44 min

论文速读 · 2026-07-01

抓取窗口：2026-06-25 ~ 2026-07-01 共 30 篇

📚 目录#

arXiv q-bio#

1. scMTNI: Leveraging cellular trajectory and context to infer dynamic GRNs from single-cell multi-omics data ↗#

作者：Suvojit Hazra, Chandrani Kumari, Sushmita Roy
发表日期：2026-07-01
分类：q-bio.MN
Paper ID：arxiv:2607.01508

核心贡献#

提出 multi-task learning framework，结合 cellular trajectory 与 context，从 scRNA-seq 和 scATAC-seq 等 multi-omics 数据推断 cell-type-specific GRN 及其动态。章节以 cellular reprogramming 数据演示如何识别细胞命运转换的关键调控因子。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：single-cell Multi-Task Network Inference、cellular trajectory-aware GRN inference、multi-omics integration
  • 关键库与工具：scMTNI 及其 network analysis tools
  • 数据集：现有 cellular reprogramming single-cell multi-modal dataset
  • 开源情况：未提及

上手难度#

  • 前置知识：scRNA-seq、scATAC-seq、gene regulatory network、multi-task learning 与细胞轨迹分析
  • 算力需求：未提及
  • 复现成本：中等；章节提供应用示范，但摘要未说明代码、数据名称和运行配置
  • 适合谁读：硕博生、研究员、单细胞多组学与调控网络分析人员

一句话总结#

沿细胞轨迹重建动态多组学调控网络

2. Noninvasive H3 K27M screening in pediatric diffuse midline glioma using radiomics on heterogeneous T2-weighted MRI ↗#

作者：Arthur Zagitov, Alexander Beznosikov, Vladimir Bozhenko, Ninel Kamyshnikova, Tatiana Kulinich, Sofia Polozova 等
发表日期：2026-07-01
分类：q-bio.QM
Paper ID：arxiv:2607.01497

核心贡献#

评估仅凭 heterogeneous T2-weighted MRI radiomics 对儿童 diffuse midline glioma 的 H3K27M 状态进行辅助筛查。最佳 CatBoost pipeline 达到 0.730±0.068 accuracy 和 0.826±0.044 F1，支持其作为 triage aid 而非组织诊断替代。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：radiomics、repeated recursive feature elimination、CatBoost、TabDDPM、TabPFN、stratified repeated evaluation
  • 关键库与工具：PyRadiomics
  • 数据集：98 名 tissue-confirmed 儿童患者的 T2-weighted MRI，其中 73 例 mutation-positive、25 例 wild-type
  • 开源情况：未提及

上手难度#

  • 前置知识：医学影像 radiomics、肿瘤分割、特征选择、class imbalance 与临床模型评估
  • 算力需求：未提及
  • 复现成本：困难；需临床 MRI、专家分割和复杂 preprocessing，且代码与数据可用性未提及
  • 适合谁读：硕博生、研究员、医学影像工程师、神经肿瘤专家

一句话总结#

常规T2影像可辅助筛查H3K27M突变

3. A global predicted-fMRI drive signal from TRIBE does not predict YouTube replay heatmaps ↗#

作者：Barada Sahu, Shivesh Pandey
发表日期：2026-07-01
分类：cs.SE, cs.LG, q-bio.NC
Paper ID：arxiv:2607.01400

核心贡献#

检验 TRIBE 预测的全局 fMRI drive 能否预测 YouTube replay heatmap，位置校正后未发现可靠关联，且不优于音量或运动 baseline。多种 cortical readout、permutation、Bayesian 与 equivalence analysis 均支持该 null，并排除了标签可靠性不足这一解释。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：TRIBE、Llama-3.2、V-JEPA 2、Wav2Vec-BERT、global field power、partial correlation、permutation test、Bayes factor、equivalence test
  • 关键库与工具：未提及
  • 数据集：48 个 YouTube videos 及 replay heatmaps、Algonauts fMRI、Friends-to-film cross-domain evaluation
  • 开源情况：提供代码、video-ID manifest 和 heatmap acquisition method；摘要未提供链接

上手难度#

  • 前置知识：fMRI encoding、multimodal model、时间序列相关、置换检验与 Bayesian evidence
  • 算力需求：未提及
  • 复现成本：中等；代码与 manifest 已发布，但摘要未给链接，且部分 subject-level encoder 需自行训练
  • 适合谁读：硕博生、研究员、计算神经科学与多模态模型研究者

一句话总结#

预测脑活动不等于预测视频重播行为

4. Enerzyme: A Framework for Efficient Training of Reactive Neural Network Potentials for Enzyme Catalysis with Application to Methyltransferases ↗#

作者：Weiliang Luo, Heather J. Kulik
发表日期：2026-07-01
分类：physics.chem-ph, cs.LG, q-bio.BM
Paper ID：arxiv:2607.01362

核心贡献#

构建面向 enzyme catalysis 的 integrated NNP training framework，整合 QM cluster 构建、reactive dataset 生成与 pathway exploration。少于 1,000 个 system-specific datapoints 训练的模型可在最多 545 atoms 的 methyltransferase clusters 上逼近反应能量与过渡态结构，charge supervision 与 dielectric screening 可进一步提升稳定性。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：electrostatics-aware neural network potential、multitask atomic-charge learning、DFT、flexible scan、nudged elastic band
  • 关键库与工具：Enerzyme、Enerzymette
  • 数据集：S-adenosyl-L-methionine-dependent methyltransferase QM clusters 的 reactive datasets；单系统少于 1,000 个 datapoints，cluster 最多 545 atoms
  • 开源情况：未提及

上手难度#

  • 前置知识：量子化学、酶反应机理、neural network potential、DFT 与过渡态搜索
  • 算力需求：未提及
  • 复现成本：困难；需生成 QM reactive data 并训练电荷感知 NNP，摘要未说明代码与硬件
  • 适合谁读：硕博生、研究员、计算化学与药物研发工程师

一句话总结#

小样本NNP加速酶催化反应机理研究

5. A Novel Machine Learning Approach for Central Nervous System Tumor Classification from DNA Methylation ↗#

作者：Paulo R. Ferreira, Lucas Coutinho Freitas, Laís dos Santos Gonçalves, William Borges Domingues, Lucas Petitemberte de Souza, Mariana B. Michalowski 等
发表日期：2026-07-01
分类：cs.LG, q-bio.GN
Paper ID：arxiv:2607.01307

核心贡献#

将 Sparse Random Projection 与 multinomial logistic regression 组合用于 CNS tumor methylation classification，强调 cross-cohort 与 multiclass evaluation 的规范性。方法在独立 1,104-sample cohort 上取得 86% class-level 和 93% family-level accuracy，分别高于参考结果约 4 和 5 个百分点。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：Sparse Random Projection、multinomial logistic regression、stratified 3-fold cross-validation
  • 关键库与工具：未提及
  • 数据集：2,801-sample reference cohort、1,104-sample clinical evaluation cohort、91 个 methylation classes
  • 开源情况：未提及

上手难度#

  • 前置知识：DNA methylation、肿瘤分类、高维降维、multiclass evaluation 与 cross-cohort validation
  • 算力需求：未提及
  • 复现成本：中等；模型结构相对直接，但 cohort 获取、预处理、代码和参数未提及
  • 适合谁读：硕博生、研究员、计算病理与临床机器学习工程师

一句话总结#

稀疏投影提升脑肿瘤甲基化跨队列分类

6. Approximating Peak Prevalence in Multistage SIR Epidemics ↗#

作者：Denis Tverskoi, Andrew Gothard, Grzegorz A. Rempala
发表日期：2026-07-01
分类：q-bio.PE, math.DS
Paper ID：arxiv:2607.01014

核心贡献#

分析 deterministic SI(k)R 中 weighted stage functional 的峰值何时可近似 prevalence peak，揭示 naive scaling 与保持平均感染期的 Erlang scaling 会导向不同极限。论文给出 analytical error bounds，并提出 curvature-based 和 parameter-based corrections，在疫情波峰尖锐时改善 factor-two approximation。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：deterministic SI(k)R、Erlang scaling、delay formulation、moving-average representation、analytical error bounds、curvature-based correction
  • 关键库与工具：未提及
  • 数据集：跨广泛 epidemiological parameter ranges 的 numerical studies；未提及外部实证数据
  • 开源情况：未提及

上手难度#

  • 前置知识：传染病动力学、SIR 多阶段模型、delay equation、渐近分析与误差界
  • 算力需求：未提及
  • 复现成本：中等；核心为理论推导和 numerical validation，但代码与参数表未提及
  • 适合谁读：硕博生、研究员、数学流行病学专家

一句话总结#

厘清多阶段疫情峰值近似何时可靠

作者：Ryuichi Kumata, Yuma Fujimoto, Hisashi Ohtsuki, Akira Sasaki
发表日期：2026-07-01
分类：q-bio.PE, nlin.CD
Paper ID：arxiv:2607.00905

核心贡献#

建立 recurrent SIR model，以 recurrence map 描述 sequential antigenically related variants 下免疫历史对易感性的传递。模型显示强传播且 antigenic escape 有限时，等规模周期流行可失稳为 period-2 或更复杂动力学，且疫情规模在中等基本再生数处最大。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：recurrent SIR、status-based population immunity、susceptibility recurrence map、nonlinear epidemic dynamics
  • 关键库与工具：未提及
  • 数据集：未提及外部实证数据
  • 开源情况：未提及

上手难度#

  • 前置知识：SIR 模型、交叉免疫、抗原漂移、recurrence map 与动力系统稳定性
  • 算力需求：未提及
  • 复现成本：中等；模型机制明确，但摘要未给方程细节、代码或完整参数范围
  • 适合谁读：硕博生、研究员、理论流行病学与进化动力学专家

一句话总结#

免疫历史可让变异株疫情产生复杂周期

8. Commutative Algebra Learning for Protein Flexibility Analysis ↗#

作者：Honghao Zhang, Hongsong Feng
发表日期：2026-07-01
分类：q-bio.BM
Paper ID：arxiv:2607.00879

核心贡献#

以 commutative algebra 构建多空间尺度的局部 algebraic descriptors，用于预测反映蛋白柔性的 atomic B-factors。CAL 在 364 proteins benchmark 上较 Gaussian network model 提升 34.5%，并可结合 machine learning 进行 cross-protein blind prediction。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：commutative algebra learning、multiscale localized algebraic descriptor、machine learning、Gaussian network model baseline
  • 关键库与工具：CAL
  • 数据集：364 proteins benchmark dataset；其他 diverse datasets 的具体信息未提及
  • 开源情况：未提及

上手难度#

  • 前置知识：蛋白结构、B-factor、局部几何表示、commutative algebra 与机器学习
  • 算力需求：未提及
  • 复现成本：中等；benchmark 规模明确，但 descriptor 构造、blind model 配置与代码未提及
  • 适合谁读：硕博生、研究员、结构生物信息学与数学建模人员

一句话总结#

交换代数刻画局部几何以预测蛋白柔性

9. DRIADA: A Python Toolkit for Cross-Scale Analysis of Single-Neuron Selectivity and Population Dynamics ↗#

作者：Nikita Pospelov, Viktor Plusnin, Olga Rogozhnikova, Anna Ivanova, Vladimir Sotskov, Margarita Orobets 等
发表日期：2026-07-01
分类：q-bio.NC, q-bio.QM
Paper ID：arxiv:2607.00851

核心贡献#

提供 open-source Python framework，以共享数据模型统一神经信号和时间对齐行为，使 selectivity、dimensionality reduction 与 network analysis 可在同一 workflow 中跨尺度衔接。合成数据、小鼠海马成像和环面吸引子实验验证其能恢复预期表征与拓扑。

技术栈#

  • 语言/框架：Python、DRIADA
  • 模型/算法：selectivity testing、dimensionality reduction、manifold embedding、network analysis、toroidal attractor analysis
  • 关键库与工具：DRIADA
  • 数据集：ground-truth synthetic data、13 只小鼠的 hippocampal calcium imaging、simulated toroidal attractor network
  • 开源情况：明确为 open-source；摘要未提供代码链接

上手难度#

  • 前置知识：神经编码、calcium imaging、spike train、降维、流形与网络分析
  • 算力需求：未提及
  • 复现成本：中等；framework 已开源且含多个 benchmark，但摘要未给 repository 与数据入口
  • 适合谁读：本科生、硕博生、研究员、神经数据分析工程师

一句话总结#

统一工具串起单神经元与群体动力学分析

10. Effective population sizes for asymmetrically regulated birth-death processes ↗#

作者：Yunbei Pan, Tom Chou
发表日期：2026-07-01
分类：q-bio.PE, q-bio.QM
Paper ID：arxiv:2607.00628

核心贡献#

说明在 multispecies birth–death processes 中，不同 population regulation mechanism 虽可在 mean-field 层面不可见，却会改变频率扩散与 fixation。通过投影到 Moran process，推导依赖 regulation partitioning 的 diffusion tensor、fixation quantities 与 effective population size，并以 spectral gap 描述 diversity loss timescale。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：multispecies birth–death process、Moran process projection、diffusion tensor、exact fixation analysis、perturbation theory、spectral gap
  • 关键库与工具：未提及
  • 数据集：未提及外部实证数据；分析包含 two-species、near-neutral 与 regulation-heterogeneous populations
  • 开源情况：未提及

上手难度#

  • 前置知识：随机过程、birth–death model、Moran process、扩散近似、谱理论与群体遗传
  • 算力需求：未提及
  • 复现成本：中等；以解析推导和 perturbation 为主，但摘要未提供计算实现或参数细节
  • 适合谁读：硕博生、研究员、理论生态与群体动力学专家

一句话总结#

调控方式暗中改变漂变与有效群体大小

bioRxiv#

1. Robustness and reliability of single-cell regulatory multi-omics with deep mitochondrial mutation profiling ↗#

作者：Weng, C., Weissman, J. S., Sankaran, V. G.
发表日期：2026-06-30
分类：genomics
Paper ID：biorxiv:10.1101/2024.08.23.609473

核心贡献#

提出并验证 ReDeeM 在 single-cell regulatory multi-omics 中进行深度 mtDNA mutation profiling 的可靠性，重点解决 variant calling fidelity 和 phylogenetic inference 两个分析难点。通过 consensus error correction、filter2 和 lentiviral barcoding ground truth，证明低/中 heteroplasmy mtDNA variants 能显著提升 lineage tracing。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：consensus-based error correction、post-consensus filtering、mtDNA lineage tracing、phylogenetic inference
  • 关键库与工具：ReDeeM、filter2、MitoDrift
  • 数据集：human HSC lentiviral barcoding experiment、single-cell regulatory multi-omics with mtDNA mutations
  • 开源情况：未提及

上手难度#

  • 前置知识：single-cell multi-omics、mtDNA heteroplasmy、lineage tracing、variant calling
  • 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，需要深度 mtDNA profiling、单细胞多组学实验和 ground-truth lineage validation
  • 适合谁读：研究员 / 某领域专家

一句话总结#

低频 mtDNA 突变也能可靠追踪细胞谱系。

2. Integrating morphology and gene expression of neural cells in unpaired single-cell data using GeoAdvAE ↗#

作者：Du, J. T., Chartrand, T., Jayadev, S. 等
发表日期：2026-06-30
分类：genomics
Paper ID：biorxiv:10.1101/2025.11.19.689368

核心贡献#

提出 GeoAdvAE，在形态学和 scRNA-seq 不成对测量的情况下，把 neural cell morphology 与 gene expression 嵌入共享 latent space。该方法在 patch-seq ground truth 上优于多类 diagonal integration baseline，并在 Alzheimer model microglia 数据中发现形态-转录组轴和疾病相关信号。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：geometry-aware adversarial autoencoder、modality-specific VAE、Gromov-Wasserstein regularizer、adversarial discriminator、integrated gradients
  • 关键库与工具：GeoAdvAE
  • 数据集：patch-seq neurons、98 CAJAL-quantified microglial morphologies、31,948 5xFAD scRNA-seq transcriptomes
  • 开源情况：代码公开：https://github.com/turbodu222/GeoAdVAE ↗

上手难度#

  • 前置知识：single-cell transcriptomics、cell morphology quantification、VAE、optimal transport、adversarial learning
  • 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，代码开源但需要跨模态单细胞数据和模型训练经验
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

把细胞形态和转录状态对齐。

3. GeneBench-Pro: Evaluating Multistage Statistical Reasoning in Genomics, Quantitative Biology, and Translational Biomedicine ↗#

作者：Li, J. H., Ho, A. J.
发表日期：2026-06-30
分类：genomics
Paper ID：biorxiv:10.64898/2026.06.29.735386

核心贡献#

发布 GeneBench-Pro，用 129 个多阶段 genomics、quantitative biology 和 translational biomedicine 分析任务评估 AI agents 的长程统计推理能力。结果显示当前最强模型 pass rate 仍较低，主要失败点在于发现局部诊断信号后未能把含义传播到后续 estimator 或 workflow 决策。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：AI agent benchmarking、multi-stage statistical reasoning、long-horizon biological reasoning
  • 关键库与工具：GeneBench-Pro、Artificial Analysis benchmark
  • 数据集：129 evaluations、10 domains、21 terminal subdomains；10 个 public problems、50 个 third-party held-out problems
  • 开源情况：10 个 externally reviewed problems 公开，其余为 held-out 或 internal holdout

上手难度#

  • 前置知识：genomics analysis、统计估计、computational biology workflow design、LLM/agent evaluation
  • 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，部分 benchmark 公开，但完整评估集不全部开放
  • 适合谁读：研究员 / 工业界工程师 / 某领域专家

一句话总结#

生物统计推理仍是 AI agent 硬题。

4. Structural Bioinformatics of Four Human Aquaporins and Their Water-Soluble QTY Analogs ↗#

作者：Zhang, S., Xiao, E.
发表日期：2026-06-30
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.24.734367

核心贡献#

将 QTY code 与 AlphaFold 3 结合，系统设计四种 human aquaporins 的水溶性 analogs，并评估其是否保持原生结构和 ligand contact。结果显示 QTY-edited AQPs 显著降低表面疏水性，同时结构 RMSD 小于 0.6 A，提示可用于膜蛋白 detergent-free 研究平台。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：QTY code、AlphaFold 3 structure prediction、RMSD structural comparison
  • 关键库与工具：AlphaFold 3、PyMOL
  • 数据集：AQP1、AQP3、AQP4、AQP7；CryoEM 或 X-ray native structures
  • 开源情况：未提及

上手难度#

  • 前置知识：membrane protein structure、aquaporins、AlphaFold 3、structural bioinformatics
  • 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，主要依赖结构预测和结构比对，但实验验证摘要未提及
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

QTY code 让水通道蛋白更水溶。

5. Time-resolved inference of gene regulatory networks underlying human cranial neural crest development suggests novel risk genes for orofacial clefting. ↗#

作者：Eibl, M., Theiss, S., Einarsson, H. 等
发表日期：2026-06-30
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.25.734423

核心贡献#

生成 human iPSC-derived CNCC differentiation 的四时间点 paired transcriptome 和 chromatin accessibility 数据，推断 time-resolved GRNs 并解析 nsCL/P 风险变异的 regulatory target。该研究把 29 个 nsCL/P variants 连接到 70 个候选靶基因，并指出 ectomesenchymal-biased CNCC subpopulation 对风险变异更敏感。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：time-resolved GRN inference、multi-omics integration、variant-to-gene mapping、time-course scRNA-seq integration
  • 关键库与工具：未提及
  • 数据集：human iPSC-derived CNCC 四时间点 transcriptomics/chromatin accessibility、time-course scRNA-seq、29 nsCL/P-associated variants
  • 开源情况：未提及

上手难度#

  • 前置知识：cranial neural crest development、non-coding variants、GRN、single-cell/multi-omics
  • 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，需要人源分化系统、时间序列多组学和变异功能注释
  • 适合谁读：研究员 / 某领域专家

一句话总结#

动态 GRN 帮 nsCL/P 风险变异找靶基因。

6. Diverse conjugative and mobilisable elements underpin key adaptive traits in Xanthomonas ↗#

作者：Colombi, E., Ghaly, T. M., Samarakoon, N. 等
发表日期：2026-06-30
分类：genomics
Paper ID：biorxiv:10.64898/2026.06.24.734381

核心贡献#

比较 516 个完整 Xanthomonas genomes 中 conjugative 和 mobilisable elements，揭示 MGE repertoire 在 X. campestris、X. cissicola 和 X. oryzae 间差异巨大，并与 CRISPR-Cas、restriction-modification 等防御系统相关。研究还发现携带重金属抗性基因的 ICE 在 Xanthomonas 与 Pseudomonas aeruginosa 间近期转移。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：comparative genomics、pangenome analysis、MGE identification、horizontal transfer analysis
  • 关键库与工具：未提及
  • 数据集：516 complete genomes from X. campestris、X. cissicola、X. oryzae
  • 开源情况：未提及

上手难度#

  • 前置知识：bacterial genomics、mobile genetic elements、plant pathogens、CRISPR-Cas defense systems
  • 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，需要完整基因组集合和 MGE/pangenome 分析流程
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

移动遗传元件塑造 Xanthomonas 适应性。

7. A Simple, Cost-Effective, High-Throughput Method for Measuring Chromatin Accessibility and Gene Expression in Single Nuclei ↗#

作者：Luo, Z., Greenleaf, W. J.
发表日期：2026-06-30
分类：genomics
Paper ID：biorxiv:10.64898/2026.06.29.735326

核心贡献#

提出 PIP-ATAC-seq 和 PIP-Multiome-seq，两种 microfluidic-free、droplet-based 的 single-nucleus epigenomic 测量方法。它们在 cell lines 和 mouse brains 中产生 thousands of nuclei 数据，成本低、实现简单，并能获得高质量 chromatin accessibility 和 gene expression 数据。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：particle-templated instant partition、single-nucleus ATAC-seq、single-nucleus multiome profiling
  • 关键库与工具：PIP-ATAC-seq、PIP-Multiome-seq
  • 数据集：cell lines、mouse brains single-nucleus datasets
  • 开源情况：未提及

上手难度#

  • 前置知识：single-nucleus sequencing、ATAC-seq、droplet-based assays、multiome profiling
  • 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，方法强调低成本和易实施，但仍需要单核测序实验条件
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

不用微流控也能做单核 ATAC/multiome。

8. Impacts of batch effects on the performance of machine learning classifiers across multiple studies ↗#

作者：Raab, P., Johnson, W. E., Piccolo, S. R.
发表日期：2026-06-30
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.24.734352

核心贡献#

综述 batch effects 如何削弱跨研究 machine learning classifiers 的泛化性能，并强调外部独立队列验证对于判断 batch adjustment 是否真正保留生物信号至关重要。文章比较多种 adjustment methods，聚焦多批次/多研究 omics 聚合场景下的预测风险。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：machine learning classification、batch effect adjustment、external cohort validation
  • 关键库与工具：未提及
  • 数据集：multiple studies / experimental batches 的 omics 数据；具体数据集未提及
  • 开源情况：未提及

上手难度#

  • 前置知识：omics batch effects、precision medicine classifier、统计校正、外部验证设计
  • 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，取决于是否有跨批次独立验证队列
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

跨队列预测先过 batch effect 这一关。

9. Epigenetic signatures of infection within and across generations in the endangered Loggerhead sea turtle ↗#

作者：Bazely, J. O., Yen, E. C., Balard, A. 等
发表日期：2026-06-30
分类：genetics
Paper ID：biorxiv:10.64898/2026.06.25.734236

核心贡献#

用 whole-genome bisulfite sequencing 分析 endangered loggerhead sea turtle 中寄生 leech infection 相关 DNA methylation signatures，并探索其作为隐性感染 biomarker 的潜力。研究发现感染雌龟及其未直接暴露的后代表现出代际特异 methylation patterns，机器学习可较好区分母体感染状态。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：whole-genome bisulfite sequencing、differential methylation analysis、machine learning classification
  • 关键库与工具：未提及
  • 数据集：loggerhead sea turtle maternal and hatchling samples、Ozobranchus margoi infection status
  • 开源情况：未提及

上手难度#

  • 前置知识：epigenomics、conservation genomics、DNA methylation、wildlife parasite infection
  • 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，需要濒危野生动物样本、WGBS 和感染表型数据
  • 适合谁读：研究员 / 某领域专家

一句话总结#

甲基化可提示海龟隐性感染。

10. A gapless Landrace pig genome resolves centromeres and telomeres and highlights telomere repeat structures in different pig breeds ↗#

作者：Grove, H., Stenlokk, K. S. R., Lien, S. 等
发表日期：2026-06-30
分类：genomics
Paper ID：biorxiv:10.64898/2026.06.25.734473

核心贡献#

构建 near-complete、gap-free 的 Landrace pig genome，覆盖全部 20 条染色体并补充 Sscrofa11.1 缺失的 176 Mb 序列。比较多个高质量猪基因组后，研究解析了 centromere/telomere repeat 结构、breed-specific variation，以及 KIT locus 和 olfactory receptor gene family 等复杂区域。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：T2T genome assembly、comparative genomics、repeat structure analysis、structural variation analysis
  • 关键库与工具：未提及
  • 数据集：Landrace_v1 (GCA_963921485.1)、Sscrofa11.1、eight pig breed genomes
  • 开源情况：Landrace_v1 accession 提供：GCA_963921485.1

上手难度#

  • 前置知识：genome assembly、T2T genomics、centromere/telomere repeats、structural variation
  • 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，需要高质量长读长组装和跨品种比较基因组流程
  • 适合谁读：研究员 / 某领域专家

一句话总结#

Landrace 猪终于有了无缺口基因组。

PubMed#

作者：Jean Fan
发表日期：2026-07-01
分类：Genomics, Computational Biology, Periodicals as Topic, Humans, History
Paper ID：pubmed:42391265

核心贡献#

以 PLOS Computational Biology 成立 20 周年为背景，数据驱动回顾 2017 年以来该刊 Genomics, Epigenomics, & Proteomics section 的投稿研究趋势。文章旨在从 editorial records 中提炼 genomics research 的演化轨迹和未来方向。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：data-driven editorial trend analysis
  • 关键库与工具：Editorial Manager records
  • 数据集：PLOS Computational Biology 该 section 自 2017 年以来提交的 research papers
  • 开源情况：未提及

上手难度#

  • 前置知识：genomics field history、scientific publishing、bibliometric/trend analysis
  • 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，主要受限于 editorial records 可访问性
  • 适合谁读：本科生 / 硕博生 / 研究员

一句话总结#

用投稿数据回看 genomics 十年走势。

2. The cell cloud: Adopting systems biology concepts in the era of single-cell immunology. ↗#

作者：Tal Shay, Christophe O Benoist, Ricardo Grieshaber-Bouyer
发表日期：2026-07-01
分类：Systems Biology, Single-Cell Analysis, Animals, Humans
Paper ID：pubmed:42391211

核心贡献#

提出 “cell cloud” 视角，把 systems biology 概念引入 single-cell immunology，用来处理高通量单细胞数据中连续、可塑且受技术变异影响的细胞状态。该框架强调不要过度依赖离散分类，而要理解细胞状态云中的生物可塑性。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：systems biology conceptual framework、cell cloud model
  • 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：single-cell immunology、systems biology、cell-state plasticity
  • 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，偏概念框架文章，不涉及具体复现实验
  • 适合谁读：本科生 / 硕博生 / 研究员

一句话总结#

单细胞免疫不该只看离散标签。

3. Mobility data resolution needed to inform predictive models of spatial epidemic spread from mobile phone data. ↗#

作者：Giulia Pullano, Shweta Bansal, Stefania Rubrichi, Vittoria Colizza
发表日期：2026-07-01
分类：Cell Phone, Humans, Epidemics, Travel, Senegal
Paper ID：pubmed:42391180

核心贡献#

用 Senegal 950 万手机用户 mobility records 比较高、中、低三种移动数据聚合方式对 spatial epidemic modeling 的影响。结果显示保留所有连续位移并不一定更好，捕捉人们主要停留地点的低分辨率指标已足以复现空间入侵模式，并更利于隐私治理。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：metapopulation epidemic model、mobility data aggregation、spatial invasion simulation
  • 关键库与工具：未提及
  • 数据集：Senegal 9.5 million mobile phone users mobility records
  • 开源情况：未提及

上手难度#

  • 前置知识：epidemic modeling、human mobility analysis、metapopulation models、data privacy
  • 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：困难，需要大规模手机移动数据和空间传染病模拟框架
  • 适合谁读：研究员 / 公共卫生工程师 / 某领域专家

一句话总结#

疫情扩散建模不一定需要最高精度轨迹。

4. Multiomics Profiling During Autoimmune Demyelination Highlights a Complex Regulatory Role for Ataxin-1 in B Cells. ↗#

作者：Jonathan J Carver, Rachael R Denbrock, Kristy M Lau, Tonya N Zeczycki, Changhong Yin, Weihua Huang 等
发表日期：2026-07-01
分类：Ataxin-1, Animals, B-Lymphocytes, Multiomics, Mice
Paper ID：pubmed:42390217

核心贡献#

用 single-nuclei RNA-seq、ATAC-seq 和 mass-spectrometry proteomics 解析 encephalitogenic stress 下 Ataxin-1 在 B cell subsets 中的作用。研究发现 Ataxin-1 富集于多类 B cells，主要关联 RNA splicing 和 translation，而不是 B cell chromatin remodeling。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：single-nuclei RNA-seq/ATAC-seq integration、proteomics、pathway analysis
  • 关键库与工具：mass-spectrometry proteomics
  • 数据集：encephalitogenic stress mouse B cell subsets、snRNA-seq、snATAC-seq、proteomics data
  • 开源情况：未提及

上手难度#

  • 前置知识：multiple sclerosis biology、B cell immunology、single-nucleus multiomics、proteomics
  • 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，需要动物模型、多组学平台和 B cell subset 分析
  • 适合谁读：研究员 / 某领域专家

一句话总结#

Ataxin-1 在 B 细胞里管 RNA 程序。

5. Proteomic Profiling of Optic Nerves From SMOX-Deficient Mice Identifies Regulators of Neuroinflammation and Axonal Damage in Optic Neuritis. ↗#

作者：Harry Henry Ojo, Fang Liu, Abdulaziz H Alanazi, Kamyar A Zahedi, Manoocher Soleimani, Duo Zhang 等
发表日期：2026-07-01
分类：Animals, Optic Neuritis, Mice, Proteomics, Optic Nerve
Paper ID：pubmed:42390174

核心贡献#

通过 SMOX-deficient mice 的 optic nerve proteomics，识别 SMOX 在 optic neuritis 相关 neuroinflammation 和 axonal damage 中调控的通路。SMOX deficiency 减轻 EAE clinical scores，削弱炎症通路并恢复 cytoskeletal/cellular-adhesion proteins，提示其可作为保护 MS 视功能的潜在靶点。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：LC-MS/MS proteomics、pathway enrichment、comparative proteome analysis、immunofluorescence validation
  • 关键库与工具：LC-MS/MS
  • 数据集：WT and Smox KO EAE mice optic nerves and controls
  • 开源情况：未提及

上手难度#

  • 前置知识：optic neuritis、EAE model、proteomics、neuroinflammation、polyamine metabolism
  • 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，需要基因缺失小鼠、EAE 模型、LC-MS/MS 和免疫荧光验证
  • 适合谁读：研究员 / 某领域专家

一句话总结#

SMOX 可能加剧视神经炎炎症损伤。

6. The Impact of Collection Protocol on the Yield and Purity of Mesenchymal Stem Cell-Derived Extracellular Vesicles Isolated From Serum-Free Media. ↗#

作者：Jolene Phelps, Sara Hassanpour Tamrin, Neil A Duncan, Arindom Sen
发表日期：2026-07-01
分类：Mesenchymal Stem Cells, Extracellular Vesicles, Culture Media, Serum-Free, Humans
Paper ID：pubmed:42390018

核心贡献#

评估 serum-free media 中 MSC-derived EVs 的收集 protocol 如何影响 EV yield、purity 和 proteomic profile。研究显示 ultracentrifuged medium 提高 EV 纯度但降低产量，cell confluence 会改变 EV fractions 的蛋白组，强调临床级 MSC-EV 制造需要标准化收集条件。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：EV isolation protocol comparison、proteomic profiling
  • 关键库与工具：ultracentrifugation、proteomics
  • 数据集：MSC EV fractions from PPRF-msc6 serum-free media、ultracentrifuged medium、starvation medium
  • 开源情况：未提及

上手难度#

  • 前置知识：mesenchymal stem cells、extracellular vesicles、bioprocessing、proteomics
  • 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 MSC culture、EV isolation 和 proteomics characterization
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

MSC-EV 质量很吃收集 protocol。

作者：Lina Zhang, Ying Lu, Diefeng Liu, Bin Sheng
发表日期：2026-07-01
分类：Osteoarthritis, Humans, Signal Transduction, Hippo Signaling Pathway, Gene Expression Profiling
Paper ID：pubmed:42389985

核心贡献#

整合 OA transcriptomic data 与 Ras/Hippo pathway genes，通过 machine learning、表达验证和 ROC 分析筛选关键基因，最终确定 KIT 和 CSF1R。临床 cartilage samples 和 chondrocyte immunofluorescence 验证显示 OA 中 CSF1R 上调、KIT 下调，为机制研究和靶向治疗提供候选点。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：differential expression analysis、machine learning feature selection、ROC analysis、GSEA、immune infiltration analysis、drug prediction
  • 关键库与工具：GSEA
  • 数据集：public OA transcriptomic data、clinical cartilage tissue samples、chondrocyte immunofluorescence validation
  • 开源情况：未提及

上手难度#

  • 前置知识：osteoarthritis、Ras/Hippo signaling、transcriptomics、immune infiltration analysis
  • 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，公共转录组可复用，但需要临床样本验证
  • 适合谁读：硕博生 / 研究员 / 某领域专家

一句话总结#

KIT 和 CSF1R 成为 OA 候选靶点。

8. EasyCen: A Lightweight Framework for Centromere Localisation and Repeat-Organisation Profiling in Telomere-to-Telomere Genomes. ↗#

作者：Yunyun Lv, Yanping Li, Jia Li, Xidong Mu
发表日期：2026-07-01
分类：Centromere, Telomere, Animals, Repetitive Sequences, Nucleic Acid
Paper ID：pubmed:42388109

核心贡献#

提出 EasyCen，一个无需 repeat annotation 或 homology 的轻量级 sequence-based centromere localisation 框架，利用 repetitive DNA 的 recurrent positional features 识别 centromeres。其在 Arabidopsis 和 mouse benchmark 中达到通常超过 85% 的 coordinate overlap，并可探索 centromeric repeat organization。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：sequence-based centromere identification、repeat-pair profiling、positional repeat feature analysis
  • 关键库与工具：EasyCen
  • 数据集：Arabidopsis thaliana、Mus musculus、mouse and human centromeres、diverse eukaryotic T2T genomes
  • 开源情况：未提及

上手难度#

  • 前置知识：T2T genome assembly、centromeric repeats、repeat-rich genome analysis
  • 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，方法轻量且不依赖 repeat libraries，但需要高质量 T2T genomes
  • 适合谁读：硕博生 / 研究员 / 工业界工程师

一句话总结#

EasyCen 轻量定位 T2T 着丝粒。

9. Population Genomics Highlight the Vulnerability of Coral-Dwelling Gobies to Ecological Losses due to Climatic Disturbances. ↗#

作者：Catheline Y M Froehlich, Renae L Kirby, Samuel Greaves, Siobhan J Heatwole, O Selma Klanten, Martin Hing 等
发表日期：2026-07-01
分类：Animals, Genetics, Population, Climate Change, Genetic Variation
Paper ID：pubmed:42388061

核心贡献#

用 population genomics 评估 consecutive cyclones 和 heatwaves 后 coral-dwelling Gobiodon gobies 的遗传脆弱性。结果显示部分物种局部灭绝，部分出现 genetic bottlenecks 或持续低多样性，说明气候扰动会叠加生态数量下降和基因组损失。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：population structure analysis、pre/post-disturbance genomic comparison、genetic bottleneck assessment
  • 关键库与工具：未提及
  • 数据集：multiple Gobiodon species from three western Oceania locations，central location pre/post cyclones and heatwaves
  • 开源情况：未提及

上手难度#

  • 前置知识：population genomics、conservation genetics、coral reef ecology、climate disturbance biology
  • 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，需要多物种、多地点和扰动前后基因组采样
  • 适合谁读：研究员 / 某领域专家

一句话总结#

珊瑚虾虎鱼承受生态和基因双重损失。

10. AI in Genomics: From Variant Calling to Multi-Omics Integration. ↗#

作者：Hina Sultana, Sabyasachi Mohanty, Abhishikt David Solomon, Mohammad Yamaan Iqbal, Atif Khurshid Wani, Vinay Kumar 等
发表日期：2026-07-01
分类：Multiomics, Genomics, Artificial Intelligence, Humans, Animals
Paper ID：pubmed:42388033

核心贡献#

综述 AI 在 genomics 中从 variant calling、gene expression analysis、single-cell transcriptomics、CRISPR-Cas9 optimization 到 multi-omics integration 的应用进展。文章也总结数据稀疏、model bias、隐私和 benchmark 标准化等限制，并提出 interpretable models、collaborative learning 和 open science 方向。

技术栈#

  • 语言/框架：未提及
  • 模型/算法：machine learning variant calling、deep learning batch correction/cell type annotation、trajectory inference、CRISPR guide RNA design、multi-omics integration
  • 关键库与工具：STAR-featureCounts-DESeq2 pipeline
  • 数据集：未提及
  • 开源情况：未提及

上手难度#

  • 前置知识：genomics、RNA-seq、single-cell analysis、CRISPR、multi-omics、AI/ML
  • 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，综述文章适合建立全局认识，但不提供单一可复现 pipeline
  • 适合谁读：本科生 / 硕博生 / 研究员 / 工业界工程师

一句话总结#

AI 正在重塑 genomics 全流程。

论文速读 · 2026-06-24

论文速读 · 2026-07-08