bioinformatics

本文提出了一种图神经网络方法，用于从三维结构预测跨膜蛋白拓扑结构，通过利用AlphaFold的原子级嵌入，在无需预训练权重的情况下展示了有希望的结果。

本文介绍了 BaseCamp，这是一个智能体 AI 框架，通过使用专门的 AI 智能体处理诸如质量控制、比对和变异检测等任务，实现对端到端 DNA 测序管道中决策层的自动化。

NVIDIA、Google DeepMind等组织利用AlphaFold2和NVIDIA BioNeMo工具发布了超过2,800种病毒蛋白的预测3D结构，以帮助研究人员为未来的大流行做准备，这些数据已公开可用。

MT-ProtBERT是一个多任务学习模型，旨在通过整合自监督和生物化学信息任务，在数据稀缺条件下分类本征无序蛋白，并超越如PARROT等现有方法。

本文提出了 CorrFlow，一个相关性引导的流匹配框架，用于从组织学图像预测空间转录组学，显式建模基因间依赖关系，以提高生成谱中的生物连贯性。

MIRCID是一个框架，通过比较基因表达与推断的转录因子活性及miRNA表达，推断核心miRNAs，以增强药物作用机制建模，从而在通路分类和基于相似性的检索方面取得改进。

Adaptyv Bio与Anthropic合作推出全球蛋白质设计竞赛，利用AI设计新药候选分子，提供超过200万美元的支持和开放数据共享。

作者批评病毒学研究中严格的AI安全措施，将Claude的限制与Deepseek V4.1的宽松性进行比较，并倡导开源AI以解锁科学进展。

Hugging Face 的 `datasets` 库现已支持 mmCIF、PDB、fasta 和 fastq 格式，这将显著加速生物信息学工作流程。

谷歌开发了AlphaGenome，一个评估基因组中所有可能单碱基变化的AI系统，用于识别功能性的非编码DNA序列，帮助生物学家理解遗传功能。

Bioinfoysis 是一个用于生物信息学的多代理框架，它使用持久化运行和基于工件的执行，在像 BixBench 和 LAB-Bench 2 这样的基准测试中实现最先进的准确性。

本文研究了使用大型语言模型进行药物毒性预测时提示工程的影响，发现LLM输出的自然方差超过了提示微调，而化学信息学特征提取则提升了模型性能。

Jingtian Zhou 构建单细胞和计算框架以探析3D基因组，其研究成果发表于Science、Cell和Cancer Cell等顶级期刊，推动了对细胞状态和疾病的理解。

本文介绍了功能感知掩码，这是一种用于抗体语言模型的预训练算法，它将掩码放置与功能先验对齐，显著提升了结构和CDR相关任务的表现。

MAMMAL模型是一种AI模型，在11个领域中的9个超越了AlphaFold 3和冠军模型，展示了加速药物发现的潜力，但在社区中仍然鲜为人知。

Tamarind 推出了 Tamarind Model Router，该路由器基于基准测试和输入特性，自动为特定输入选择最佳模型，而不是依赖平均性能。

麻省理工学院的研究人员开发了PottsMPNN，这是一个结合物理原理的机器学习框架，旨在改进蛋白质序列生成和稳定性预测，从而能够设计超越天然序列的新型蛋白质。

本文介绍BixBench3，一个用于评估AI代理在计算生物学任务上的基准，表明前沿LLMs可以复现约48%的真实研究工作流程，但在处理大型数据集和顺序步骤方面存在困难。

近300个团队已向Virtual Cell Challenge排行榜提交了初始模型，今年的当前排名基于六项指标。

一位大学研究人员批评AI公司在GPT和Claude等模型中限制生物研究能力，并寻求用于生物信息学工作的高推理替代方案。