47 min

论文速读 · 2026-06-24

抓取窗口：2026-06-18 ~ 2026-06-24 共 30 篇

📚 目录#

arXiv q-bio#

1. Closing the Loop to Discover Psychological Theories with an Automated Cognitive Scientist ↗#

作者：Akshay K. Jagadish, Younes Strittmatter, Nori Jacoby, George Kachergis, Eric Schulz, Nathaniel Daw 等
发表日期：2026-06-24
分类：q-bio.NC, cs.AI
Paper ID：arxiv:2606.26448

核心贡献#

AutoCog 将理论提出、判别性实验设计、线上招募、数据采集、模型评分、失败诊断与理论迭代闭合为 autonomous discovery loop。它在模拟行为中恢复已知策略，在真人任务中产生优于种子理论且可泛化的模型，并提出由预注册新实验支持的多线索决策理论。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：LLM multi-agent system、executable cognitive model、主动判别实验设计、generative performance scoring、closed-loop theory search
  • 关键库与工具：具体 LLM、agent framework、实验平台和统计软件未提及
  • 数据集：模拟决策行为、线上参与者行为数据、两个实验设置的 held-out studies 及预注册新参与者研究
  • 开源情况：代码、模型、prompt、数据与实验材料是否开放未提及

上手难度#

  • 前置知识：认知建模、实验心理学、agentic AI、统计模型比较与在线人类实验
  • 算力需求：未提及
  • 复现成本：困难；需实现完整 agent 闭环并招募参与者，且底层模型、代码、数据和平台细节未提及
  • 适合谁读：硕博生、研究员、认知科学家、AI for Science 与 agent 系统工程师

一句话总结#

AutoCog让认知理论发现形成可执行闭环

2. Frustrated shapes of solid domains in fluid membrane vesicles: From rolls and folds to crumples and wrinkles ↗#

作者：Geunwoong Jeon, Anthony N. A. Prempeh, Maria M. Santore, Gregory M. Grason
发表日期：2026-06-24
分类：cond-mat.soft, q-bio.BM
Paper ID：arxiv:2606.26433

核心贡献#

研究用离散 finite-element simulation 分析含单个圆形固态域的闭合流体膜囊泡，确定 inflation、膜张力、尺寸与有效弹性厚度如何共同选择形态。模型给出从 roll、fold 到 crumple、wrinkle 再到 smooth cap 的序列，并与 DPPC/DOPC 巨型单层囊泡实验形态相符。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：离散 finite-element simulation、elastic energy minimization、far-from-threshold mechanics
  • 关键库与工具：Surface Evolver
  • 数据集：不同 inflation 与机械参数下的流体-固体复合囊泡模拟，以及已观测的 DPPC/DOPC giant unilamellar vesicle 形态
  • 开源情况：模拟代码、参数文件和实验数据是否开放未提及

上手难度#

  • 前置知识：软物质物理、膜力学、二维弹性、Gaussian curvature 与有限元数值模拟
  • 算力需求：未提及
  • 复现成本：中等；Surface Evolver 工具明确，但几何离散、参数设置和模拟文件未提及
  • 适合谁读：硕博生、研究员、软物质物理与生物膜力学专家

一句话总结#

几何挫折驱动固态膜域卷折皱缩的形态序列

3. Smoothly Time-Varying Continuous Time Markov Chains in Phylogenetics ↗#

作者：Pratyusa Datta, Philippe Lemey, Marc A. Suchard
发表日期：2026-06-24
分类：q-bio.PE, stat.ME
Paper ID：arxiv:2606.26402

核心贡献#

研究以 inhomogeneous continuous-time Markov chain 和 cubic B-spline 构建平滑时变的 phylogenetic clock model，并用 GMRF prior 约束速率曲线。模拟结果显示其比对比模型更准确且 credible interval 更紧，并在 foamy virus 与欧洲 SARS-CoV-2 扩散中检出显著时变信号。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：ICTMC、cubic B-spline basis expansion、Gauss-Legendre quadrature、Gaussian Markov random field prior、Bayesian phylogenetic inference
  • 关键库与工具：具体 phylogenetics 软件、MCMC 工具和代码库未提及
  • 数据集：模拟序列数据、foamy virus 数据，以及 SARS-CoV-2 在欧洲的空间扩散数据
  • 开源情况：代码、数据与模型实现是否开放未提及

上手难度#

  • 前置知识：系统发育学、连续时间 Markov chain、Bayesian inference、样条函数与数值积分
  • 算力需求：未提及
  • 复现成本：中等；方法定义清楚，但软件实现、输入数据来源、先验细节与运行参数未提及
  • 适合谁读：硕博生、研究员、统计遗传学家、进化与传染病系统发育专家

一句话总结#

样条时钟更精细地恢复随时间变化的进化速率

4. An Investigation of Additional Food Models with Generalised Functional Response ↗#

作者：Urvashi Verma, Kanishka Goyal, Saptarshi Biswas, James I. Lathrop, Rana D. Parshad
发表日期：2026-06-24
分类：q-bio.PE
Paper ID：arxiv:2606.26340

核心贡献#

研究为一类带 additional food 的 predator-prey model 给出 coexistence equilibrium 全局稳定的条件，并在 Holling type IV response 下证明 codimension-3 Bogdanov-Takens bifurcation 的存在。chemical reaction network 视角还表明，additional food 会提高网络 deficiency，并可能与复杂分岔相关。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：非线性 predator-prey dynamics、global stability analysis、Holling type IV functional response、Bogdanov-Takens bifurcation、deterministic chemical reaction network theory
  • 关键库与工具：未提及
  • 数据集：无实证数据；研究对象为一般化数学模型与相应 reaction network
  • 开源情况：代码、符号推导与数值材料是否开放未提及

上手难度#

  • 前置知识：常微分方程、动力系统、稳定性理论、分岔理论、生态建模与 chemical reaction network theory
  • 算力需求：未提及
  • 复现成本：中等；以理论推导为主，但完整证明、参数案例和数值实现需结合正文，代码未提及
  • 适合谁读：硕博生、研究员、数学生物学与理论生态学专家

一句话总结#

额外食物提高网络deficiency并关联复杂分岔

5. Beyond Single-Source Cognitive Taskonomy:Multi-Source Task Relations through fMRI Transfer Learning ↗#

作者：Junfeng Xia, Wendu Li, Mengjiao Zhang, Jie Guo
发表日期：2026-06-24
分类：cs.CV, q-bio.NC
Paper ID：arxiv:2606.26279

核心贡献#

研究把 masked fMRI reconstruction taskonomy 从单源扩展到多源 transfer，覆盖 23 个 HCP task states，并用 BIP 优化监督预算分配。结果揭示 motor task 的跨 paradigm transfer 受限，而若干 working-memory states 在全局预算目标下持续获得高优先级。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：masked fMRI reconstruction、single-source 与 multi-source transfer learning、Boolean Integer Programming、budget-constrained task allocation
  • 关键库与工具：Human Connectome Project；具体 deep learning framework、BIP solver 和软件未提及
  • 数据集：Human Connectome Project 的 23 个认知任务状态，共训练 1,127 个 task-specific 与 transfer models
  • 开源情况：代码、模型权重和处理后数据是否开放未提及

上手难度#

  • 前置知识：fMRI、认知神经科学、self-supervised learning、transfer learning 与整数规划
  • 算力需求：未提及
  • 复现成本：困难；需处理大规模 fMRI 并训练 1,127 个模型，但硬件、训练配置、代码与权重未提及
  • 适合谁读：硕博生、研究员、认知神经科学家、医学影像与机器学习工程师

一句话总结#

多源迁移揭示认知任务间更完整的依赖结构

6. Deviance-style normalization for jointly overdispersed counts ↗#

作者：Akshay Balsubramani
发表日期：2026-06-24
分类：stat.ME, math.ST, q-bio.QM, stat.ML
Paper ID：arxiv:2606.26061

核心贡献#

提出 Dirichlet–multinomial deviance residualization，用统一 compositional null 处理稀疏且联合过度离散的计数矩阵。该变换保持精确稀疏性、每个非零元素常数时间计算，并可扩展到有序与树结构特征。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Dirichlet–multinomial deviance residualization、negative-binomial conditional model、generalized DM、Dirichlet-tree multinomial
  • 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：组成数据分析、过度离散计数模型、deviance residual 与稀疏矩阵计算
  • 算力需求：未提及
  • 复现成本：中等；方法强调轻量计算，但摘要未提供实现、代码或评估数据
  • 适合谁读：硕博生、研究员、计算生物学与统计方法开发者

一句话总结#

用DM残差统一稀疏过度离散计数归一化

7. Topology-Dependent Emergence of Polychronous Neuronal Groups: A Recurrence-Plot Characterization ↗#

作者：Lucas A. T. X. Carneiro, Armand D. Jiofack, Fernando F. Ferreira
发表日期：2026-06-24
分类：q-bio.NC, nlin.AO
Paper ID：arxiv:2606.25874

核心贡献#

通过 N=1000 的 recurrent spiking network 模拟与 topology sweep，发现 clustering coefficient 是 PNG 产量的主要结构驱动因素，小世界拓扑最利于 polychronization。另提出 label-free recurrence plot decoder，以相空间中的单位斜率对角结构识别 PNG。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Izhikevich neuron、STDP、Watts–Strogatz network、Recurrence Plot、Recurrence Quantification Analysis、offline event-driven detection
  • 关键库与工具：未提及
  • 数据集：N=1000 神经元的十小时生物时间模拟；识别出 1545 个 unique PNG
  • 开源情况：未提及

上手难度#

  • 前置知识：计算神经科学、spiking neural network、STDP、复杂网络与 recurrence analysis
  • 算力需求：未提及
  • 复现成本：困难；需长时间网络模拟和离线事件检测，且摘要未给出代码与实现细节
  • 适合谁读：硕博生、研究员、计算神经科学专家

一句话总结#

小世界拓扑决定多时序神经群的涌现

8. Molexar: A Unified Multimodal Molecular Foundation Model for Drug Design ↗#

作者：Haoyu Lin, Yiyan Liao, Jinmei Pan, Xinliao Ling, Luhua Lai, Jianfeng Pei
发表日期：2026-06-24
分类：q-bio.BM
Paper ID：arxiv:2606.25865

核心贡献#

构建以 Fragment-SELFIES 为分子语言的统一多模态 autoregressive foundation model，用同一生成路径接收性质、药效团、蛋白序列和结合口袋等条件。模型在无条件、片段约束和靶点条件生成中兼顾有效性、drug-likeness 与参数效率。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Fragment-SELFIES、autoregressive decoder、supervised fine-tuning、value-token embedding replacement、conditional molecular generation
  • 关键库与工具：Molexar
  • 数据集：CrossDocked2020 test set、MolGenBench；预训练与 SFT 数据的具体来源未提及
  • 开源情况：未提及

上手难度#

  • 前置知识：生成式模型、分子表示、药物设计、蛋白—配体条件建模
  • 算力需求：未提及
  • 复现成本：困难；需预训练与多条件 SFT，且摘要未提供数据规模、代码或模型权重
  • 适合谁读：硕博生、研究员、工业界药物设计与机器学习工程师

一句话总结#

一个模型统一多条件药物分子生成

9. Weight geometry governs functional memory in complex systems ↗#

作者：Elkaïoum M. Moutuou, Habib Benali
发表日期：2026-06-24
分类：cond-mat.dis-nn, cs.SI, math-ph, q-bio.NC
Paper ID：arxiv:2606.25826

核心贡献#

提出 thermodynamic framework，以 functional memory 的层级组织刻画复杂系统的功能复杂度。对 34 个跨领域 empirical networks 的分析表明，weighted transport geometry 主导记忆深度，而 mesoscale wiring 与 directionality 分别组织跨尺度记忆和调节扰动响应。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：thermodynamic functional-memory framework、hierarchical compression、weighted-network null models、structural perturbation comparison
  • 关键库与工具：未提及
  • 数据集：34 个 biological、ecological、social、technological 与 biophysical empirical networks
  • 开源情况：未提及

上手难度#

  • 前置知识：复杂网络、统计物理、热力学方法、加权有向图分析
  • 算力需求：未提及
  • 复现成本：中等；分析框架和 null comparison 清晰，但网络清单、代码与参数未提及
  • 适合谁读：硕博生、研究员、复杂系统与网络科学专家

一句话总结#

网络权重几何塑造复杂系统的功能记忆

10. KG-TRACE: A Neuro-Symbolic Framework for Mechanistic Grounding in Antimicrobial Resistance Prediction ↗#

作者：Naman Garg, Sarika Jain, Sourav Yadav, Bharat K. Bhargava, Ghanapriya Singh, Abhishek Srivastava 等
发表日期：2026-06-24
分类：cs.LG, cs.AI, q-bio.QM
Paper ID：arxiv:2606.26179

核心贡献#

将 WHO mutation knowledge graph 作为结构约束，与 neural genomic model 通过 epistemic trust gate 融合，实现 AMR 预测的 mechanistic grounding。方法在 isoniazid 预测中取得 0.9760 AUROC，并用 BGR 度量 attribution 与既有生物学的一致性，达到 92.5% symbolic coverage。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：neuro-symbolic learning、RotatE knowledge-graph embedding、neural genomic model、epistemic trust gate、Biological Grounding Ratio
  • 关键库与工具：KG-TRACE
  • 数据集：WHO mutation knowledge graph、CRyPTIC M. tuberculosis cohort
  • 开源情况：未提及

上手难度#

  • 前置知识：全基因组 AMR 预测、knowledge graph embedding、neural attribution、结核耐药机制
  • 算力需求：未提及
  • 复现成本：困难；需基因组 cohort 与知识图谱融合，摘要未提供代码、数据规模或训练配置
  • 适合谁读：硕博生、研究员、临床微生物与医疗 AI 专家

一句话总结#

知识图谱让耐药预测拥有可核验机制证据

bioRxiv#

1. Robust Conditional Diffusion with Noisy Templates for Antibody Sequence-Structure Design ↗#

作者：Liu, P., Yan, C., Pan, M. 等
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.18.733127

核心贡献#

提出 NT-ABDiff，把候选 CDR 模板视为可选且可能不可靠的条件，用可靠性调制和条件扰动正则化提升抗体序列-结构生成的可控性与鲁棒性。实验显示其在 CDR-H3 序列恢复和结构精度上优于强基线，并能抵抗缺失、错配和污染模板。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Diffusion、reliability-aware template modulation、conditional perturbation regularization
  • 关键库与工具：未提及
  • 数据集：抗原-抗体复合物数据、CDR 模板数据库或候选库、train-set retrieval candidates
  • 开源情况：提供代码、processed splits、configuration files 和 evaluation scripts：https://github.com/ShiDeng7rz/NT-ABDiff ↗

上手难度#

  • 前置知识：抗体 CDR 设计、蛋白结构建模、生成式 diffusion model
  • 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，摘要说明代码和评估脚本可用，但训练数据处理与结构生成评估仍有专业门槛
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

让抗体 diffusion 设计学会怀疑模板。

2. EnrichViz: An Interactive R Shiny Application for Visualization of Pathway Enrichment Results from Omics Data ↗#

作者：Garcia-Milian, R.
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.19.733398

核心贡献#

开发 EnrichViz，把通路/功能富集分析的表格结果转成可交互、免代码的出版级图形，降低 omics 研究者从结果到图表的门槛。工具支持多类输入和六种互补可视化，并可实时调整参数和导出 300 dpi PNG。

技术栈#

  • 语言/框架：R + Shiny
  • 模型/算法：pathway enrichment visualization、Z-score normalized expression display
  • 关键库与工具：Shiny、ggplot2、pheatmap、circlize
  • 数据集：normalized abundance matrix、sample annotation/metadata、enrichment results CSV
  • 开源情况：应用可用：https://rgmilian.shinyapps.io/EnrichViz/ ↗

上手难度#

  • 前置知识：omics enrichment analysis、基础数据表格式、可视化解释
  • 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，浏览器应用和标准 CSV 输入降低了使用门槛
  • 适合谁读：本科生 / 硕博生 / 研究员 / 工业界工程师

一句话总结#

富集分析出图终于少写脚本。

3. ATAClone: Cancer Clone Identification and Copy Number Estimation from Single-cell ATAC-seq ↗#

作者：Cain, L. D., Trigos, A. S.
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.03.11.710984

核心贡献#

提出 ATAClone，用 scATAC-seq 或 multiome scATAC-seq 自动识别共享拷贝数谱的癌细胞 clone，并联合估计 copy number。该方法利用稳定可及区域和细胞总 DNA 差异，在混合实验和 matched bulk WGS 验证中优于现有方法。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：unsupervised clustering、simulation-based resolution selection、copy number estimation
  • 关键库与工具：未提及
  • 数据集：cancer cell mixture experiments、matched scATAC-seq、bulk whole genome sequencing
  • 开源情况：未提及

上手难度#

  • 前置知识：single-cell ATAC-seq、cancer copy number variation、肿瘤克隆演化
  • 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，需要 scATAC-seq/multiome 数据和 copy number 验证经验，代码可用性摘要未提及
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

scATAC-seq解析肿瘤拷贝数克隆。

4. TrIdent - An R package to automate transductomics analysis of virus-like particle mediated DNA mobilization ↗#

作者：Maier, J., Gin, C., Rabasco, J. 等
发表日期：2026-06-24
分类：genomics
Paper ID：biorxiv:10.64898/2026.03.31.715651

核心贡献#

提出 TrIdent，一个 R package，用 pattern-matching 自动分类 transductomics 的 read coverage patterns，替代耗时且不可复现的人工判读。它在既有和新生成的小鼠肠道 VLP 数据上达到接近人工分类的一致性，并显著缩短分析时间。

技术栈#

  • 语言/框架：R
  • 模型/算法：pattern-matching、coverage pattern classification
  • 关键库与工具：TrIdent
  • 数据集：manually classified transductomics dataset、新生成 murine microbiota transductomics data、murine fecal pellet datasets
  • 开源情况：R package 可用：https://jlmaier12.github.io/TrIdent/ ↗

上手难度#

  • 前置知识：metagenomics、VLP-mediated transduction、read mapping coverage interpretation
  • 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，软件可用但需要配套 VLP 与 whole-community metagenome 数据
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

把 transductomics 人工判图自动化。

5. BATTLE-AMP: Benchmarking Antimicrobial Peptide Predictors ↗#

作者：Szymczak, P., Bukała, A., Zarzecki, W. 等
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.19.733349

核心贡献#

BATTLE-AMP 将 AMP predictor 的评估从二分类扩展到针对具体病原体的 MIC 实验活性，揭示许多现有模型无法处理组成相同的 inactive sequences 和 activity cliffs。框架比较 48 个方法并 benchmark 10 个模型家族，指出 MIC 训练、病原体特异模型选择和可复现性是关键问题。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：AMP prediction benchmarking、synthetic sequence perturbations、activity cliff analysis、all-atom molecular dynamics
  • 关键库与工具：Snakemake
  • 数据集：experimentally measured MIC data、clinically relevant bacterial species and strains
  • 开源情况：开源 Snakemake framework：https://github.com/szczurek-lab/battleamp-snakemake ↗

上手难度#

  • 前置知识：antimicrobial peptides、MIC 实验解释、machine learning benchmark、molecular dynamics
  • 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 MD 与 MIC benchmark 数据处理有一定成本
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

AMP 模型不能只会做二分类。

6. An atlas-scale generative model for unified representation learning of bulk RNA-seq data ↗#

作者：Pande, A., Uyar, B., Akalin, A.
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.18.733198

核心贡献#

训练了一个面向 bulk RNA-seq 的 supervised VAE，在 118,263 个样本上学习统一、tissue-aware 的表示，填补 bulk RNA-seq foundation resource 的空白。模型将 16,115 个基因压缩到 121 维 latent space，并在 TARGET 儿科肿瘤独立队列中验证组织来源一致性。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：supervised Variational Autoencoder、representation learning、tissue classification
  • 关键库与工具：未提及
  • 数据集：TCGA、GTEx、ARCHS4、TARGET
  • 开源情况：代码、训练模型和 interactive web application 可用：https://github.com/BIMSBbioinfo/flexynesis_tissue_vae_manuscript ↗

上手难度#

  • 前置知识：bulk RNA-seq、VAE、batch/source effect、组织分类
  • 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，代码可用但训练集规模超过 11 万样本，数据整理成本较高
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

给 bulk RNA-seq 做大规模 VAE 表征。

7. Pharmacological Stratification of Public Bioactivity Databases: A Reusable, OECD-Anchored Curation and Benchmarking Framework Demonstrated for Opioid Receptors ↗#

作者：Nael, M., Alakonda, L., Ghosh, A. 等
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.18.732083

核心贡献#

提出一个 OECD-anchored 的 bioactivity curation 与 QSAR benchmarking 框架，把 public records 按 action type 和 assay readout 分层，避免把亲和力、功能效应和不同药理机制混成不清晰标签。以四类 opioid receptor 为例，证明 stratified endpoints 比 pooled baseline 更能支持可解释的药理学声明。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：QSAR modeling、pharmacological stratification、external validation、SHAP attribution
  • 关键库与工具：SHAP
  • 数据集：四个 public bioactivity sources、72,148 merged records、50,977 curated measurements、19,585 compounds
  • 开源情况：释放 curation logic、derived tables、frozen data 和 reproducibility artifacts；具体链接未提及

上手难度#

  • 前置知识：QSAR、opioid receptor pharmacology、assay readout、bioactivity curation
  • 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，数据与 artifact 释放但需要理解药理分层和 QSAR 验证
  • 适合谁读：研究员 / 工业界工程师 / 某领域专家

一句话总结#

QSAR 先把药理标签理清楚。

8. SEMFA: A General Framework for Inferring Statistical Significance of Mahalanobis Similarity between Multi-Omics Profiled Samples Built on Multiple Factor Analysis ↗#

作者：Han, J., Luo, W., Baldwin, E. 等
发表日期：2026-06-24
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.18.733287

核心贡献#

提出 SEMFA，用 Extended Multiple Factor Analysis 生成 factor scores，并对样本间 Mahalanobis Similarity 做一般参数检验，用于 heterogeneous multi-omics 融合。模拟和 colon cancer single-cell multi-omics 案例显示其在 Gaussian 与 non-Gaussian 假设下都较稳健，并能处理大规模数据。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Extended Multiple Factor Analysis、Mahalanobis Similarity、parametric tests
  • 关键库与工具：SEMFA
  • 数据集：ENCODE count data simulation、colon cancer single-cell multi-omics data
  • 开源情况：未提及

上手难度#

  • 前置知识：multi-omics integration、Multiple Factor Analysis、Mahalanobis distance、统计检验
  • 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：中等，方法面向大规模 single-cell multi-omics，但软件可得性细节未提及
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

用 MFA 给 multi-omics 相似性做显著性检验。

9. Primary-Level Meta-Analysis of Diversity Outbred Mice Identifies a Fasting Plasma Trimethylamine N-Oxide (TMAO) Locus Modified by Sex and Diet ↗#

作者：Sutton, K., Gertz, E. R., Evans, L. W. 等
发表日期：2026-06-24
分类：genetics
Paper ID：biorxiv:10.64898/2026.06.19.733321

核心贡献#

通过五个 Diversity Outbred mouse studies 的 primary-level meta-analysis，定位到调控 fasting plasma TMAO 的 chromosome 12 QTL，并发现其受 sex-by-genotype 和 sex-by-diet 交互影响。后续 eQTL、founder strain 和 Acyp1 操作实验显示 Acyp1 与 TMAO/Fmo3 相关但不是直接因果解释。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：primary-level meta-analysis、QTL mapping、eQTL analysis、sex/diet interaction analysis
  • 关键库与工具：未提及
  • 数据集：1,482 Diversity Outbred mice from five studies、CAST/EiJ X C57BL/6J F2 cross、eight DO founding strains
  • 开源情况：未提及

上手难度#

  • 前置知识：QTL mapping、mouse genetics、metabolomics、cardiometabolic biology
  • 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，需要多队列 DO mouse 数据、交叉验证实验和基因操作数据
  • 适合谁读：研究员 / 某领域专家

一句话总结#

TMAO 遗传调控受性别和饮食改写。

10. TIDEST: post-imputation differential expression testing for spatial transcriptomics data ↗#

作者：Roeder, K., Lei, J., Testa, L.
发表日期：2026-06-24
分类：genomics
Paper ID：biorxiv:10.64898/2026.06.19.733432

核心贡献#

提出面向空间转录组插补结果的 differential expression testing framework，同时校正重建表达的系统误差与潜在空间变异。模拟和三类组织应用显示，该方法在保持 power 的同时改善 error control，并减少组织结构或细胞组成造成的伪差异。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：post-imputation differential expression testing、measured-gene error correction、latent spatial-variation adjustment
  • 关键库与工具：TIDEST
  • 数据集：模拟数据、mouse brain、human glioblastoma、human breast cancer 空间转录组数据
  • 开源情况：未提及

上手难度#

  • 前置知识：空间转录组、单细胞 reference-based imputation、差异表达与空间混杂校正
  • 算力需求：未提及
  • 复现成本：中等；验证场景明确，但摘要未给出代码、数据入口与具体统计配置
  • 适合谁读：硕博生、研究员、空间组学与生物统计分析人员

一句话总结#

为插补空间转录组补上可靠差异检验

PubMed#

1. Dynamic neutrophil lipidome remodeling during induction of NETosis. ↗#

作者：Patrick Münzer, Cristina Coman, Gundula D Lingens, Nina N Troppmair, Jesse A Michael, Reuben S E Young 等
发表日期：2026-06-26
分类：Humans, Neutrophils, Lipidomics, Extracellular Traps, Reactive Oxygen Species
Paper ID：pubmed:42341139

核心贡献#

建立人中性粒细胞的定量 lipidome 图谱，并追踪 NETosis 诱导过程中的脂质重塑。研究发现 calcium- 和 ROS-dependent NETosis 路径有不同 lipidomic trajectories，但都汇聚到 phospholipid lipase networks 和 DG-dependent signaling。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：quantitative lipidomics、pathway comparison、pharmacological inhibition assay
  • 关键库与工具：未提及
  • 数据集：human neutrophils、1048 lipid species
  • 开源情况：未提及

上手难度#

  • 前置知识：lipidomics、NETosis、中性粒细胞生物学、ROS/calcium signaling
  • 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，需要高覆盖 lipidomics 平台和 NETosis 功能实验
  • 适合谁读：研究员 / 某领域专家

一句话总结#

NETosis 离不开动态脂质重塑。

2. AI-CURA, an automated LLM workflow for high-accuracy genetic variant classification. ↗#

作者：Wei Ma, Grace Fong, Joe Lai, Heidi Wu, Shirley Pik Ying Hue, Dingge Ying 等
发表日期：2026-06-24
分类：Large Language Models, Humans, Workflow, Genetic Variation, Automation
Paper ID：pubmed:42341082

核心贡献#

提出 AI-CURA，把 ACMG/AMP 和 ClinGen 规则下的遗传变异分类拆成标准 bioinformatics tools 可自动化的非文献证据，以及 LLM 支持的文献证据评估。DeepSeek-R1 在特定知识库和 prompt engineering 下优于 o3-mini-high，并在 ClinGen 专家 curated variants 上达到较高一致性。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：LLM workflow、prompt engineering、ACMG/AMP rule-specific knowledgebases、variant classification
  • 关键库与工具：DeepSeek-R1、o3-mini-high、standard bioinformatic tools
  • 数据集：150 ClinGen expert-curated variants、150 ClinVar variants with conflicting interpretations
  • 开源情况：未提及

上手难度#

  • 前置知识：clinical genetics、ACMG/AMP guidelines、ClinGen recommendations、LLM evidence extraction
  • 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，需要 LLM 接入、规则知识库和 curated variant benchmark
  • 适合谁读：硕博生 / 研究员 / 工业界工程师 / 某领域专家

一句话总结#

LLM 开始接近自动变异解读工作流。

3. Comparative genomic analysis of RNA-binding proteins across some drug resistant and sensitive Staphylococcus aureus. ↗#

作者：Magda M Awad, Yehia A Osman, Mohamed Abdelmoteleb
发表日期：2026-06-24
分类：Staphylococcus aureus, RNA-Binding Proteins, Drug Resistance, Bacterial, Phylogeny
Paper ID：pubmed:42340507

核心贡献#

对 51 个 pathogenic Staphylococcus aureus strains 的 genome/proteome 做 bioinformatics 分析，系统探索 RNA-binding proteome 与耐药、毒力和适应性的关系。研究识别出 8 个 conserved RNA-binding proteins，并观察到耐药与敏感菌株在 cold shock proteins 和 S1 RNA-binding domain proteins 上的系统差异。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：comparative genomics、SNP-based phylogenetic analysis、RNA-binding domain prediction、molecular dynamics prediction
  • 关键库与工具：未提及
  • 数据集：51 pathogenic S. aureus strains
  • 开源情况：未提及

上手难度#

  • 前置知识：bacterial genomics、RNA-binding proteins、S. aureus drug resistance、phylogenetics
  • 算力需求：高：长时程 MD、replica 或 path sampling 预计需 4–16 张 GPU 或 HPC 集群、128GB 以上 RAM，完整收敛可能耗时数天至数周（推算，依据：分子动力学/稀有事件采样）
  • 复现成本：中等，需要多菌株基因组/蛋白组数据和结构/动力学预测流程
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

S. aureus 耐药差异可能藏在 RBPome。

4. Multi-omic characterization of a soil microbial consortium reveals critical role of succinate and glutamate metabolism during calcium carbonate precipitation. ↗#

作者：Winston E Anthony, Tesia T Lin, Marci Garcia, Izabel Stohel, Sharon Zhao, Natalie Sadler 等
发表日期：2026-06-23
分类：Calcium Carbonate, Soil Microbiology, Multiomics, Microbial Consortia, Glutamic Acid
Paper ID：pubmed:42337542

核心贡献#

用 genomics、transcriptomics 和 metabolomics 解析 MICP-capable 四成员土壤菌群 CSC-A，发现 R. qingshengii 可能是 urea 条件下的 keystone species。多组学整合指向 glutamate、succinate 和 branched chain amino acid 相关通路，并用 succinate 添加实验验证其能提高 carbonate precipitation。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：multi-omic integration、metatranscriptomic perturbation analysis、KEGG reactome mapping、metabolite production/consumption prediction
  • 关键库与工具：KEGG
  • 数据集：CSC-A 四成员 soil bacterial consortium 的 genomics、transcriptomics、metabolomics 数据
  • 开源情况：未提及

上手难度#

  • 前置知识：microbial consortia、MICP、metatranscriptomics、metabolomics、KEGG pathway analysis
  • 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，需要可控微生物共培养、多组学采样和实验验证
  • 适合谁读：研究员 / 某领域专家

一句话总结#

succinate 是菌群沉积碳酸钙的关键线索。

5. Immuno-Proteomic Features Associated to Relapse Risk in Myelin Oligodendrocyte Glycoprotein Antibody-Associated Disease. ↗#

作者：Gerardina Gallaccio, Anna Müller, Meng Wang, Lisa-Marie Diekmann, Carolin Otto, Alessandro Dinoto 等
发表日期：2026-07-01
分类：Humans, Myelin Oligodendrocyte Glycoprotein Antibody-Associated Disease, Female, Male, Proteomics
Paper ID：pubmed:42335444

核心贡献#

整合 CSF/serum proteomics 与 high-dimensional mass cytometry，寻找 MOGAD 与 MS、AD 的差异及 MOGAD relapse risk 相关特征。结果显示 relapsing MOGAD 与调节性免疫细胞减少、double-negative gamma delta T cells 扩张、IL-13/IL-32/CASP4 等 proteomic signals 相关。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：integrative immune-proteomic analysis、phenotype-stratified analysis、longitudinal clinical association
  • 关键库与工具：NULISAseq、Olink Explore 3072、mass cytometry
  • 数据集：MOGAD n=67、MS n=49、AD n=36 的 CSF、serum 和 whole-blood samples
  • 开源情况：未提及

上手难度#

  • 前置知识：neuroimmunology、MOGAD/MS、proteomics、mass cytometry、biomarker analysis
  • 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，需要纵向临床队列、多平台 proteomics 和免疫细胞表型数据
  • 适合谁读：研究员 / 某领域专家

一句话总结#

MOGAD 复发风险露出免疫蛋白组信号。

6. Prognostic Biomarker Signature of Relapse in Neuromyelitis Optica Spectrum Disorders in the CIRCLES Observational Study. ↗#

作者：Elea Bach, Alessandra Breschi, Yuliang Wang, Megan K Carroll, Wilman Luk, Andrew Han 等
发表日期：2026-07-01
分类：Humans, Neuromyelitis Optica, Female, Biomarkers, Male
Paper ID：pubmed:42335442

核心贡献#

在 CIRCLES 观察队列中用纵向 serum proteomics 寻找可预测 NMOSD relapse 的 biomarker signature。研究识别出一个 10-protein signature，可显著区分后续复发风险高低，并指向与 NMOSD 免疫病理相关的通路。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：linear models、logistic regression、fixed-time Cox models、time-dependent Cox models、proteomic risk stratification
  • 关键库与工具：high-resolution mass spectrometry
  • 数据集：CIRCLES cohort 中 126 名 NMOSD 患者的 305 个纵向 serum samples
  • 开源情况：未提及

上手难度#

  • 前置知识：NMOSD、clinical proteomics、survival analysis、biomarker validation
  • 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，需要纵向血清样本、复发记录和高分辨质谱平台
  • 适合谁读：研究员 / 某领域专家

一句话总结#

十蛋白组合或能提前预警 NMOSD 复发。

7. Multi-omics biomarkers of endothelial dysregulation preceding chronic lung allograft dysfunction: A prospective cohort study. ↗#

作者：Giulia Iacono, Christina Begka, Bailey Cardwell, Carmel Daunt, Roxanne Chatzis, Celine Pattaroni 等
发表日期：2026-06-01
分类：Humans, Lung Transplantation, Prospective Studies, Biomarkers, Male
Paper ID：pubmed:42335172

核心贡献#

对 lung transplant recipients 的 longitudinal BAL samples 做 microbial、metabolic、lipidomic 和 gene expression profiling，寻找 CLAD 临床出现前的早期信号。研究发现 CLAD 前存在 sphingolipids 增加、glycocalyx 与 immune cell recruitment genes 上调，提示 endothelial dysfunction 和 graft infiltration 是候选预警机制。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：multi-omics integration、longitudinal cohort analysis、single-cell dataset scoring、differential abundance/expression analysis
  • 关键库与工具：public lung single-cell dataset、targeted mass-spectrometry 和 quantitative PCR 被建议用于后续验证
  • 数据集：56 名 CLAD-free recipients 的 BAL longitudinal samples；13 对 CLAD-free 与 CLAD patients 比较
  • 开源情况：未提及

上手难度#

  • 前置知识：lung transplantation、CLAD、BAL multi-omics、endothelial biology、immune recruitment
  • 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，需要前瞻性纵向队列和多组学平台，摘要也指出样本量较小需独立验证
  • 适合谁读：研究员 / 某领域专家

一句话总结#

CLAD 来临前已有内皮失调信号。

8. Proteomics risk scores and mortality in heart failure: Generalizability across populations. ↗#

作者：Joseph J Shearer, Jungnam Joo, Carolina G Downie, Kayode O Kuku, Maryam Hashemian, Eric Leifer 等
发表日期：2026-01-01
分类：Humans, Heart Failure, Proteomics, Female, Male
Paper ID：pubmed:42335150

核心贡献#

比较三种基于 SomaScan plasma proteins 的 heart failure mortality proteomics risk scores，评估它们跨 community cohort、clinical trial 和 registry 设计的泛化性。三种 score 都能在临床协变量之外提升死亡风险分层，并在不同 ejection fraction categories 中保持关联。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Cox models、calibration plots、time-dependent AUC、proteomics risk scores
  • 关键库与工具：SomaScan assay
  • 数据集：community cohort、clinical trial、registry 中的 heart failure plasma proteomics data
  • 开源情况：未提及

上手难度#

  • 前置知识：heart failure、proteomics risk modeling、survival analysis、calibration/AUC 评估
  • 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，需要 SomaScan 数据和既有 risk score 定义
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

心衰蛋白风险分数跨队列仍有用。

作者：Wei-Gang Gong, Jian-Wei Lou, Sen Yin, Fang-Pu Yu, Wei Wu
发表日期：2026-01-01
分类：Animals, RNA Methylation, Male, MAP Kinase Signaling System, Mice
Paper ID：pubmed:42335089

核心贡献#

首次系统描绘 acute ischemic stroke 早期 penumbra 的 transcriptome-wide m7G methylome，发现 AIS penumbra 中 m7G-modified mRNAs 发生显著变化。上调 m7G modification 富集于 MAPK signaling，下调 modification 关联 axon guidance，提示 m7G RNA methylation 可能参与 penumbra 向 infarct core 转变。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：MeRIP-seq、transcriptome-wide methylome profiling、functional enrichment analysis
  • 关键库与工具：未提及
  • 数据集：8-week-old male BALB/c mice middle cerebral artery occlusion model 的 penumbra tissue
  • 开源情况：未提及

上手难度#

  • 前置知识：ischemic stroke、m7G RNA methylation、MeRIP-seq、MAPK signaling
  • 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，需要动物卒中模型、MeRIP-seq 和转录组甲基化分析
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

卒中半暗带出现 m7G-MAPK 线索。

10. Genomic surveillance of SARS-CoV-2: a resource-efficient wastewater-based workflow. ↗#

作者：Julieta M Manrique, Leandro R Jones
发表日期：2026-06-23
分类：SARS-CoV-2, Wastewater, Humans, Genome, Viral
Paper ID：pubmed:42334739

核心贡献#

提出一个资源节约型 wastewater-based SARS-CoV-2 genomic surveillance workflow，结合高纯度实验流程和 information theory-based R package，获得高覆盖/高深度基因组数据并刻画氨基酸层面的多样性。该流程在单一城市节点样本中识别临床难捕捉突变、区域谱系 SNV、空间分布和免疫逃逸相关 RBD hotspots。

技术栈#

  • 语言/框架：R
  • 模型/算法：information theory-based diversity analysis、wastewater genomic surveillance、amino acid-level diversity profiling
  • 关键库与工具：information theory-based R package
  • 数据集：single urban node wastewater samples，覆盖 COVID-19 早期 regional endemism 和 late-stage Omicron cosmopolitanism
  • 开源情况：未提及

上手难度#

  • 前置知识：viral genomics、wastewater surveillance、SARS-CoV-2 variant analysis、信息论多样性指标
  • 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，需要污水样本处理、高深度测序和对应 R 分析流程
  • 适合谁读：硕博生 / 研究员 / 公共卫生工程师

一句话总结#

污水也能做精细病毒变异监测。

论文速读 · 2026-06-17

论文速读 · 2026-07-01