论文速读 · 2026-07-08

抓取窗口：2026-07-02 ~ 2026-07-08 共 30 篇

📚 目录#

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

arXiv q-bio#

1. UMA-Inverse: Ligand-Conditioned Protein Inverse Folding with a Distogram-Supervised Dense Pair Encoder ↗#

作者：William Sobolewski
发表日期：2026-07-08
分类：q-bio.BM
Paper ID：arxiv:2607.07866v1

核心贡献#

提出 UMA-Inverse，以带 distogram 辅助监督的 dense PairMixer 编码 residue-residue 与 residue-ligand pairs，并通过 autoregressive decoder 生成配体条件蛋白序列。模型仅约 3.3M 参数，在 LigandMPNN 测试集上略逊于 LigandMPNN，但能把 ligand identity 传播到远离 interface 的残基。

技术栈#

语言/框架：未提及
模型/算法：PairMixer、triangle multiplication、distogram supervision、autoregressive decoding、inverse folding
关键库与工具：LigandMPNN、Boltz-2
数据集：LigandMPNN test splits
开源情况：未提及

上手难度#

前置知识：protein inverse folding、geometric deep learning、ligand-protein interaction
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，需要训练 pair encoder 并运行 Boltz-2 cofolding 评估
适合谁读：蛋白质设计与结构生物信息学研究者

一句话总结#

用 dense pair 表征传播配体条件信息。

2. Rethinking the Choice Behavior of Sugar Metabolism in Bacteria ↗#

作者：Jeffrey D. Varner
发表日期：2026-07-08
分类：q-bio.QM, q-bio.MN
Paper ID：arxiv:2607.07677v3

核心贡献#

把 cybernetic enzyme-synthesis control 明确写成 microeconomics consumer choice 的 linear program，说明增长最大化通常产生单一底物的 corner solution，而共同利用只在收益相等时出现。该模型仅用单底物实验参数，就复现了 Klebsiella oxytoca 的双相和三相混合底物生长。

技术栈#

语言/框架：未提及
模型/算法：linear programming、cybernetic model、consumer choice model
关键库与工具：未提及
数据集：Klebsiella oxytoca 单底物及混合底物 batch growth experiments
开源情况：未提及

上手难度#

前置知识：microbial growth kinetics、metabolic regulation、linear programming、microeconomics
算力需求：未提及
复现成本：中等，需要独立实验参数和 batch growth 数据
适合谁读：systems biology 与 microbial metabolism 研究者

一句话总结#

底物顺序利用是资源最优分配的角点解。

3. A hierarchical memory architecture overcomes context limits in long-horizon multi-agent computational modeling ↗#

作者：Shivendra G. Tewari, Holly Kimko
发表日期：2026-07-08
分类：q-bio.QM, cs.MA
Paper ID：arxiv:2607.07666v2

核心贡献#

提出 Ensemble QSP，以三层 hierarchical memory 和五类 specialist agents 支持长期、多 session 的定量药理建模，同时保持 injected context 基本恒定。基准结果显示其可自主完成 PK-PD model selection，较 single-agent baseline 改善参数恢复，并在不同模型和提示表达下保持稳定。

技术栈#

语言/框架：未提及
模型/算法：multi-agent orchestration、hierarchical memory、PBPK/PK-PD modeling、feature ablation
关键库与工具：Ensemble QSP、LLMs
数据集：104 runs 及多复杂度 PBPK benchmark tasks
开源情况：未提及

上手难度#

前置知识：LLM agents、PK-PD/PBPK modeling、quantitative systems pharmacology
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 agent infrastructure、domain PI 配置和完整 benchmark
适合谁读：AI for science 与定量药理研究者

一句话总结#

分层记忆让多 agent 科研跨 session 持续运行。

4. Directional bias of a single polarized cell under confinement ↗#

作者：Andreas Buttenschön, Calina Copos
发表日期：2026-07-08
分类：physics.bio-ph, q-bio.CB
Paper ID：arxiv:2607.07578v1

核心贡献#

用 dynamical systems analysis 和 simulation 统一解释受限环境中 polarized cell 的旋转方向偏置，并识别四条机制路径：intrinsic torque、anisotropic friction、chiral wall alignment 与破坏 mirror symmetry 的 substrate pattern。各机制通过改变 clockwise/counter-clockwise states 的稳定性或 attraction basins 产生可检验偏置。

技术栈#

语言/框架：未提及
模型/算法：dynamical systems analysis、computer simulation、stability and basin analysis
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：cell motility、dynamical systems、cytoskeletal polarity
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，需要复现动力学模型与受限细胞 simulation
适合谁读：cell biophysics 与 active matter 研究者

一句话总结#

四类机制可统一产生受限细胞手性运动。

5. Equivalence testing in pesticide risk assessment — Evaluation and practical guidance for design, analysis and interpretation ↗#

作者：Dimitry Wintermantel, Julia Osterman, Magdalena M. Mair, Florian Hartig
发表日期：2026-07-08
分类：stat.ME, q-bio.PE, q-bio.QM
Paper ID：arxiv:2607.07543v1

核心贡献#

通过模拟比较两种 pesticide equivalence tests，证明只有 EFSA 原始方案能在 alpha=0.2 下可靠识别超过 protection goal 的影响。研究还表明增加 site replication 不可避免，但 covariate adjustment 和 anticlustering randomisation 可降低站点需求与成本。

技术栈#

语言/框架：R
模型/算法：equivalence testing、simulation、covariate adjustment、anticlustering randomisation
关键库与工具：论文提供的 R functions
数据集：模拟 regulatory honeybee field studies
开源情况：提供 anticlustering 与 equivalence testing 的 R functions，链接未提及

上手难度#

前置知识：equivalence tests、power analysis、ecotoxicology、experimental design
算力需求：未提及
复现成本：中等，需复现 EFSA 场景参数和模拟设计
适合谁读：生态风险评估与生物统计研究者

一句话总结#

可靠农药等效检验仍需足够的场地重复。

6. HemoPIC: A Physics-Informed Cerebral Hemodynamics Digital Twin for Brain Perfusion ↗#

作者：Yi-Chen Lee, Peirong Liu
发表日期：2026-07-08
分类：q-bio.QM, eess.IV
Paper ID：arxiv:2607.08799v1

核心贡献#

提出 HemoPIC，以 tracer mass conservation 和 lumped-parameter hemodynamics 联合估计 perfusion imaging 的 latent states 与 digital twin parameters。它免去手动 AIF 选择和 deconvolution，直接生成 CBF、CBV、MTT maps，并支持 forward simulation 与 counterfactual intervention。

技术栈#

语言/框架：未提及
模型/算法：physics-informed inverse problem、tracer mass conservation、lumped-parameter hemodynamic model
关键库与工具：HemoPIC
数据集：perfusion imaging time series，具体数据集未提及
开源情况：代码公开：https://github.com/jhuldr/HemoPIC ↗

上手难度#

前置知识：cerebral perfusion imaging、inverse problems、hemodynamics
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，代码公开但需要 perfusion imaging 数据和医学影像评估
适合谁读：medical imaging、stroke modeling 与 digital twin 研究者

一句话总结#

用物理约束直接把灌注序列变成可模拟数字孪生。

7. Collaborate to decorrelate in path space: Hamiltonian replica exchange transition interface sampling (HRETIS) ↗#

作者：Sina Safaei, Parham Rezaee, An Ghysels
发表日期：2026-07-08
分类：physics.comp-ph, physics.chem-ph, q-bio.QM
Paper ID：arxiv:2607.07453v1

核心贡献#

提出 HRETIS，在 transition interface sampling 中引入 helper potential 和 Hamiltonian replica exchange，以跨越不同反应路径间的 orthogonal barriers。该方法在包括氨基酸穿越 DPPC membrane 的系统中提高 path decorrelation、sampling efficiency 和 kinetics convergence。

技术栈#

语言/框架：未提及
模型/算法：Hamiltonian replica exchange、transition interface sampling、Monte Carlo path sampling
关键库与工具：HRETIS
数据集：多类 rare-event simulation systems，包括 amino acid permeation through DPPC membrane
开源情况：未提及

上手难度#

前置知识：molecular simulation、rare-event sampling、statistical mechanics
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：困难，需要多 replica path sampling 与复杂分子模拟环境
适合谁读：computational chemistry 与 molecular biophysics 研究者

一句话总结#

交换Hamiltonian加速稀有路径事件采样。

8. Single-Entity Spiking Neuron Models: Survey ↗#

作者：Leon Parepko, Danila Shulepin, Albert Nasybullin
发表日期：2026-07-08
分类：cs.NE, q-bio.NC
Paper ID：arxiv:2607.07429v1

核心贡献#

系统综述 biologically plausible single-entity neuron models，按共同特征和适用场景整理 spiking models 以及离散、连续 analogs。内容同时覆盖神经元及影响 membrane-potential dynamics 的其他 neural-system components。

技术栈#

语言/框架：未提及
模型/算法：spiking neuron models、discrete and continuous neural models
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：computational neuroscience、differential equations、membrane dynamics
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，属于 survey，主要成本是理解和比较模型
适合谁读：计算神经科学入门者与 neuromorphic computing 研究者

一句话总结#

梳理单神经元脉冲模型的主要谱系与用途。

9. Reliable mechanistic operator recovery with biologically-informed neural networks: principles for architecture and optimisation design ↗#

作者：Rebecca M. Crossley, Yuan Yin, Sarah L. Waters, Ruth E. Baker
发表日期：2026-07-08
分类：q-bio.QM, cs.LG
Paper ID：arxiv:2607.07425v1

核心贡献#

系统评估 BINNs 在一维 advection-diffusion-reaction PDE 上恢复 mechanistic operators 时，对 architecture、learning rate、loss weighting 与 batch size 的敏感性。结果给出实用设计原则，并提出识别 overfitting、optimization instability 和错误机制恢复的 diagnostics。

技术栈#

语言/框架：未提及
模型/算法：biologically-informed neural networks、PDE-constrained learning、operator recovery
关键库与工具：未提及
数据集：canonical 1D advection-diffusion-reaction PDE benchmarks
开源情况：未提及

上手难度#

前置知识：PDEs、scientific machine learning、optimization、biological 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，需要多组 architecture 与 hyperparameter benchmark
适合谁读：scientific ML 与机制建模研究者

一句话总结#

BINN 机制恢复依赖模型、损失与优化的平衡。

10. Bayesian Learning of Distance Metrics Beyond RMSD for Biomolecule Alignment, Clustering, and Domain Identification ↗#

作者：Saumyak Mukherjee, Gerhard Hummer
发表日期：2026-07-08
分类：q-bio.BM, cond-mat.stat-mech
Paper ID：arxiv:2607.07352v1

核心贡献#

提出 Bayes-optimal RMSD，通过 Bayesian posterior 联合优化 atom weights 与 structural averages，使距离度量可从全局 RMSD 平滑聚焦于 rigid core。BRMSD package 支持 alignment、trajectory smoothing、soft K-means clustering 和 rigid-domain identification，并在 SND3 与 adenylate kinase MD systems 上验证。

技术栈#

语言/框架：Python
模型/算法：Bayesian posterior optimization、weighted RMSD、soft K-means
关键库与工具：BRMSD
数据集：SND3 与 adenylate kinase molecular dynamics trajectories
开源情况：代码公开：https://github.com/bio-phys/BRMSD ↗

上手难度#

前置知识：molecular dynamics、structural alignment、Bayesian inference、clustering
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，package 开源但需要 MD trajectories 与结构分析经验
适合谁读：structural bioinformatics 与 molecular simulation 研究者

一句话总结#

Bayesian原子加权让结构比较聚焦刚性核心。

bioRxiv#

1. Real-time mass defect-driven prediction of glycopeptide precursors enables enrichment-free serum glycoproteomics ↗#

作者：Zhang, B., Chau, T. H., Bienes, K. M., Arakawa, H., Kaji, H., Kawahara, R. 等
发表日期：2026-07-07
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.07.03.736455

核心贡献#

利用 curated glycoproteomics data 与 machine learning 训练 mass-defect classifier，在 data-dependent acquisition 过程中实时识别 N-glycopeptide precursor ions。该方案可直接从 serum peptide mixtures 中进行 enrichment-free glycoproteomics，减少 enrichment bias 与 reproducibility 问题。

技术栈#

语言/框架：未提及
模型/算法：machine-learning classification、mass-defect signatures、real-time precursor prediction
关键库与工具：data-dependent acquisition mass spectrometry
数据集：curated glycoproteomics datasets、serum peptide mixtures
开源情况：未提及

上手难度#

前置知识：glycoproteomics、mass spectrometry、precursor-ion classification
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，需要实时 mass spectrometry acquisition 与 serum glycoproteomics workflow
适合谁读：proteomics 与 clinical mass spectrometry 研究者

一句话总结#

实时质量亏损分类实现无富集血清糖蛋白组学。

2. PEPstrMOD2: Next-generation tertiary structure prediction of chemically modified and non-natural peptides ↗#

作者：Jain, S., Mehta, N. K., Raina, S., Kumar, P., Varun, V., Raghava, G. P. S.
发表日期：2026-07-07
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.06.22.733733

核心贡献#

发布 PEPstrMOD2，以 AlphaFold2/ESMFold 生成初始结构并结合 molecular-dynamics refinement，支持 928 种 PTM、NCAA、terminal、D-form 与 cyclic modifications，且取消原有 peptide length 限制。它在 modified-peptide benchmarks 上优于原版，并在 ModPep433 上略优于 AlphaFold3。

技术栈#

语言/框架：command-line tool、Docker
模型/算法：AlphaFold2、ESMFold、molecular dynamics refinement
关键库与工具：PEPstrMOD2、AMBER-compatible force-field libraries
数据集：AfCyc、ModPep433、ModPep16
开源情况：提供 web server、GitHub standalone tool 与 Docker；入口：https://webs.iiitd.edu.in/raghava/pepstrmod/ ↗

上手难度#

前置知识：peptide structure prediction、force fields、AlphaFold、molecular dynamics
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，提供 CLI 与 Docker，但深度模型和 MD refinement 仍有环境成本
适合谁读：peptide drug design 与 structural biology 研究者

一句话总结#

深度模型与定制力场扩展修饰肽结构预测。

3. FIND: a software tool for identifying population-enriched pathogenic variants in gnomAD ↗#

作者：Horowitz, A. L., Liebman, A. Z., Liebman, S. W.
发表日期：2026-07-07
分类：genomics
Paper ID：biorxiv:10.64898/2026.06.05.730273

核心贡献#

开发 FIND web tool，从 gnomAD 中筛选某 ancestry frequency 超过 0.00008、且至少高于其他人群十倍的 pathogenic 或 predicted loss-of-function variants。工具复现 12 个已知 founder/population-enriched mutations，并发现 8 个候选，在 All of Us 中验证了部分欠代表人群结果。

技术栈#

语言/框架：web tool，具体框架未提及
模型/算法：ancestry-specific frequency filtering、pathogenicity filtering
关键库与工具：FIND、gnomAD、All of Us
数据集：gnomAD、All of Us；FLNC、TMEM127、MYH7、BRCA1、BRCA2
开源情况：MIT license：https://github.com/aacoder105/FIND ↗

上手难度#

前置知识：population genetics、variant interpretation、founder mutations
算力需求：未提及
复现成本：容易，代码和 web interface 均公开
适合谁读：clinical genomics 与 population genetics 研究者

一句话总结#

从 gnomAD 自动发现人群富集致病变异。

4. The RdRp Thumb-1 Pocket is a Conserved Target for Broad-Spectrum Antiviral Development ↗#

作者：Woods, V., Umansky, T., Russell, S. M., Gallay, P., Smith, D., Haders, D.
发表日期：2026-07-07
分类：bioinformatics
Paper ID：biorxiv:10.1101/2024.03.29.587401

核心贡献#

通过 comparative structural analysis 和 multiple sequence alignment，提出 ssRNA virus families 间保守的 RdRp Thumb-1 allosteric pocket。研究以 MDL-001 验证该靶点，可直接阻断 RNA synthesis，并在体外同时抑制 HCV 与 SARS-CoV-2。

技术栈#

语言/框架：未提及
模型/算法：comparative structural analysis、multiple sequence alignment、resistance selection
关键库与工具：MDL-001、beclabuvir
数据集：多类 ssRNA viral RdRp structures/sequences、HCV 与 SARS-CoV-2 in-vitro assays
开源情况：未提及

上手难度#

前置知识：viral polymerase、structural bioinformatics、antiviral pharmacology
算力需求：中等：预计需 16–32 核 CPU、32–128GB RAM；大规模 alignment、phylogeny 或 network reconstruction 适合按样本并行，运行数小时至数天（推算，依据：进化/网络生物信息学分析）
复现成本：困难，需要跨病毒结构分析、isolated replication complexes 和 antiviral assays
适合谁读：antiviral drug discovery 与 virology 研究者

一句话总结#

保守 RdRp Thumb-1 可成为广谱抗病毒靶点。

5. PHI: A Galaxy-based workflow for reproducible prophage-host interaction analysis and standardized viral-genomics reporting ↗#

作者：Saraiva, J. P., Borim Correa, F., Bernt, M., Ghanem, N., Nieto, E., Brizola Toscan, R. 等
发表日期：2026-07-07
分类：bioinformatics
Paper ID：biorxiv:10.64898/2025.12.02.691814

核心贡献#

推出 Galaxy workflow PHI，整合 prophage detection、quality assessment、host prediction、functional annotation 和 interactive reporting。对含 22 个 bacteria 的 mock community，PHI 在 14 个 hosts 中检测到 41 个 prophages，并汇总宿主完整度与 antiviral systems。

技术栈#

语言/框架：Galaxy
模型/算法：prophage identification、host prediction、viral genome quality assessment
关键库与工具：PHI、DefenseFinder 及多个已建立工具
数据集：22-bacteria mock community
开源情况：通过 Galaxy 提供，具体链接未提及

上手难度#

前置知识：phage genomics、bacterial genome assembly、Galaxy workflows
算力需求：中高：预计需 16–32 核 CPU、64–128GB RAM 和数百 GB 临时存储；大队列 assembly、alignment 或 variant analysis 建议使用 HPC 并行运行数小时至数天（推算，依据：大规模基因组/测序数据处理）
复现成本：容易，workflow 降低安装与整合成本
适合谁读：phage、microbiome 与 environmental genomics 研究者

一句话总结#

Galaxy 一站式完成可复现的前噬菌体宿主分析。

6. Metabolomic signatures support the diagnostics of peritoneal endometriosis using generalised linear models. ↗#

作者：Cecil, A., Vouk, K., Novak Pusic, M., Vogler, A., Wenzl, R., Prehn, C. 等
发表日期：2026-07-07
分类：systems biology
Paper ID：biorxiv:10.64898/2026.07.05.736551

核心贡献#

在 235 人 discovery cohort 与 278 人 validation cohort 的 targeted metabolomics 数据上，以 GLM 和 machine learning 筛选 metabolite ratios。最佳模型由 amino acid、acylcarnitine、sphingomyelin 与 phosphatidylcholine ratios 组成，对 peritoneal endometriosis 达到 AUC 0.82、76% sensitivity 和 81% specificity。

技术栈#

语言/框架：未提及
模型/算法：generalized linear models、machine learning、metabolite-ratio modeling
关键库与工具：mass spectrometry
数据集：235 人 discovery population、278 人 validation population，均经 laparoscopy 确诊
开源情况：未提及

上手难度#

前置知识：targeted metabolomics、GLM、diagnostic 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，需要独立临床 cohort、laparoscopy ground truth 与 mass spectrometry
适合谁读：clinical metabolomics 与 gynecologic diagnostics 研究者

一句话总结#

代谢物比值模型可辅助无创识别腹膜型内异症。

7. Systematic engineering and machine learning analysis of intrinsic terminators reveal crucial nucleotides directly upstream of the terminator hairpin. ↗#

作者：Koster, C. C., Terlouw, B., Nieuwkoop, T., Creutzburg, S. C. A., Martin-Pascual, M., Paredes Barrada, M. 等
发表日期：2026-07-07
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.07.06.736697

核心贡献#

系统改变 bacterial intrinsic terminator 上游 3UTR，并结合三个 reporter genes 发现 hairpin 紧邻上游的 adenosine 可提高 protein production、降低 read-through。随后用 random forest 在天然与合成 terminators 上确认 hairpin 上游核苷酸是 termination efficiency 的关键特征。

技术栈#

语言/框架：未提及
模型/算法：saturated sequence engineering、random forest
关键库与工具：reporter-gene assays
数据集：E. coli 及其他 bacteria 的 natural/synthetic terminator sequences
开源情况：未提及

上手难度#

前置知识：bacterial transcription termination、3UTR engineering、random forest
算力需求：未提及
复现成本：困难，需要大规模 sequence variants、mRNA 与 protein assays
适合谁读：synthetic biology 与 bacterial gene regulation 研究者

一句话总结#

终止发夹前一个 A 可兼顾高表达与低读穿。

8. The Structure of Escherichia coli MscL and its dimer formation in Nanodiscs ↗#

作者：Rasmussen, T., Bahner, J. I., Flegler, V. J., Hove, T. T., Kraft, C., Rasmussen, A. 等
发表日期：2026-07-07
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.07.06.736777

核心贡献#

以 cryo-EM 获得 3.1 Å 分辨率的 nanodisc EcMscL experimental structure，确认 pentameric assembly 与 hydrophobic gate。研究还发现由 periplasmic loop residues 61-63 介导的 pentamer dimer，可解释细胞膜中 channel clusters 的 fluid-like mosaic packing。

技术栈#

语言/框架：未提及
模型/算法：cryo-electron microscopy structural reconstruction
关键库与工具：nanodiscs、cryo-EM
数据集：reconstituted Escherichia coli MscL particles
开源情况：未提及

上手难度#

前置知识：membrane proteins、mechanosensitive channels、cryo-EM
算力需求：高：3D reconstruction 与 refinement 预计需 4–8 张 24–48GB GPU、128–512GB RAM，完整数据集通常运行数天（推算，依据：高分辨率 cryo-EM 重建）
复现成本：困难，需要 membrane-protein reconstitution、nanodiscs 与高分辨率 cryo-EM
适合谁读：structural biology 与 bacterial membrane biophysics 研究者

一句话总结#

EcMscL 二聚五聚体结构解释通道簇组织。

9. Saturated mutagenesis screen of M-MLV reverse transcriptase identifies variants enhancing prime editing efficiency ↗#

作者：Li, H., Wang, Y., Zhang, C., Tun, T. T., Yu, S., Hu, C. 等
发表日期：2026-07-07
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.07.06.736660

核心贡献#

构建删除 RNase H domain 的 compact prime editor PE2ΔR，并对 MMLV-RT Fingers domain 两个 DNA-interacting regions 做 saturated mutagenesis。将 I61R、V101R、S67W 组合进 PEmaxΔRM3 后，各类编辑效率较 PEmax 最高提升 90%，AlphaFold 3 modeling 提示其增强 primer-template stabilization。

技术栈#

语言/框架：未提及
模型/算法：saturated mutagenesis screening、prime editing、AlphaFold 3 structural modeling
关键库与工具：PE2ΔR、PEmaxΔRM3、epegRNA、AlphaFold 3
数据集：多种 edit types 的 prime-editing assays
开源情况：未提及

上手难度#

前置知识：CRISPR prime editing、reverse transcriptase、protein mutagenesis
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：困难，需要 saturated mutagenesis library 与多位点细胞编辑验证
适合谁读：genome editing 与 protein engineering 研究者

一句话总结#

三种 RT 突变可显著提升多类 prime editing。

10. Integration of SYT1 Interactomics and Dual-Localization Proteomics Links ER-PM Contacts to Lignin Deposition ↗#

作者：Morello-Lopez, J., Galvan, U., Benitez-Fuente, F., Markovic, V., Parsons, H. T., Stevens, T. J. 等
发表日期：2026-07-07
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.07.06.736826

核心贡献#

整合 affinity-purification MS、TurboID 与 HyperLOPIT dual-localization reanalysis，绘制 plant ER-PM contact-site tether SYT1 的 interaction landscape。结果表明这些 contact sites 可锚定 monolignol biosynthetic complex，促进 stress-induced lignification 所需的 monolignol export。

技术栈#

语言/框架：未提及
模型/算法：interactomics、proximity labeling、dual-localization spatial-proteomics reanalysis
关键库与工具：affinity purification mass spectrometry、TurboID、HyperLOPIT
数据集：SYT1 interactome 与 plant spatial proteomics data
开源情况：未提及

上手难度#

前置知识：plant cell biology、membrane contact sites、proteomics、lignin biosynthesis
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，需要多种 proteomics experiments 与 integrated reanalysis
适合谁读：plant proteomics 与 membrane contact-site 研究者

一句话总结#

SYT1 接触位点把木质素合成复合体锚定到膜界面。

PubMed#

作者：Noora Peltonen, Jordan E Sealey, Oliver Mounsey, Caroline M Best, Beatriz Llamazares, Will Miller 等
发表日期：2026-07-02
分类：Animals, Cattle, Sheep, Escherichia coli, Escherichia coli Infections
Paper ID：pubmed:42446383

核心贡献#

对 33 个 Welsh cattle/sheep farms 的 1,874 samples 进行 resistance phenotyping，并对 713 株 E. coli 做 Illumina WGS 与 core-genome alignment。研究发现 spectinomycin product 退市后羊群耐药率显著下降，同时识别 77 个跨 farm clones，显示 mixed farms 与动物移动是传播枢纽。

技术栈#

语言/框架：未提及
模型/算法：core-genome alignment、SNP-threshold clonal analysis、longitudinal prevalence comparison
关键库与工具：Illumina WGS、antibiotic susceptibility testing
数据集：33 个 Welsh farms、571 次 visits、1,874 samples、713 E. coli isolates
开源情况：未提及

上手难度#

前置知识：antimicrobial resistance epidemiology、bacterial genomics、phylogenomics
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，需要长期农场采样、培养实验和大规模 WGS
适合谁读：One Health、veterinary epidemiology 与 microbial genomics 研究者

一句话总结#

混养农场和动物流动驱动耐药克隆跨场传播。

作者：Jean-Philippe Villemin, Pierre Giroux, Morgan Maillard, Pierre-Emmanuel Colombo, Christel Larbouret, Jacques Colinge
发表日期：2026-07-03
分类：Proteomics, Ligands, Single-Cell Analysis, Animals, Mice
Paper ID：pubmed:42444609

核心贡献#

扩展 SingleCellSignalR Bioconductor package，加入多种 scoring strategies 与可调 analytical depth，以适应不同 experimental designs。框架首次在 single-cell resolution 直接比较 paired proteomics 与 transcriptomics 的 ligand-receptor inference，并支持 xenograft 和 upstream-sorted bulk RNA-seq。

技术栈#

语言/框架：R、Bioconductor
模型/算法：ligand-receptor interaction scoring、cross-modality comparison
关键库与工具：SingleCellSignalR
数据集：两个 single-cell transcriptomics datasets、paired single-cell proteomics/transcriptomics、xenograft 与 sorted bulk RNA-seq
开源情况：通过 Bioconductor package 提供

上手难度#

前置知识：single-cell omics、cell-cell communication、R/Bioconductor
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，package 可用但需要多模态单细胞数据与 LRI interpretation
适合谁读：single-cell bioinformatics 与 tumor microenvironment 研究者

一句话总结#

统一框架让配体受体推断适配多种单细胞模态。

3. A systematic benchmark of bioinformatics methods for single-cell and spatial RNA-seq nanopore long reads data. ↗#

作者：Ali Hamraoui, Audrey Onfroy, Catherine Sénamaud-Beaufort, Fanny Coulpier, Sophie Lemoine, Laurent Jourdren 等
发表日期：2026-09-01
分类：Computational Biology, Single-Cell Analysis, Benchmarking, RNA-Seq, Single-Cell Gene Expression Analysis
Paper ID：pubmed:42441075

核心贡献#

以 paired short-read/Nanopore long-read single-cell datasets 系统评估 10 种工具，覆盖 barcode/UMI detection、demultiplexing、gene expression 与 isoform quantification。真实和模拟数据揭示各方法在 accuracy、robustness、scalability 上的 trade-offs，并强调 sequencing quality 与 UMI correction 的重要性。

技术栈#

语言/框架：未提及
模型/算法：barcode/UMI detection、demultiplexing、UMI clustering、isoform quantification、benchmarking
关键库与工具：Nanopore 及 10 种 state-of-the-art methods，名称未提及
数据集：paired short/long-read single-cell data、spatial data、real and simulated datasets
开源情况：benchmark workflow 可复用，具体链接未提及

上手难度#

前置知识：single-cell RNA-seq、long-read sequencing、alternative splicing、benchmark design
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，workflow 可复用但需多 protocol、depth 与 chemistry 的数据
适合谁读：single-cell/spatial transcriptomics 方法开发者

一句话总结#

长读长单细胞流程需按任务权衡质量与 UMI 校正。

4. Identifying Distinct Molecular Subtypes and Establishing a Prognostic Framework for DLBCL Patients via Multiomics Analysis and Machine Learning Approaches. ↗#

作者：Hongyu Shen, Jinbo Lu, Qi Yan, Jinjiang Chou, Xiao Liang, Weifei Fan 等
发表日期：2026-01-01
分类：Humans, Prognosis, Machine Learning, Lymphoma, Large B-Cell
Paper ID：pubmed:42440855

核心贡献#

整合 scRNA-seq 与 bulk genomics，在 DLBCL 中识别六个 malignant B-cell subclusters，并确定 MB5 signature 与低 overall survival、高 proliferation 和高 tumor mutational burden 相关。基于 MB5 markers 的 CoxBoost-RSF model 在独立 cohorts 中实现 patient risk stratification。

技术栈#

语言/框架：未提及
模型/算法：scRNA-seq clustering、cell-cell communication、CoxBoost、random survival forest
关键库与工具：CoxBoost-RSF
数据集：GSE182434、GSE32918 及独立 validation cohorts
开源情况：未提及

上手难度#

前置知识：single-cell transcriptomics、survival analysis、DLBCL biology、machine learning
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，公共数据可定位但完整 pipeline 与独立 cohorts 细节未提及
适合谁读：cancer genomics 与 computational oncology 研究者

一句话总结#

MB5 恶性 B 细胞特征可分层 DLBCL 风险。

5. Reliable evaluation and learning in multi-input biological association prediction. ↗#

作者：Sobhan Ahmadian, Lucas Paoli, Hesam Montazeri
发表日期：2026-07-03
分类：Computational Biology, Humans, Prediction Algorithms, Algorithms, Machine Learning
Paper ID：pubmed:42439426

核心贡献#

提出 entity-balanced evaluation，在每个 entity 层面平衡 positive/negative associations，消除 degree-ratio shortcut 对 benchmark 的虚假增益。配套的 model-agnostic UnbiasNet 循环使用多组 balanced sub-training sets，在 drug-target、drug synergy 与 virus-host tasks 上提高 robustness、interpretability 和 biologically meaningful learning。

技术栈#

语言/框架：未提及
模型/算法：entity-balanced evaluation、UnbiasNet、shortcut-bias mitigation
关键库与工具：未提及
数据集：drug-target、drug synergy、virus-host association datasets
开源情况：未提及

上手难度#

前置知识：biological association prediction、graph/data bias、benchmark design、machine learning
算力需求：中高：模型训练预计需 1–2 张 16–24GB GPU、32–64GB RAM；若仅运行 tree-based model 可退化到 8–16 核 CPU，完整交叉验证通常耗时数小时至 2 天（推算，依据：机器学习/深度学习训练）
复现成本：中等，需要重建 balanced splits 并比较多类 prediction models
适合谁读：computational biology 与 trustworthy ML 研究者

一句话总结#

实体平衡拆除关联预测中的度数捷径。

6. Shuyu Wan Potentiates PD-1 Inhibitor Efficacy in Non-Small Cell Lung Cancer: Integrated Bioinformatics and Experimental Evidence for Gut Microbiota-Tumor Immune Crosstalk. ↗#

作者：Tianqing Sang, Yajing Li, Qihan He, Wei Wu, Qijun Fang, Yinglu Liu 等
发表日期：2026-01-01
分类：Animals, Carcinoma, Non-Small-Cell Lung, Lung Neoplasms, Programmed Cell Death 1 Receptor
Paper ID：pubmed:42438795

核心贡献#

在 syngeneic NSCLC mice 中显示 Shuyu Wan 单药无显著抑瘤，但与 PD-1 inhibitor 联用可降低 T-cell exhaustion、增强 effector CD8+ infiltration 并抑制肿瘤。antibiotic treatment 与 FMT 实验进一步表明，该协同效应依赖 gut microbiota-tumor microenvironment crosstalk。

技术栈#

语言/框架：未提及
模型/算法：pathway enrichment、molecular docking、16S rRNA profiling、metabolomics integration
关键库与工具：UPLC-MS、flow cytometry、immunofluorescence、FMT
数据集：NSCLC syngeneic mouse models、gut microbiome 与 metabolomics data
开源情况：未提及

上手难度#

前置知识：cancer immunology、gut microbiome、PD-1 blockade、multi-omics
算力需求：中高：批量 docking 建议 16–32 核 CPU、64GB RAM；若包含后续 MD 验证，建议增加 1–4 张 24GB 以上 GPU，整体耗时数小时至数天（推算，依据：分子对接与结构验证）
复现成本：困难，需要动物实验、FMT、流式、16S 与 metabolomics
适合谁读：immuno-oncology 与 microbiome 研究者

一句话总结#

肠菌群介导 Shuyu Wan 增敏 PD-1 治疗。

7. Evidencing strain-dependency of metabolic pathways within 1,494 lactic bacteria genomes with the ↗#

作者：Noé Robert, Jeanne Got, Pauline Hamon-Giraud, Hélène Falentin, Anne Siegel
发表日期：2026-01-01
分类：Genome, Bacterial, Metabolic Networks and Pathways, Lactobacillales, Computer Simulation
Paper ID：pubmed:42437043

核心贡献#

发布 Prolipipe，把功能注释、genome-scale metabolic-network construction 与 pathway completeness assessment 自动化到大规模 bacterial genomes。对 1,494 个 lactic acid bacteria genomes 和 761 pathways 的分析识别 137 条可由至少一个 strain 完成的通路，并量化 species 内 strain-dependent metabolic variability。

技术栈#

语言/框架：未提及
模型/算法：functional annotation、genome-scale metabolic network reconstruction、pathway completeness analysis
关键库与工具：Prolipipe、三个 annotation tools、MetaCyc
数据集：1,494 lactic-acid-bacteria genomes、761 pathways
开源情况：未提及

上手难度#

前置知识：bacterial genomics、metabolic network reconstruction、pathway ontologies
算力需求：未提及
复现成本：中等，pipeline 已自动化但具体发布方式和工具配置未提及
适合谁读：microbial genomics、food biotechnology 与 metabolic modeling 研究者

一句话总结#

批量代谢网络揭示乳酸菌的菌株级功能差异。

8. The evolution of diagnostic microbiology: integrating culture-based methods and genomic advances. ↗#

作者：Mohsan Ullah Goraya, Ghayoor Fatima, Khizar Hayat, Ali Raza, Diao Yong
发表日期：2026-01-01
分类：Humans, Genomics, Microbiological Techniques, Bacteria, Molecular Diagnostic Techniques
Paper ID：pubmed:42437039

核心贡献#

回顾 diagnostic microbiology 从 conventional culture 发展到 mass spectrometry、real-time genomics、metagenomics 与 AI-assisted analysis 的技术演进。文章强调 advanced molecular methods 的成本和设备门槛，以及传统培养的低成本但慢报告，主张按 precision、sensitivity 与 turnaround time 组合技术。

技术栈#

语言/框架：未提及
模型/算法：AI/ML-assisted pathogen identification、metagenomic diagnostics
关键库与工具：culture systems、mass spectrometry、real-time genomics、diagnostic kits
数据集：未提及
开源情况：未提及

上手难度#

前置知识：clinical microbiology、molecular diagnostics、genomics
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，属于 review，无单一实验流程需复现
适合谁读：clinical microbiology、infectious-disease diagnostics 从业者

一句话总结#

诊断微生物学需要融合培养与基因组技术。

9. HPLC-HRMS and interpretable machine learning decipher serum lipidomic signatures in NSCLC. ↗#

作者：Chengxi Tang, Jiahua Lyu, Jianming Huang, Xue Zhang, Chunxiao Mou, Yuxin Liu 等
发表日期：2026-01-01
分类：Humans, Carcinoma, Non-Small-Cell Lung, Lung Neoplasms, Lipidomics
Paper ID：pubmed:42437038

核心贡献#

对 40 名 NSCLC patients 与 30 名 controls 的 serum 进行 HPLC-HRMS lipidomics，比较 LASSO、SVM、XGBoost 和 LightGBM，并用 RFE 与 SHAP 解释特征。LightGBM 内部验证最佳，结合 clinical covariates 的 lipid model 达到 AUC 0.946，但仍需更大 multicenter external validation。

技术栈#

语言/框架：未提及
模型/算法：LASSO、SVM、XGBoost、LightGBM、recursive feature elimination、SHAP
关键库与工具：HPLC-HRMS、nomogram、decision-curve analysis
数据集：40 名 NSCLC patients、30 名 controls、331 annotated lipids
开源情况：未提及

上手难度#

前置知识：lipidomics、mass spectrometry、classification、model interpretation
算力需求：未提及
复现成本：困难，需要 HPLC-HRMS、targeted validation 与 clinical cohort
适合谁读：cancer metabolomics 与 clinical ML 研究者

一句话总结#

可解释 LightGBM 提炼 NSCLC 血清脂质信号。

10. Eras of bioinformatics technologies from command-line interfaces to artificial intelligence (AI) chatbots. ↗#

作者：Van Q Truong, Marylyn D Ritchie
发表日期：2026-07-03
分类：Computational Biology, Artificial Intelligence, Large Language Models, Humans, Deep Learning
Paper ID：pubmed:42430655

核心贡献#

以 75 年历史视角梳理 bioinformatics 从 command-line、NGS、web/cloud/container workflows 到 deep learning 与 LLM chatbots 的技术阶段。综述指出每次降低使用门槛的同时，都会引入新的 transparency、trust 与 rigor 问题，并给出面向 AI era 的 critical roadmap。

技术栈#

语言/框架：未提及
模型/算法：deep learning、large language models、multimodal integration
关键库与工具：command-line tools、web servers、cloud platforms、containers、AlphaFold series、AI chatbots
数据集：未提及
开源情况：未提及

上手难度#

前置知识：bioinformatics history、genomics、AI/LLMs
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，属于 historical review
适合谁读：bioinformatics 学生、研究者与工具开发者

一句话总结#

生信工具降门槛的同时不断重塑可信性要求。