论文速读 · 2026-07-15

抓取窗口：2026-07-09 ~ 2026-07-15 共 30 篇

📚 目录#

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

arXiv q-bio#

1. LATTICE: Graph Self-Supervised Learning for Multimodal Spatial Omics Integration ↗#

作者：Jagan Mohan Reddy Dwarampudi, Veena Kochat, Suresh Satpati, Kunal Rai, Tania Banerjee
发表日期：2026-07-15
分类：cs.LG, q-bio.GN
Paper ID：arxiv:2607.14410v1

核心贡献#

提出 LATTICE，以 spatial neighborhood graph 和 TransformerConv self-supervision 联合整合五类 transcriptomic/epigenomic modalities。它在 11 个 melanoma samples、54,912 个 spots 上稳定训练，并显著提升相对 Space Ranger clusters 的一致性与 spatial contiguity。

技术栈#

语言/框架：未提及
模型/算法：TransformerConv、masked reconstruction、cross-modal alignment、spatial smoothness
关键库与工具：LATTICE、Space Ranger
数据集：11-sample private melanoma cohort；Visium RNA、scMultiome RNA/ATAC、spatial ATAC、spatial CUT&Tag
开源情况：未提及

上手难度#

前置知识：spatial omics、single-cell multi-omics、graph neural networks、self-supervised learning
算力需求：中高：54,912 spots 的五模态图训练预计需 16–32 核 CPU、64–128GB RAM 和 1 张 24GB GPU，11 次重复实验约数小时至 1 天（推算，依据：multimodal spatial GNN）
复现成本：困难，私有 cohort 不可直接获取，且需完成五模态 harmonization
适合谁读：spatial omics 与 multimodal representation learning 研究者

一句话总结#

用图自监督统一五类空间组学信号。

2. Analyzing Post-transcriptional Regulation in Stochastic Gene Expression Models Using Partitioned Poisson Arrivals ↗#

作者：Kenny Wong, Argenis Arriojas, Sho Inaba, Hodjat Pendar, Abhyudai Singh, Rahul Kulkarni
发表日期：2026-07-15
分类：q-bio.QM
Paper ID：arxiv:2607.14404v1

核心贡献#

利用 Poisson arrivals 的 partitioning property，把一类 post-transcriptional regulation stochastic models 映射到 promoter-based models，从而推导 protein distribution moments，并在部分情形获得完整分布。框架还纳入 transcriptional bursting，形成统一的解析工具。

技术栈#

语言/框架：未提及
模型/算法：partitioned Poisson arrivals、stochastic gene-expression modeling、exact moment/distribution derivation
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：stochastic processes、Poisson processes、gene-expression noise、probability generating functions
算力需求：低：解析推导与数值验证预计用普通 4–8 核 CPU、8–16GB RAM 即可，无需 GPU（推算，依据：exact analytical framework）
复现成本：中等，计算轻量但概率模型推导门槛较高
适合谁读：quantitative biology 与 stochastic modeling 研究者

一句话总结#

Poisson 分流给出蛋白表达噪声的精确解。

3. Infectious Disease Induces Emergent Oscillations, Extinction and Changes in Community Persistence in a Food Chain ↗#

作者：Hooman Saveh, Fakhteh Ghanbarnejad
发表日期：2026-07-15
分类：q-bio.PE, nlin.CD, physics.soc-ph
Paper ID：arxiv:2607.14360v1

核心贡献#

把 SIR disease dynamics 嵌入三营养级 generalized Lotka-Volterra food chain，并引入感染改变捕食与狩猎率的参数。模拟显示感染位置可分别诱发 predator oscillation、apex-predator extinction，并以不同方向改变 community persistence。

技术栈#

语言/框架：未提及
模型/算法：generalized Lotka-Volterra equations、SIR model、parameter simulation
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：mathematical ecology、epidemiological models、nonlinear dynamics
算力需求：低至中等：参数扫描预计需 8–16 核 CPU、16–32GB RAM，通常数小时内完成，无需 GPU（推算，依据：低维 ODE simulation）
复现成本：中等，需重建模型方程和参数空间扫描
适合谁读：ecological modeling 与 mathematical epidemiology 研究者

一句话总结#

疾病所在营养级决定食物链振荡与灭绝。

4. Leveraging unlabelled data for generalizable neural population decoding ↗#

作者：Ximeng Mao, Nanda H. Krishna, Avery Hee-Woon Ryoo, Matthew G. Perich, Guillaume Lajoie
发表日期：2026-07-15
分类：cs.LG, q-bio.NC
Paper ID：arxiv:2607.14086v1

核心贡献#

提出 MOJO，把 masked-autoencoder SSL 与 supervised objectives 联合用于 spike-tokenizing neural decoders。它在 monkey、mouse spiking data 和 human ECoG 上均优于纯监督训练，尤其改善 few-shot finetuning 与跨 session generalization。

技术栈#

语言/框架：未提及
模型/算法：masked autoencoding、self-supervised learning、supervised learning、spike tokenization、few-shot finetuning
关键库与工具：MOJO
数据集：monkey motor-cortex reaching、multi-region mouse recordings、human speech ECoG
开源情况：未提及

上手难度#

前置知识：neural decoding、spiking data、self-supervised learning、brain-computer interfaces
算力需求：高：跨 session pretraining 预计需 2–4 张 24–48GB GPU、64–128GB RAM，完整多数据集训练约数天；few-shot finetuning 可单卡完成（推算，依据：neuro-foundation model pretraining）
复现成本：困难，需要多物种 neural recordings 和完整预训练 pipeline
适合谁读：computational neuroscience 与 neural foundation model 研究者

一句话总结#

无标签神经数据显著增强跨 session 解码。

5. A modular state-space model of human perception, cognition, and decision dynamics ↗#

作者：Sven Schoonebeek, Carlo Cenedese, Anahita Jamshidnejad
发表日期：2026-07-15
分类：eess.SY, q-bio.NC
Paper ID：arxiv:2607.14078v2

核心贡献#

构建可解释的 perception-cognition-decision modular state-space model，并证明 boundedness、Lipschitz regularity、forward invariance 与 input-to-state stability 等性质。closed-loop rehabilitation simulation 中，receding-horizon controller 比 target-following 和 random baselines 获得更低 cumulative cost。

技术栈#

语言/框架：未提及
模型/算法：modular state-space modeling、stability analysis、receding-horizon control、sensitivity analysis
关键库与工具：未提及
数据集：simulated rehabilitation case study
开源情况：未提及

上手难度#

前置知识：state-space systems、control theory、cognitive modeling、stability analysis
算力需求：低至中等：数值 sensitivity 和 receding-horizon simulation 预计需 8–16 核 CPU、16–32GB RAM，无需 GPU（推算，依据：white-box state-space control）
复现成本：中等，计算轻量但需准确实现耦合映射和控制器
适合谁读：human-centered control 与 computational cognition 研究者

一句话总结#

白盒状态空间连接认知机制与闭环控制。

6. Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes ↗#

作者：Jeremy Guntoro, Alexander Dack, Dylan Danno, Michaela Jančovičová, Križan Jurinović, Vanessa Smilansky
发表日期：2026-07-15
分类：q-bio.GN, cs.LG
Paper ID：arxiv:2607.14070v1

核心贡献#

在 frozen Evo 2 layer-26 representations 上训练 linear 和 single-head attention probes，实现 AMR、drug class 与 bacterial virulence screening。AMR attention probe 的 region-level ROC-AUC 达 0.977，并可直接处理 simulated short reads，支持 assembly 前的快速 first-pass biosurveillance。

技术栈#

语言/框架：未提及
模型/算法：linear probing、single-head attention probe、sparse autoencoder analysis、mean pooling
关键库与工具：Evo 2、Evo 1.5、SynGenome
数据集：held-out metagenomic test sets、simulated short reads、SynGenome sequences
开源情况：未提及

上手难度#

前置知识：genomic foundation models、metagenomics、AMR detection、representation probing
算力需求：中高：probe 训练本身单张 16–24GB GPU 即可，但批量提取 Evo 2 activations 预计需 1–4 张 48–80GB GPU 和 64GB 以上 RAM（推算，依据：frozen genomic foundation model inference）
复现成本：困难，主要成本在 Evo 2 embedding extraction 和 metagenomic benchmark preparation
适合谁读：biosecurity、metagenomics 与 foundation-model interpretability 研究者

一句话总结#

轻量 probe 可从 Evo 2 表征筛查耐药风险。

7. Exact Decomposition of Adversarial Dual-Objective Value Functions, with Applications to Optimal Drug Dosing ↗#

作者：Dylan Hirsch, William Sharpless, Sylvia Herbert
发表日期：2026-07-15
分类：eess.SY, q-bio.QM
Paper ID：arxiv:2607.14023v1

核心贡献#

给出 adversarial Hamilton-Jacobi Reachability 中两类 dual-objective value functions 保持 exact decomposition 的认证方法，并展示其如何处理 optimal drug-regimen design 中的复合目标问题。

技术栈#

语言/框架：未提及
模型/算法：Hamilton-Jacobi Reachability、adversarial value-function decomposition、safe control
关键库与工具：未提及
数据集：optimal drug-dosing application，具体数据未提及
开源情况：未提及

上手难度#

前置知识：Hamilton-Jacobi PDEs、reachability analysis、optimal control、drug dosing
算力需求：中等：低维 value-function 求解预计需 16–32 核 CPU、32–64GB RAM；维度升高时可能需要 GPU/HPC 数小时至数天（推算，依据：Hamilton-Jacobi grid computation）
复现成本：困难，理论证明和数值 HJR implementation 均有较高门槛
适合谁读：safe control 与 mathematical pharmacology 研究者

一句话总结#

对抗环境下复合可达值函数仍可精确拆分。

8. Activity Regeneration from Silent States in Neuronal Networks with Transient Synaptic Memory ↗#

作者：Mozhgan Khanjanianpak, Alireza Valiadeh
发表日期：2026-07-15
分类：q-bio.NC, cond-mat.dis-nn, cond-mat.stat-mech
Paper ID：arxiv:2607.14000v1

核心贡献#

提出带 finite-lifetime synapses 的 minimal neuronal-network model，说明首次 silent state 的 residual synaptic configuration 已足以预测活动是否再次出现。研究定义 LER capacity，并把它验证为 multi-cycle dynamics 的近乎完美 snapshot predictor。

技术栈#

语言/框架：未提及
模型/算法：neuronal-network simulation、finite-lifetime synapses、Latent Excitatory Recruitment predictor
关键库与工具：未提及
数据集：synthetic neuronal-network simulations
开源情况：未提及

上手难度#

前置知识：neuronal dynamics、synaptic memory、network simulations、statistical mechanics
算力需求：低至中等：network simulation 与参数扫描预计用 8–32 核 CPU、16–64GB RAM，通常无需 GPU（推算，依据：minimal neuronal-network simulation）
复现成本：中等，需要实现 transient-synapse dynamics 并复核多参数 regime
适合谁读：theoretical neuroscience 与 complex-systems 研究者

一句话总结#

沉默瞬间的突触状态已编码未来再激活。

9. Causal Discovery of Radiation Response Mechanisms in Human Cells ↗#

作者：Ashka Shah, Rick Stevens
发表日期：2026-07-15
分类：q-bio.GN
Paper ID：arxiv:2607.13994v1

核心贡献#

把 causal discovery 用于不同 radiation dose-rate 下的人类细胞 RNA-seq，学习超越单变量相关性的 directed gene networks。所得 causal graphs 富集已知 radiation-response pathways，并揭示 housekeeping genes、transcription factors 与 stress/cell-death pathways 的层级结构。

技术栈#

语言/框架：未提及
模型/算法：causal discovery、directed gene-network learning、differential-expression baseline、pathway enrichment
关键库与工具：未提及
数据集：radiation-perturbed human-cell RNA-seq
开源情况：未提及

上手难度#

前置知识：causal inference、RNA-seq、gene regulatory networks、radiation biology
算力需求：中等：RNA-seq preprocessing 与 causal-graph search 预计需 16–32 核 CPU、64–128GB RAM，网络搜索可能运行数小时至 1 天（推算，依据：genome-wide causal discovery）
复现成本：困难，需要 radiation perturbation data、完整 preprocessing 和 graph-validation workflow
适合谁读：causal genomics 与 radiation biology 研究者

一句话总结#

因果图揭示辐射应答的层级基因网络。

10. Evaluating Encoding Strategies for Closed-Loop Classification in Biological Neural Networks ↗#

作者：Martin Schottlender, Veronika Volkova, Pengjie Zhou, Ruifeng Zheng, Frank H. P. Fitzek, Pit Hofmann
发表日期：2026-07-15
分类：cs.ET, cs.NE, q-bio.NC
Paper ID：arxiv:2607.13644v1

核心贡献#

在 cultured biological neural networks 的 closed-loop visual classification 中比较 rate、phase、burst 与 time-to-first-spike encodings。burst-based encoding 达到最高 95.6% binary accuracy，并显示 electrode spatial selection 与 temporal coding 必须联合优化。

技术栈#

语言/框架：未提及
模型/算法：rate/phase/burst/time-to-first-spike encoding、closed-loop classification
关键库与工具：Multi-Electrode Array
数据集：cultured BNN responses to encoded visual inputs
开源情况：未提及

上手难度#

前置知识：bio-digital computing、spike encoding、MEA experiments、closed-loop learning
算力需求：低（计算部分）：普通 8–16 核 CPU、16–32GB RAM 可完成在线编码与分类，无需 GPU；主要资源是 MEA 和细胞培养平台（推算，依据：实验型 closed-loop BNN）
复现成本：困难，需要 cultured neural networks、MEA stimulation 和实时 closed-loop setup
适合谁读：bio-computing、neuromorphic systems 与 neural interfaces 研究者

一句话总结#

爆发式时序编码最适合培养神经网络分类。

bioRxiv#

1. Interpretable variant effect prediction from genomic foundation model embeddings ↗#

作者：Pearce, M. T., Dooms, T., Yamamoto, R., Ayanian, S., Ryu, A., Meehl, J. 等
发表日期：2026-07-11
分类：genomics
Paper ID：biorxiv:10.64898/2026.04.10.717844

核心贡献#

在 Evo 2 7B internal representations 上提出 covariance-based probe，跨 variant types 预测 pathogenicity，并用 annotation probes 解释受损 genomic properties。研究结合 language model 生成 mechanistic hypotheses，并公开 ClinVar 420 万 variants 的 scores、profiles 与 interpretations。

技术栈#

语言/框架：未提及
模型/算法：covariance-based probing、annotation probes、language-model contextualization、variant-effect prediction
关键库与工具：Evo 2、Evo Variant Effect Explorer
数据集：ClinVar 4.2 million variants、experimental function、clinical penetrance 与 biobank associations
开源情况：公开 EVEE resource；代码情况未提及

上手难度#

前置知识：genomic foundation models、variant interpretation、representation probing、clinical genomics
算力需求：高：Evo 2 7B embedding extraction 预计需至少 1 张 48–80GB GPU；420 万 variants 的全量推理建议多 GPU/HPC，可能耗时数天（推算，依据：7B model 大规模 variant inference）
复现成本：困难，需要大规模 embeddings、annotations 和多来源 validation data
适合谁读：variant-effect prediction 与 genomic foundation model 研究者

一句话总结#

可解释 probe 把 Evo 2 表征转成致病机制证据。

2. scDiagnostics: systematic assessment of cell type annotation in single-cell transcriptomics data ↗#

作者：Christidis, A., Ghazi, A. R., Chawla, S., Turaga, N., Gentleman, R., Geistlinger, L.
发表日期：2026-07-11
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.01.29.701618

核心贡献#

发布 scDiagnostics，为 reference-to-query cell-type label transfer 提供 annotation quality diagnostics，可检测复杂、冲突或误导性的 labels。它在 simulated 和多种 real-world single-cell datasets 上识别出会扭曲下游分析的 annotation failures。

技术栈#

语言/框架：R、Bioconductor
模型/算法：cell-type annotation diagnostics、simulation-based assessment
关键库与工具：scDiagnostics
数据集：designed simulations 与 diverse real-world single-cell datasets
开源情况：Bioconductor：https://bioconductor.org/packages/scDiagnostics ↗

上手难度#

前置知识：single-cell transcriptomics、cell-type annotation、R/Bioconductor
算力需求：中等：常规 atlas/query diagnostics 预计需 16–32 核 CPU、64–128GB RAM，数万细胞规模通常数小时内完成，无需 GPU（推算，依据：single-cell annotation assessment）
复现成本：容易，package 开源且兼容主要 annotation tools
适合谁读：single-cell analysts 与 atlas annotation developers

一句话总结#

系统诊断单细胞标签转移中的隐蔽错误。

3. Tokenizing single-cell transcriptomes as a native language for large language models ↗#

作者：Xiao, C., Ding, Y., Bian, H., Chen, Y., Wei, L., Zhang, X.
发表日期：2026-07-11
分类：bioinformatics
Paper ID：biorxiv:10.1101/2025.10.22.684047

核心贡献#

提出 CellTok，把 continuous high-dimensional single-cell profiles 转成 compact cellular tokens 并加入 pretrained LLM vocabulary。统一 autoregressive interface 可处理单细胞识别、群体解释、disease states、cell-cell communication、trajectory 和 cell-state generation，并能利用 textual biological context 改善表现。

技术栈#

语言/框架：未提及
模型/算法：cellular tokenization、pretrained LLM integration、autoregressive modeling、prompt-based inference
关键库与工具：CellTok
数据集：diverse single-cell tasks，具体数据集未提及
开源情况：未提及

上手难度#

前置知识：single-cell transcriptomics、LLMs、tokenization、autoregressive modeling
算力需求：高：将新 tokens 接入并训练 pretrained LLM 预计需 4–8 张 48–80GB GPU、128GB 以上 RAM，完整多任务实验可能耗时数天至数周（推算，依据：LLM adaptation + single-cell modeling）
复现成本：困难，需 LLM training infrastructure、多任务单细胞数据和评测 pipeline
适合谁读：single-cell foundation models 与 biomedical LLM 研究者

一句话总结#

把单细胞谱转成 LLM 可直接理解的词元。

4. TMEM2-mediated hyaluronan turnover maintains articular cartilage homeostasis during osteoarthritis progression ↗#

作者：Murotani, T., Inubushi, T., Usami, Y., Tomohiro, T., Deyang, W., Kusano, S. 等
发表日期：2026-07-10
分类：molecular biology
Paper ID：biorxiv:10.64898/2025.12.09.693317

核心贡献#

通过 single-cell transcriptomics、histology 和 chondrocyte-specific knockout mice，证明 TMEM2-mediated hyaluronan turnover 对 articular-cartilage homeostasis 至关重要。Tmem2 ablation 加速 cartilage delamination、apoptosis 与 hypertrophic differentiation，且表型主要来自 cartilage intrinsic effects。

技术栈#

语言/框架：未提及
模型/算法：single-cell transcriptomic analysis、histological analysis、conditional-knockout phenotyping
关键库与工具：未提及
数据集：chondrocyte-specific conditional knockout mouse model 与 cartilage single-cell data
开源情况：未提及

上手难度#

前置知识：osteoarthritis、cartilage ECM、single-cell analysis、mouse genetics
算力需求：中等（计算部分）：single-cell processing 预计需 16–32 核 CPU、64–128GB RAM；无需专用 GPU，主要资源在动物与 histology experiments（推算，依据：single-cell + knockout study）
复现成本：困难，需要 conditional-knockout mice、joint-destabilization model 和多类 tissue assays
适合谁读：osteoarthritis、ECM biology 与 cartilage researchers

一句话总结#

TMEM2 介导的透明质酸周转保护关节软骨。

5. Characterising AlphaFold 3s ability to predict T cellantigen specificity ↗#

作者：McMaster, B., Elmoselhy, A., Ilievski, I., Thorpe, C. J., La Gruta, N. L., Rossjohn, J. 等
发表日期：2026-07-10
分类：systems biology
Paper ID：biorxiv:10.64898/2026.07.08.737208

核心贡献#

构建比 default implementation 快 100 倍以上的 high-throughput TCR:pMHC AlphaFold pipeline，并系统评估 AF3 对 T-cell antigen specificity 的预测能力。研究发现 binding score 主要反映 TCR positioning，并以 PAE Aggregator 改善 scores，同时复现 repertoire clustering 与 mutational scanning trends。

技术栈#

语言/框架：未提及
模型/算法：AlphaFold 3 structure prediction、PAE Aggregator、machine-learning score refinement、clustering
关键库与工具：AlphaFold 3、IMMREP25 benchmark
数据集：TCR:pMHC specificity benchmark、TCR repertoires、mutational scanning experiments
开源情况：未提及

上手难度#

前置知识：TCR-pMHC immunology、protein structure prediction、AlphaFold、classification benchmarking
算力需求：高：high-throughput AF3 structure generation 预计需 2–8 张 48–80GB GPU 和 128GB RAM，完整 benchmark 即使加速后仍可能运行数天（推算，依据：大批量 AlphaFold 3 inference）
复现成本：困难，需要 AF3 环境、TCR:pMHC benchmark 和大规模结构推理
适合谁读：computational immunology 与 structural bioinformatics 研究者

一句话总结#

AF3 能读出 TCR 构型但未真正理解化学结合。

6. LeafRank: A phylodynamic framework for inferring relative fitness from single-cell phylogenies in chromosomally unstable tumors ↗#

作者：Wu, C., Leder, K., Wang, Z., Sun, R.
发表日期：2026-07-10
分类：bioinformatics
Paper ID：biorxiv:10.64898/2026.07.06.736651

核心贡献#

提出 LeafRank，以 multi-type branching process、完整 phylogeny topology 和 WGD-aware tree rescaling 推断每个 tumor cell 的 relative fitness。simulation 和 ovarian-cancer application 显示它能识别 WGD tumors 中的 directional/parallel selection 与 high-fitness copy-number events。

技术栈#

语言/框架：未提及
模型/算法：multi-type branching process、single-cell phylogenetics、tree rescaling、fitness ranking
关键库与工具：LeafRank
数据集：spatial/non-spatial virtual tumors、ovarian-cancer single-cell DNA-seq phylogenies
开源情况：未提及

上手难度#

前置知识：tumor evolution、single-cell DNA-seq、phylogenetics、branching processes
算力需求：中等：simulation 与 tree inference 预计需 16–32 核 CPU、64–128GB RAM，批量 virtual tumors 运行数小时至 1 天，无需 GPU（推算，依据：single-cell phylogeny simulation）
复现成本：中等，需构建带 branch lengths 的 single-cell phylogenies
适合谁读：cancer evolution 与 single-cell phylogenomics 研究者

一句话总结#

从单细胞系统树为每个肿瘤细胞排序适应度。

7. Differentiable Design for Morphogenesis I: Simulation and Simulacra ↗#

作者：Beker, O., Dumitrascu, B.
发表日期：2026-07-10
分类：systems biology
Paper ID：biorxiv:10.64898/2026.07.02.736195

核心贡献#

提出 waxMorph，一套 differentiable cell-based 3D morphogenesis framework，可从 static tissue volumes 恢复连续发育轨迹和 latent signals。它在 mouse myocardium 与 forelimb data 上优于 optimal-transport interpolation，并以 NVIDIA Warp 实现 Python-native GPU acceleration。

技术栈#

语言/框架：Python、NVIDIA Warp
模型/算法：differentiable cell-based simulation、hybrid physics-AI、trajectory reconstruction、latent-cue inference
关键库与工具：waxMorph、NVIDIA Warp
数据集：synthetic data、developing mouse myocardium、forelimb tissue volumes
开源情况：开源，摘要未提供链接

上手难度#

前置知识：morphogenesis、differentiable simulation、mechanochemistry、GPU spatial computing
算力需求：高：3D differentiable cell simulation 预计需 1–4 张 24–48GB GPU、64–128GB RAM，trajectory optimization 约数小时至数天（推算，依据：GPU-accelerated 3D differentiable simulation）
复现成本：困难，需 tissue-volume data、NVIDIA Warp 环境和 differentiable optimization
适合谁读：developmental biology、differentiable simulation 与 morphogenesis 研究者

一句话总结#

可微 GPU 仿真从静态组织重建形态发生。

8. A pipeline for identifying small noncoding RNA (sRNA) candidates in bacteria ↗#

作者：Elhedi, S., NDiaye, K. D. S., Perreault, J.
发表日期：2026-07-10
分类：molecular biology
Paper ID：biorxiv:10.64898/2026.07.02.735529

核心贡献#

构建三阶段 bacterial sRNA pipeline，依次整合 sRNA-Detect、TSSAR/dRNA-seq 与 RNIE terminator detection。跨九个 species 的 sequential filtering 将 precision 提高 1.4–33 倍，并最多减少 99.6% candidates，同时保留与数据库深度相符的 known-sRNA recall。

技术栈#

语言/框架：未提及
模型/算法：sRNA prediction、TSS mapping、Rho-independent terminator filtering、RNA-seq coverage analysis
关键库与工具：sRNA-Detect、TSSAR、RNIE
数据集：九个 bacteria species、dRNA-seq/RNA-seq 与 reference sRNA databases
开源情况：未提及

上手难度#

前置知识：bacterial sRNA biology、RNA-seq、TSS/terminator prediction、pipeline evaluation
算力需求：中等：九个 bacterial genomes 的 pipeline 预计需 8–16 核 CPU、32–64GB RAM，通常数小时内完成，无需 GPU（推算，依据：多工具序列与 RNA-seq filtering）
复现成本：中等，工具可辨识但需准备各物种 dRNA-seq 和 reference annotations
适合谁读：bacterial transcriptomics 与 ncRNA bioinformatics 研究者

一句话总结#

TSS 与终止子约束大幅净化细菌 sRNA 候选。

9. Domain Insertion Improves the Precision of a CRISPR Adenine Base Editor ↗#

作者：Müller, M. M., Southern, N. T., Niopek, D.
发表日期：2026-07-10
分类：synthetic biology
Paper ID：biorxiv:10.64898/2026.07.03.736350

核心贡献#

通过 structure-guided design 与 systematic insertion-site mapping，发现 TadA8e 多个 surface sites 可容纳 inert domains，其中 L68 insertion 可收窄 editing window。插入 superfolder GFP 的 variant 保持活性、支持 fluorescence tracking，并显著降低 Cas-independent off-target editing。

技术栈#

语言/框架：未提及
模型/算法：structure-guided design、computational inference、domain-insertion screening
关键库与工具：TadA8e、superfolder GFP
数据集：multiple genomic loci 的 base-editing assays
开源情况：未提及

上手难度#

前置知识：CRISPR base editing、protein engineering、off-target analysis
算力需求：低（计算部分）：结构设计预计用普通工作站或 1 张 16–24GB GPU 即可；主要资源在 insertion library、cell culture 和 sequencing validation（推算，依据：实验型 editor engineering）
复现成本：困难，需要系统 insertion screening、多 loci editing 和 off-target assays
适合谁读：genome editing 与 protein engineering 研究者

一句话总结#

L68 域插入让腺嘌呤编辑窗口更精准。

10. Second-cleavage-driven non-canonical priming expands prime editing in 5 direction ↗#

作者：Chen, P.-R., Yuan, X.-Z., Wang, S.-G., Xia, P.-F.
发表日期：2026-07-10
分类：synthetic biology
Paper ID：biorxiv:10.1101/2025.05.20.655067

核心贡献#

首次把 Cas9 已切割链上的 second cleavage 用于 precision editing，建立可在 nick 的 5’ direction 工作的 non-canonical prime-editing route。研究阐明 non-canonical/canonical pathways 的竞争，并显示可通过 RNA-template design 调节该竞争。

技术栈#

语言/框架：未提及
模型/算法：prime editing、second-cleavage-driven priming、RNA-template design
关键库与工具：Cas9、reverse transcription
数据集：cellular prime-editing experiments，具体 loci 未提及
开源情况：未提及

上手难度#

前置知识：CRISPR-Cas9、prime editing、DNA repair、reverse transcription
算力需求：低（计算部分）：guide/template design 与常规统计用 8 核 CPU、16GB RAM 即可，无需 GPU；主要资源在细胞编辑与测序验证（推算，依据：wet-lab prime editing）
复现成本：困难，需要精密 CRISPR constructs、cell assays 和 pathway validation
适合谁读：CRISPR engineering 与 gene-therapy 研究者

一句话总结#

二次切割把 prime editing 扩展到切口上游。

PubMed#

1. Precision nutrition in Asian populations: a Multi-omics review of mechanisms, biomarkers, and implementation pathways. ↗#

作者：Minjoo Kim
发表日期：2026-01-01
分类：Humans, Biomarkers, Multiomics, Asian People, Diet
Paper ID：pubmed:42459212

核心贡献#

综述亚洲人群在 diet response、metabolomic/genomic biomarkers 与 precision nutrition implementation 方面的证据，并梳理 genetic loci、microbiome metabolites 与 culturally patterned diets 的机制联系。文章提出面向亚洲落地的标准化、培训、digital-health 和 equity framework。

技术栈#

语言/框架：未提及
模型/算法：multi-omics evidence synthesis、precision-nutrition framework
关键库与工具：未提及
数据集：已发表的 Asian-population metabolomic/genomic studies
开源情况：未提及

上手难度#

前置知识：precision nutrition、metabolomics、genomics、Asian metabolic health
算力需求：低：普通 4–8 核 CPU、8–16GB RAM 即可完成文献整理与图表复核，无需 GPU（推算，依据：review）
复现成本：容易，属于综述；主要成本是系统检索和证据核验
适合谁读：nutrition science、metabolic health 与 public-health researchers

一句话总结#

亚洲精准营养需把多组学证据接入本土饮食。

2. Multi-omic modelling of body mass index response to a dietary weight loss intervention. ↗#

作者：Emily N Yeo, Ashley W Scadden, Zachary T Caterer, Kristen J Sutton, Iain R Konigsberg, Joanne B Cole 等
发表日期：2026-12-31
分类：Humans, Multiomics, Body Mass Index, Obesity, Weight Loss
Paper ID：pubmed:42458730

核心贡献#

利用 150 人、12 个月 behavioral weight-loss trial 的 clinical、genetics、gut microbiota 与 metabolomics data，以 MERF 和 GLMM-Lasso 预测 longitudinal BMI 与 ΔBMI。clinical variables 和 blood metabolomics 提供最稳定增益，combined omic risk score 对 BMI trajectories 的解释度最高。

技术栈#

语言/框架：未提及
模型/算法：Mixed Effects Random Forests、GLMM-Lasso、omic risk scores、longitudinal modeling
关键库与工具：未提及
数据集：150 adults、12-month behavioral weight-loss trial 的 multi-omic/clinical data
开源情况：未提及

上手难度#

前置知识：longitudinal modeling、multi-omics、random forests、penalized GLMM
算力需求：低至中等：n=150 的 repeated cross-validation 预计需 8–16 核 CPU、16–32GB RAM，数小时内完成，无需 GPU（推算，依据：small-cohort traditional ML）
复现成本：中等，需要完整 longitudinal multi-omic cohort 和一致 preprocessing
适合谁读：precision nutrition 与 clinical multi-omics researchers

一句话总结#

血液代谢物最稳定地提升减重反应预测。

3. Network-based integration of metabolomics data from large-scale repositories. ↗#

作者：Cecilia Wieder, Eloisa Rocha Liedl, Thomas Payne, Ozgur Yurekten, Callum Martin, Felix Xavier Amaladoss 等
发表日期：2026-07-15
分类：Metabolomics, Databases, Factual, Humans, Metabolic Networks and Pathways
Paper ID：pubmed:42458095

核心贡献#

提出 study-level 与 metabolite/pathway-level network integration framework，用 harmonized annotations 联合重分析 public metabolomics repositories。它在六个 COVID-19 datasets 中发现跨研究一致 metabolites，并以 1,181 个 studies 的 global network 展示 assay/metadata clustering。

技术栈#

语言/框架：Python、Dash
模型/算法：bipartite meta-networks、study-level networks、cross-study metabolite/pathway integration
关键库与工具：MetaboLights、Metabolomics Workbench、Python Dash app
数据集：六个 COVID-19 plasma datasets、Metabolomics Workbench 1,181 studies
开源情况：https://github.com/EloisaRL/Metabolomic-data-analysis-app/tree/main ↗

上手难度#

前置知识：metabolomics、network analysis、metadata harmonization、Python Dash
算力需求：中等：1,181 studies 的 harmonization 与 network construction 预计需 16–32 核 CPU、64–128GB RAM，交互浏览服务器可用 16–32GB RAM（推算，依据：repository-scale metabolomics network）
复现成本：中等，app 开源但依赖跨 repository annotation harmonization
适合谁读：metabolomics data integration 与 scientific-software developers

一句话总结#

网络整合让公共代谢组数据支持跨研究复用。

4. Spaceflight multi-omics reveals vulnerabilities of human germ cell development. ↗#

作者：Ying Li, Hui Gao, Jie Xiong, Nan Wang, Yongchun Yuan, Linjun Wang 等
发表日期：2026-07-17
分类：Humans, Space Flight, Multiomics, Cell Differentiation, Germ Cells
Paper ID：pubmed:42455932

核心贡献#

在 Tianzhou-1/6 spacecraft 上用 automated bioreactor 长期分化 human embryonic stem cells，并进行 real-time imaging 与 time-resolved multi-omics。spaceflight 使 hiPGC specification 降约 50%、hiSSC proliferation 降 26%，同时扰动 ECM、microtubule 与 lipid-metabolism pathways，但 genomic integrity 保持稳定。

技术栈#

语言/框架：未提及
模型/算法：transcriptome-translatome integration、whole-exome sequencing、DNA methylome analysis、time-resolved multi-omics
关键库与工具：automated bioreactor、real-time imaging、programmable perfusion
数据集：Tianzhou-1/6 human germ-cell differentiation experiments
开源情况：未提及

上手难度#

前置知识：germ-cell development、space biology、transcriptomics、translatomics、epigenomics
算力需求：中高（计算部分）：多时点 multi-omics integration 预计需 16–32 核 CPU、128GB RAM 和数百 GB 存储；无需专用 GPU（推算，依据：time-resolved multi-omics/WES）
复现成本：极难，需要 spacecraft bioreactor mission 和多组学采样平台
适合谁读：space biology、reproductive biology 与 multi-omics 研究者

一句话总结#

太空飞行显著扰动人类生殖细胞发育。

5. NicheProt: Cell-type-resolved proteomics of tissue compartments. ↗#

作者：Yi-Chien Wu, Dylan Schwartz, Elie Abi Khalil, Aditi Upadhye, Jalees Rehman, Steve Seung-Young Lee
发表日期：2026-07-17
分类：Animals, Proteomics, Mice, Dendritic Cells, Spleen
Paper ID：pubmed:42455889

核心贡献#

提出 NicheProt，以 3D optical microscopy guidance 和 photobleaching-mediated cell barcoding，从特定 tissue niches 分离完整 cell types 并做 bottom-up proteomics。该方法在 inflamed mouse spleen 中解析出两个 spatially distinct CD11c+ dendritic-cell phenotypes，差异涉及 54 个 proteins。

技术栈#

语言/框架：未提及
模型/算法：3D microscopy-guided cell barcoding、sequential bottom-up proteomics
关键库与工具：laser capture microdissection、mass spectrometry、photobleaching
数据集：inflamed mouse-spleen CD11c+ dendritic cells
开源情况：未提及

上手难度#

前置知识：spatial proteomics、3D microscopy、mass spectrometry、tissue immunology
算力需求：中等（计算部分）：3D image handling 与 proteomics processing 预计需 16 核 CPU、32–64GB RAM；若做大规模 3D segmentation 可增加 1 张 16–24GB GPU（推算，依据：3D microscopy + proteomics）
复现成本：困难，需要 microscopy-guided isolation、photobleaching setup 与 mass spectrometry
适合谁读：spatial proteomics 与 tissue-microenvironment 研究者

一句话总结#

光学条码让组织生态位蛋白组精确到细胞类型。

6. Binding Affinity Ranking at the Molecular Initiating Event (BARMIE): An open-source computational pipeline for the rapid screening of chemical interactions with steroid receptors from many species. ↗#

作者：Fernando Calahorro, Parsa Fouladi, Alessandro Pandini, Matloob Khushi, Yogendra Gaihre, Nic R Bury
发表日期：2026-01-01
分类：Animals, Receptors, Glucocorticoid, Protein Binding, Ligands
Paper ID：pubmed:42455829

核心贡献#

发布 BARMIE open-source pipeline，批量预测跨 species steroid-receptor proteins 与 chemicals 的 binding affinity。它筛查 163 个 teleost GRs、10 种 glucocorticoid drugs 及 178 个 priority compounds，并以 transactivation assays 确认两种 agonists。

技术栈#

语言/框架：未提及
模型/算法：in-silico binding-affinity ranking、cross-species chemical screening
关键库与工具：BARMIE
数据集：163 teleost GRs、10 synthetic glucocorticoids、178 Global Health Priority Box compounds
开源情况：open-source，摘要未提供链接

上手难度#

前置知识：molecular docking、steroid receptors、ecotoxicology、binding assays
算力需求：中等：数万 receptor-ligand combinations 的 screening 预计需 16–32 核 CPU、64GB RAM，按任务并行通常数小时至 1 天；若后端支持 GPU 可进一步加速（推算，依据：batch affinity screening）
复现成本：中等，pipeline 开源但需准备跨物种 receptor structures 和 compound libraries
适合谁读：computational toxicology 与 ecological risk assessment 研究者

一句话总结#

批量亲和力排序快速定位高风险物种和化学物。

7. Ten quick tips to SNIFF out sustainable and secure scientific software. ↗#

作者：V P Nagraj, Karsten H Siller, Thomas Stewart, Neal Magee, Stephen D Turner
发表日期：2026-07-01
分类：Software, Computational Biology, Computer Security
Paper ID：pubmed:42455787

核心贡献#

提出 SNIFF framework，以 source、network、interaction、fit 和 fragility 五个维度给出十条 quick tips，帮助 scientific-software users 评估工具的可靠性、安全性、维护状态、许可适配和 dependency risks。

技术栈#

语言/框架：未提及
模型/算法：SNIFF software-evaluation framework
关键库与工具：open-source tools、containers、software ecosystems
数据集：未提及
开源情况：未提及

上手难度#

前置知识：scientific software、open-source maintenance、security 与 licensing basics
算力需求：极低：普通电脑和浏览器即可完成软件审查，无需额外计算资源（推算，依据：guidance article）
复现成本：容易，按 checklist 检查目标软件即可
适合谁读：computational biologists 与 research-software users

一句话总结#

用 SNIFF 五维框架审查科研软件风险。

8. Antioxidant potential and metabolic profiling of Viola odorata and the endophytic Rhizobium sp. BR7. ↗#

作者：Richa Salwan, Vivek Sharma, Himanshu Dwivedi, Abdul Qayum, R Murugeswaran
发表日期：2026-07-15
分类：Antioxidants, Rhizobium, Viola, Endophytes, Plant Roots
Paper ID：pubmed:42455395

核心贡献#

结合 DPPH、ABTS、FRAC assays 与 untargeted LC-MS metabolomics，比较 Viola odorata roots 和 endophytic bacteria 的 antioxidant potential。Rhizobium sp. BR7 活性最强，并与植物共享多类 antioxidant metabolites，同时包含独特适应性 compounds。

技术栈#

语言/框架：未提及
模型/算法：untargeted metabolomic profiling、correlation analysis
关键库与工具：DPPH、ABTS、FRAC assays、LC-MS
数据集：Viola odorata root extracts 与多个 endophytic bacterial isolates
开源情况：未提及

上手难度#

前置知识：antioxidant assays、plant-microbe interactions、LC-MS metabolomics
算力需求：低至中等（计算部分）：LC-MS peak processing 与统计预计需 8–16 核 CPU、32–64GB RAM，无需 GPU（推算，依据：小规模 untargeted metabolomics）
复现成本：困难，需要菌株分离、多个 antioxidant assays 和 LC-MS platform
适合谁读：plant metabolomics、microbial ecology 与 natural-products 研究者

一句话总结#

内生根瘤菌与紫罗兰共享抗氧化代谢能力。

9. Comparative Genomic Analysis of the Type VI Secretion System in Strains of the Rhizobium leguminosarum Species Complex with Variable Host Specificity. ↗#

作者：Olga A Pavlova, Alexandra V Dolgikh, Alexandra A Shalyakina, Elizaveta A Salnikova, Alina M Dymo, Tatyana S Aksenova 等
发表日期：2026-07-15
分类：Rhizobium leguminosarum, Genome, Bacterial, Host Specificity, Type VI Secretion Systems
Paper ID：pubmed:42455304

核心贡献#

完成 Rhizobium laguerreae Wp19 genome assembly，并与 R. laguerreae、R. ruizarguesonis 和 R. johnstonii 比较 T6SS clusters、tssI/tssD genes 及其 genomic neighborhoods。研究识别出 conserved 和 strain-specific putative effectors，为 host specificity 提供候选机制。

技术栈#

语言/框架：未提及
模型/算法：genome assembly、comparative genomics、gene homology 与 genomic-neighborhood analysis
关键库与工具：未提及
数据集：R. laguerreae Wp19 及多个 Rhizobium species-complex genomes
开源情况：未提及

上手难度#

前置知识：bacterial genome assembly、T6SS biology、comparative genomics
算力需求：中等：少量 bacterial genomes 的 assembly/comparison 预计需 16–32 核 CPU、64–128GB RAM 和约 100GB 临时存储，数小时至 1 天（推算，依据：bacterial genome assembly）
复现成本：中等，需要 raw sequencing data、assembly pipeline 和 T6SS annotations
适合谁读：microbial genomics 与 plant-microbe interaction 研究者

一句话总结#

比较基因组揭示根瘤菌 T6SS 效应物差异。

10. Comprehensive genomic profiling and tumor mutational burden in parathyroid carcinoma: a nationwide real-world study from Japan. ↗#

作者：Yuko Takano, Toyone Kikumori, Dai Takeuchi, Takahiro Ichikawa, Yuichi Ando
发表日期：2026-07-15
分类：Humans, Parathyroid Neoplasms, Japan, Female, Mutation
Paper ID：pubmed:42455276

核心贡献#

分析日本 C-CAT database 中 25 名 parathyroid-carcinoma patients 的 genomic/clinical data，描述 TMB、MSI 与 recurrent alterations。28% tumors 达 TMB≥10 mut/Mb，常见 alterations 为 CDC73、TP53 和 MEN1，并观察到 POLE alterations 与 TMB-H 的潜在联系。

技术栈#

语言/框架：未提及
模型/算法：retrospective clinicogenomic analysis、TMB/MSI stratification、alteration-frequency analysis
关键库与工具：Center for Cancer Genomics and Advanced Therapeutics database、CGP assays
数据集：25 Japanese parathyroid-carcinoma patients，2019–2025
开源情况：未提及

上手难度#

前置知识：cancer genomics、tumor mutational burden、MSI、clinical cohort analysis
算力需求：低：使用已报告 CGP results 对 25 人做统计，普通 8 核 CPU、16GB RAM 即可，无需 GPU（推算，依据：small retrospective clinicogenomic cohort）
复现成本：中等，计算简单但 C-CAT clinical/genomic data 访问受限
适合谁读：precision oncology 与 rare endocrine cancer 研究者

一句话总结#

部分甲状旁腺癌具有高 TMB 和修复通路异常。