomplete X-to-autosome dosage compensation ↗#

作者：Andrade Ludena, M. D., Motiwala, A., Duong, J. V. 等
发表日期：2026-06-16
分类：genetics
Paper ID：biorxiv:10.64898/2026.06.11.731719

核心贡献#

本文发现雄性 Peromyscus leucopus 体细胞中存在稳定 Xist expression，且不同于雌性 chromosome-wide Xist coating，雄性 Xist 呈离散 nuclear puncta 并选择性压制部分 dosage-sensitive neural/mitochondrial X-linked genes。结果挑战 Xist 仅为雌性 XCI 机制的传统观点，并显示该物种雌雄都未达到完整 X-to-autosome dosage compensation。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Integrative transcriptomic and chromatin profiling、single-nucleus Paired-Tag、XCI/dosage compensation analysis
  • 关键库与工具：RNA-seq、RT-qPCR、RNA FISH、CUT&Tag、single-nucleus Paired-Tag
  • 数据集：male and female Peromyscus leucopus 多组织 somatic cells
  • 开源情况：未提及

上手难度#

  • 前置知识：X-chromosome inactivation、lncRNA Xist、chromatin repression、single-nucleus epigenomics
  • 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：困难，需要非模式哺乳动物样本、多组学实验和染色体剂量分析
  • 适合谁读：研究员、遗传学、表观遗传和性染色体演化方向专家

一句话总结#

雄性鹿鼠也能用 Xist 做选择性 X 染色体调控。

4. Expanding gene regulatory networks from transcriptome data through graphical modeling with heterogeneous priors ↗#

作者：Kokaji, T., Suzuki, K. T., Kunida, K. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.12.731835

核心贡献#

本文提出一种 gene regulatory network expansion 方法，利用已知小规模网络和 heterogeneous priors，对每个 candidate gene 单独评估其到现有网络的 regulatory connections。DREAM4 simulations 和 PRECISE-1K 实验数据表明，该方法比常规重建方法更能区分真实调控与强相关造成的间接关联，并对 prior noise 和网络规模增长保持鲁棒。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Graphical modeling、network expansion、prior knowledge integration、candidate-wise regulatory inference
  • 关键库与工具：未提及
  • 数据集：DREAM4 benchmark simulated datasets、PRECISE-1K experimental dataset
  • 开源情况：未提及

上手难度#

  • 前置知识：gene regulatory network inference、graphical models、转录组数据分析、prior knowledge modeling
  • 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，benchmark 明确但算法实现和代码未给出
  • 适合谁读：硕博生、研究员、基因调控网络和系统生物学算法开发者

一句话总结#

用已知小网络向外扩展基因调控网络。

5. Sparse Autoencoders Reveal Interpretable Features in Single-Cell Foundation Models ↗#

作者：Pedrocchi, F., Barkmann, F., Joudaki, A. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.1101/2025.10.22.681631

核心贡献#

本文在 scGPT、scFoundation 和 Geneformer 的 hidden representations 上训练 sparse autoencoders，发现 scFMs 内部存在可解释的 biological 和 technical features。SAE features 不仅能解释模型行为，还能被干预：抑制 batch-associated features 可减少技术变异并改善 integration，激活 drug-encoding features 可把 control cells 推向 drug-perturbed states。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Sparse autoencoders、single-cell foundation models、feature intervention、representation analysis
  • 关键库与工具：scGPT、scFoundation、Geneformer
  • 数据集：single-cell foundation model hidden representations；drug perturbation/control cell 数据在摘要中未具体命名
  • 开源情况：未提及

上手难度#

  • 前置知识：single-cell foundation models、SAE interpretability、单细胞数据整合、扰动响应建模
  • 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，需要访问多个 scFM、提取 hidden representations 并训练 SAE
  • 适合谁读：研究员、硕博生、单细胞 AI 和模型可解释性方向读者

一句话总结#

SAE 打开单细胞 foundation model 黑箱。

6. Identifying Modulators of Cellular Responses by Heterogeneity-sequencing ↗#

作者：Berg, K., Sakellaridi, L., Rummel, T. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.1101/2024.10.28.620481

核心贡献#

本文提出 Heterogeneity-seq，将 single-cell RNA-seq、metabolic RNA labeling scSLAM-seq 和 double machine learning 结合，绕过传统 scRNA-seq 破坏性制备导致无法直接比较初始状态和刺激结果的限制。该方法可链接 pre-stimulated cell states 到 stimulus outcomes，并识别驱动药物处理和 cytomegalovirus infection 异质响应的已知与新基因。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Heterogeneity-seq、scSLAM-seq、double machine learning、causal driver identification
  • 关键库与工具：single-cell RNA-seq、metabolic RNA labeling
  • 数据集：药物处理细胞、cytomegalovirus infection 单细胞数据
  • 开源情况：未提及

上手难度#

  • 前置知识：scRNA-seq、metabolic RNA labeling、因果推断/Double ML、病毒感染和药物响应
  • 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，需要实验方法组合和因果机器学习分析
  • 适合谁读：研究员、单细胞方法学、感染生物学和药物响应方向专家

一句话总结#

Heterogeneity-seq寻找异质响应因果因子。

7. Physics-Driven Zero-Shot Reconstruction of Isotropic 3D Fluorescence Microscopy under Undersampled Acquisition ↗#

作者：Cao, R., Jin, T., Xin, F. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.13.732100

核心贡献#

本文提出 DeepUI，一个 physics-driven zero-shot framework，用低 axial sampling rate 重建 isotropic 3D fluorescence images。方法通过 physics-guided degradation、spatial-frequency joint learning、scaled optical transfer function、noise degradation 和 up-sampling branch，在约 5 分钟训练、0.5 分钟预测下提升轴向下采样条件下的 isotropic reconstruction。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Physics-driven zero-shot reconstruction、physics-guided degradation、spatial-frequency joint learning、optical transfer function modeling、up-sampling
  • 关键库与工具：未提及
  • 数据集：3D fluorescence microscopy images under axial down-sampling；具体数据集未命名
  • 开源情况：未提及

上手难度#

  • 前置知识：3D fluorescence microscopy、光学传递函数、图像重建、zero-shot learning
  • 算力需求：中高：影像预处理预计需 16 核 CPU、32–64GB RAM；模型训练或 physics-informed inversion 建议 1–2 张 24GB GPU，完整实验约数小时至数天（推算，依据：医学/显微影像建模）
  • 复现成本：中等偏困难，训练时间短但需要显微图像物理退化建模和实现细节
  • 适合谁读：研究员、显微成像算法工程师、生物图像计算方向读者

一句话总结#

DeepUI 用物理先验快速补足 3D 显微轴向分辨率。

8. DynamicDemiLog: A Single Sketch for Ultrafast Similarity, Frequency, and Cardinality Estimation ↗#

作者：Bushnell, B. J.
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.12.731986

核心贡献#

本文提出 DynamicDemiLog，一个 single-pass sketch，同时支持 cardinality、similarity、containment、frequency 和 composition estimation。通过在 LogLog register 中加入 mantissa，DDL 保留足够 hash 信息做 register-wise comparison，并结合 DDLIndex 在 200,687 个 RefSeq sketches 上实现高速 all-to-all/query similarity，显著快于 Mash brute-force。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：DynamicDemiLog、HyperLogLog/LogLog extension、MinHash-like similarity sketching、Count-Min-like frequency estimation、DDLIndex inverted index、Weighted Kmer Identity、ANI estimation
  • 关键库与工具：Mash、RefSeq sketches
  • 数据集：200,687 RefSeq sketches，159,567 organisms
  • 开源情况：未提及

上手难度#

  • 前置知识：probabilistic data structures、k-mer sketching、genome similarity search、ANI/containment estimation
  • 算力需求：未提及
  • 复现成本：中等偏困难，需要实现底层 sketch/index 并进行大规模 RefSeq benchmark
  • 适合谁读：工业界工程师、研究员、生物信息基础设施和近似算法开发者

一句话总结#

一个 sketch 同时估相似度、基数和频率。

9. Super Learner Ensemble Modeling of CPTAC Proteomic Data for Survival Prediction in Head and Neck Squamous Cell Carcinoma ↗#

作者：Park, E., Lee, H., Oh, E. J. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.11.731237

核心贡献#

本文评估 Super Learner ensemble 在 HNSCC CPTAC proteomic survival prediction 中的表现，并与 Cox LASSO、Cox Ridge 和 Random Survival Forest 比较。Cox Ridge 取得最高预测准确率，Super Learner 在 1 年和 3 年时间窗表现稳定；变量重要性还识别出 ATR、MAML1、MIEN1 以及潜在 prognostic indicators ZNF800、KERA。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Super Learner、Cox LASSO、Cox Ridge、Random Survival Forest、time-dependent C-index、bootstrap resampling
  • 关键库与工具：未提及
  • 数据集：96 CPTAC HNSCC samples 的 proteomic features 和 clinical covariates
  • 开源情况：未提及

上手难度#

  • 前置知识：survival analysis、proteomics、Cox models、ensemble learning、HNSCC
  • 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，数据规模不大但需要 CPTAC 蛋白组和生存建模流程
  • 适合谁读：硕博生、转化医学研究员、蛋白组生存预测方向读者

一句话总结#

HNSCC 蛋白组生存预测里 Cox Ridge 仍很强。

10. RareFold: Structure prediction and design of proteins with noncanonical amino acids ↗#

作者：Li, Q., Daumiller, D., Zuo, F. 等
发表日期：2026-06-16
分类：bioinformatics
Paper ID：biorxiv:10.1101/2025.05.19.654846

核心贡献#

本文提出 RareFold，把 protein structure prediction/design 扩展到 20 种 canonical amino acids 加 29 种 noncanonical amino acids。其 residue-independent token 表示能建模非标准化学空间，并在 EvoBindRare 中用于 de novo 设计含 ncAAs 的 linear/cyclic peptide binders；针对 Ribonuclease A 的设计经 HDX-MS 验证界面一致，并在 organoid immunogenicity profiling 中未见免疫激活。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：RareFold deep learning architecture、residue tokenization、EvoBindRare generative design、structure prediction and peptide binder design
  • 关键库与工具：Hydrogen-deuterium exchange mass spectrometry
  • 数据集：20 canonical amino acids、29 ncAAs；Ribonuclease A binder design 实验；human-derived organoid models
  • 开源情况：未提及

上手难度#

  • 前置知识：蛋白结构预测、de novo protein design、noncanonical amino acids、peptide binder validation
  • 算力需求：未提及
  • 复现成本：困难，需要模型实现、ncAA 表示、生成式设计和湿实验验证
  • 适合谁读：研究员、蛋白工程、结构生物学和 AI protein design 方向专家

一句话总结#

RareFold 把蛋白设计扩展到非天然氨基酸。

PubMed#

1. MGA: a tool for haplotype-mixed assembly of long and accurate reads. ↗#

作者：Zhenmiao Zhang, Marcus W Fedarko, Anton Bankevich, Pavel A Pevzner
发表日期：2026-06-17
分类：Haplotypes, Software, Sequence Analysis, DNA, High-Throughput Nucleotide Sequencing
Paper ID：pubmed:42310681

核心贡献#

本文提出 Mosaic Genome Assembler，用 HiFi reads alone 自动生成 near-complete haplotype-mixed assemblies，面向不需要完整 phased diploid assemblies 的物种和应用场景。MGA 目标是在较低成本和更少人工整理下保留下游分析所需的大部分收益，并显著超过已有 haplotype-mixed assemblers。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Haplotype-mixed genome assembly、long accurate reads assembly
  • 关键库与工具：Mosaic Genome Assembler、HiFi reads
  • 数据集：HiFi reads；具体物种/数据集未在摘要中列出
  • 开源情况：摘要称 MGA 是 tool，但未给代码链接

上手难度#

  • 前置知识：基因组组装、diploid/haplotype assembly、PacBio HiFi reads
  • 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，需要 HiFi read 数据和 assembler 安装；链接与参数细节未在摘要中给出
  • 适合谁读：硕博生、基因组组装工程师、非模式物种基因组研究者

一句话总结#

MGA 用 HiFi reads 自动做混合单倍型组装。

2. Clinicogenomic analysis of ↗#

作者：Alexandria Dymun, Mark Y Jeng, Arielle Elkrief, Harshita Mehrotra, Soo-Ryum Yang, Christina Wilson 等
发表日期：2026-06-17
分类：Humans, Lung Neoplasms, ErbB Receptors, Animals, Mutation
Paper ID：pubmed:42308331

核心贡献#

本文对 EGFR-mutant LUAD 向 LUSC histologic transformation 的耐药机制做 clinicogenomic multiomic profiling，发现 Rb pathway inactivation，尤其 CDKN2A/B deletions，与转化和 osimertinib 获益缩短相关。模型和 PDX 实验证明 Rb inactivation 配合 AKT/MYC activation 推动 LUSC features，MET pathway up-regulation 是可靶向脆弱点，EGFR+MET 抑制能压制转化模型肿瘤生长。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Clinicogenomic profiling、genomic/transcriptomic/methylation/proteomic analysis、single-cell RNA profiling
  • 关键库与工具：patient-derived xenograft models、genetically engineered human in vivo models
  • 数据集：EGFR-mutant transforming tumors、LUAS、de novo LUSC；临床样本和模型数据
  • 开源情况：未提及

上手难度#

  • 前置知识：肺癌靶向治疗、EGFR/osimertinib resistance、multi-omics、Rb/AKT/MYC/MET 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，需要临床肿瘤队列、多组学、单细胞和 PDX/体内模型
  • 适合谁读：研究员、肿瘤生物学和精准治疗方向专家

一句话总结#

Rb 失活推动 EGFR 肺癌鳞癌转化，MET 可靶向。

3. Plasma proteomics improves thrombosis prediction in patients with cancer and identifies targetable IL-17-driven endothelial activation. ↗#

作者：Dimitra Karagkouni, Marisa A Brake, Rushad Patell, Anna Falanga, Marina Marchetti, Laura Russo 等
发表日期：2026-06-17
分类：Humans, Proteomics, Interleukin-17, Animals, Thrombosis
Paper ID：pubmed:42308329

核心贡献#

本文用 1105 个 plasma proteins 加临床参数建立 cancer-associated VTE 预测模型，显著优于 Khorana score，并在外部 placebo cohort 验证。机制上，低 CD200R1 与高 D-dimer 和 thrombosis risk 相关；CD200R1-deficient mice 出现 IL-17A 上升和 endothelial inflammation，anti-IL-17A 可纠正促栓状态，提示 IL-17-driven endothelial activation 是潜在治疗靶点。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：High-throughput plasma proteomics、Bayesian probabilistic machine learning、external validation、meta-analysis
  • 关键库与工具：Khorana prediction score
  • 数据集：新诊断 lung/gastric cancer 患者外周血 1105 plasma proteins；phase 3 trial 外部 placebo cohort；CD200R1-deficient mouse model；human COVID-19 studies meta-analysis
  • 开源情况：未提及

上手难度#

  • 前置知识：cancer-associated thrombosis、plasma proteomics、Bayesian ML、IL-17/endothelial inflammation
  • 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，需要前瞻队列、蛋白组平台、外部验证和动物机制实验
  • 适合谁读：研究员、血栓/肿瘤转化医学、蛋白组 biomarker 和免疫治疗方向读者

一句话总结#

血浆蛋白组提升癌症血栓预测并指向 IL-17 靶点。

4. Diet and microbiome shape small-molecule cytokinin pools in mammals. ↗#

作者：Eman M Othman, Elena Bencurova, Pamela Ferretti, Peer Bork, Alvaro Rodriguez Del Rio, Jaime Huerta-Cepas 等
发表日期：2026-06-12
分类：Animals, Cytokinins, Humans, Mice, Diet
Paper ID：pubmed:42286862

核心贡献#

研究跨五种动物描绘哺乳动物体内 cytokinin 的组成与分布，并通过饥饿和 germ-free 小鼠实验区分饮食与肠道微生物的贡献。结果表明 cytokinin 是受饮食和 microbiome 共同调节的哺乳动物小分子代谢物。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：整合代谢组学、microbiome 分析、metagenomics、跨物种比较
  • 关键库与工具：具体质谱平台、软件和数据库未提及
  • 数据集：五种动物的血清、鼠肾心肝血管组织，以及饮食干预、粪便、尿液和 germ-free 小鼠样本；人、鼠、猪肠道微生物 meta-omics 数据
  • 开源情况：未提及

上手难度#

  • 前置知识：代谢组学、微生物组、宏基因组学、无菌动物实验与跨物种生物学
  • 算力需求：未提及
  • 复现成本：困难；需要多物种采样、饮食干预、无菌动物和多组学平台，数据与代码未提及
  • 适合谁读：硕博生、研究员、代谢组学与微生物组专家、营养研究者

一句话总结#

饮食与微生物组共同塑造哺乳动物细胞分裂素池

5. Contrasting dietary patterns remodel gut microbial function and generate multi-omic signatures associated with cardiometabolic markers. ↗#

作者：Jordan Stanford, Emily C Hoedt, María Gómez-Martín, Erin D Clarke, Kerith Duncanson, Tracy Burrows 等
发表日期：2026-06-11
分类：Humans, Gastrointestinal Microbiome, Multiomics, Feces, Biomarkers
Paper ID：pubmed:42281243

核心贡献#

随机交叉喂养试验比较 HAD 与 TAD 对 34 名成人肠道微生物功能和宿主代谢的影响，发现饮食差异主要体现在 105 条微生物功能通路。DIABLO 整合特征可高准确率区分饮食反应，并找到与血脂、血压和甘油三酯相关的多组学关联。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：随机交叉试验、shotgun metagenomics、非靶向代谢组学、DIABLO 多组学整合、FDR 校正
  • 关键库与工具：DIABLO；具体测序、质谱平台和软件未提及
  • 数据集：34 名澳大利亚成人分别接受 HAD 与 TAD 各两周并间隔两周 washout 的粪便、血浆、尿液及心代谢指标
  • 开源情况：未提及

上手难度#

  • 前置知识：营养干预试验、肠道微生物组、代谢组学、多组学整合与心代谢统计
  • 算力需求：未提及
  • 复现成本：困难；需要受控喂养、shotgun 测序和多类代谢检测，原始数据、代码与完整参数未提及
  • 适合谁读：硕博生、研究员、营养学家、微生物组与多组学专家

一句话总结#

整合多组学捕捉全膳食模式的心代谢响应

6. Neuroprotective effects of Chaihu-Longgu-Muli Decoction in an insomnia-depression comorbidity model via Galectin-3-dependent JAK2/STAT3 inhibition. ↗#

作者：Zhujiang Li, Kairui Zhang, Zhuo Zhang, Jiecheng Jiang, Shiyu Ji, Yaqi Li 等
发表日期：2026-06-17
分类：Animals, Janus Kinase 2, STAT3 Transcription Factor, Sleep Initiation and Maintenance Disorders, Drugs, Chinese Herbal
Paper ID：pubmed:42309270

核心贡献#

研究以 bioinformatics 和 machine learning 将 Gal-3 确定为失眠抑郁共病的核心靶点，并以 docking、动物及 astrocyte 实验验证 CLMD 的作用。CLMD 通过抑制 Gal-3 介导的 JAK2/STAT3 激活，减轻炎症、氧化损伤并改善行为和睡眠结构。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：差异表达、machine learning 特征筛选、功能富集、单细胞分析、molecular docking、体内外机制验证
  • 关键库与工具：GEO、KEGG、GSEA；具体软件未提及
  • 数据集：未指明编号的 GEO 表达数据、CUMS 联合睡眠剥夺小鼠模型及 Gal-3 过表达 astrocyte 实验
  • 开源情况：未提及

上手难度#

  • 前置知识：神经精神疾病模型、转录组与单细胞分析、machine learning、分子对接和 JAK2/STAT3 信号
  • 算力需求：未提及
  • 复现成本：困难；需要多阶段计算筛选、动物睡眠与行为实验及细胞机制验证，代码和完整数据未提及
  • 适合谁读：硕博生、研究员、神经科学家、中药药理与生物信息学研究者

一句话总结#

CLMD阻断Gal-3信号改善失眠抑郁共病

7. Thermodynamic metabolic modeling of growth and bioproduction potential of the acetogen Acetobacterium woodii with and without redox cofactor swaps. ↗#

作者：Jasmin Bauer, Axel von Kamp, Stefan Pflügl, Steffen Klamt
发表日期：2026-06-13
Paper ID：pubmed:42325660

核心贡献#

研究构建带标准 Gibbs free energy 与代谢物浓度边界的 A. woodii 大规模约束代谢模型，系统评估 redox cofactor swap 对生长和生物制造的影响。结果筛出可提高生长率与产物合成驱动力的关键 swap，同时解释天然辅因子配置在不同气体条件下的稳健性。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：constraint-based metabolic modeling、thermodynamic analysis、redox cofactor swap、情景优化
  • 关键库与工具：具体建模软件、求解器和数据库未提及
  • 数据集：重建的 A. woodii 代谢模型、不同 H2/CO2 与辅因子约束情景，以及四种 C1 底物条件下 15 种化学品生产任务
  • 开源情况：模型、代码与参数文件是否开放未提及

上手难度#

  • 前置知识：代谢网络建模、热力学、线性优化、氧化还原辅因子与 acetogen 生理
  • 算力需求：未提及
  • 复现成本：中等；以计算建模为主，但完整模型、求解器、浓度边界和代码未提及
  • 适合谁读：硕博生、研究员、代谢工程师、系统生物学与工业生物技术专家

一句话总结#

热力学模型预测辅因子重布线可提升生长合成潜力

8. Proteomic Mendelian randomization and machine learning reveal causal plasma biomarkers in cardiorenal comorbidity. ↗#

作者：HaiQuan Huang, Wenkang Liu, YaNan Yan, Juan Cao, JiePeng Wang, ChaoYi Fang
发表日期：2026-06-16
分类：Humans, Mendelian Randomization Analysis, Biomarkers, Machine Learning, Coronary Artery Disease
Paper ID：pubmed:42299131

核心贡献#

研究以 Mendelian randomization 整合 pQTL 与 CAD、CKD 表达数据，识别出 6 个遗传支持的因果中介血浆蛋白。Boruta 与 SVM 进一步形成诊断 panel，功能分析和 docking 则提示 lipid-inflammation axis 及潜在药物重定位方向。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Mendelian randomization、mediation MR、Boruta 特征筛选、SVM、功能分析、molecular docking
  • 关键库与工具：Boruta；具体 MR、SVM 与 docking 软件未提及
  • 数据集：未指明来源的 plasma pQTL 数据，以及 CAD 与 CKD gene expression datasets
  • 开源情况：未提及

上手难度#

  • 前置知识：遗传流行病学、pQTL、Mendelian randomization、机器学习、心肾共病与蛋白组学
  • 算力需求：未提及
  • 复现成本：中等；分析依赖既有多组学资源，但具体队列、工具变量、参数和代码未提及
  • 适合谁读：硕博生、研究员、遗传流行病学家、心肾疾病与转化生物信息学研究者

一句话总结#

六种因果蛋白串联慢性肾病与冠心病风险

9. RBMS1 enhances PDPK1 mRNA stability to promote multiple myeloma malignancy and M2 macrophage polarization. ↗#

作者：Yan Liu, Yue-Qi Geng, Li Jiang, Ai-Chun Liu
发表日期：2026-06-11
分类：Animals, Multiple Myeloma, Humans, Male, Cell Proliferation
Paper ID：pubmed:42277590

核心贡献#

研究从 GEO 数据与多种网络分析中识别 RBMS1 为 MM 不良预后相关因子，并在细胞和小鼠中验证其促进肿瘤生长及 M2 macrophage polarization。机制上，RBMS1 结合 PDPK1 mRNA 3’UTR、增强其稳定性并激活 β-catenin signaling。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：RRA、WGCNA、GO enrichment、Kaplan-Meier survival analysis、细胞与 xenograft 功能验证
  • 关键库与工具：GEO、WGCNA、GO
  • 数据集：未指明编号的 GSE datasets，RPMI8226、MM1S、KMS11 细胞，以及雄性 NOG 小鼠 MM xenograft
  • 开源情况：未提及

上手难度#

  • 前置知识：多发性骨髓瘤、转录组网络分析、RNA stability、巨噬细胞极化与肿瘤动物模型
  • 算力需求：未提及
  • 复现成本：困难；需要公共数据分析、多个细胞系、免疫缺陷小鼠和分子机制实验，代码与完整数据未提及
  • 适合谁读：硕博生、研究员、血液肿瘤研究者、肿瘤免疫与 RNA 生物学专家

一句话总结#

RBMS1稳定PDPK1转录本并驱动骨髓瘤恶化

10. Nanopore sequencing technology in forensic science: status quo and tendency. ↗#

作者：Tianzhen Gao, Wang He, Xin Feng, Bing Long, Deming Zhang
发表日期：2026-06-11
分类：Nanopore Sequencing, Forensic Genetics, Humans, High-Throughput Nucleotide Sequencing, Forensic Sciences
Paper ID：pubmed:42274089

核心贡献#

该综述结合 bibliometric analysis 与文献归纳，梳理 nanopore sequencing 在 forensic genetics 中的技术优势、应用演进与研究热点。文章指出低输入样本处理与标准化仍是主要瓶颈，常规应用还需要硬件、生物信息学优化和多实验室验证。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：bibliometric analysis、系统性技术与应用综述
  • 关键库与工具：Oxford Nanopore Technologies、PubMed、Web of Science、Scopus
  • 数据集：截至 2026 年 2 月由三个文献数据库检索的英文 nanopore sequencing 与 forensic 相关文献
  • 开源情况：检索结果、分析代码和完整数据是否开放未提及

上手难度#

  • 前置知识：法医遗传学、NGS/TGS、nanopore sequencing、文献计量学
  • 算力需求：未提及
  • 复现成本：中等；文献数据库与截止日期明确，但完整检索式、筛选流程和分析代码未提及
  • 适合谁读：本科生、硕博生、研究员、法医遗传与测序技术人员

一句话总结#

纳米孔测序走向常规法医仍需标准化验证

论文速读 · 2026-06-10

论文速读 · 2026-06-24