标签
IRIS 是一种利用扰动筛选与迁移学习重建跨细胞类型细胞信号传导历史的新方法，发表于 Nature Methods。
该研究提出“加性分歧（AD）”指标，评估扰动预测模型在未见过的基因组合上的外推可靠性，发现专门的神经预测模型并未稳定优于简单加性基线，且偏离基线越大的预测误差越大，该信号可指导自动扰动筛选工作流。
本文提出了 Finsler Flow Matching（FFM）框架，利用 Finsler 几何从离散的 Markov 转移图中学习连续的随机动力学，以编码方向性和扩散结构，从而在单细胞轨迹推断任务上优于现有的生成式方法。
Arc Institute 认为，虚拟细胞模型只有在基于来自多样背景的高质量因果数据进行训练时，才能准确预测细胞类型对扰动的响应，从而避免将技术噪音误认为真实的生物学现象。
CellRFT引入了一个强化微调框架，该框架使用生物评估作为直接训练反馈，以改进单细胞扰动模型，解决了代理训练损失与生物评估标准之间的不匹配问题。
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 bioMoR，一种用于基因组学习的生物引导混合递归框架，它将结构化的生物学知识整合到递归 Transformer 架构中，在多个组学基准上提升了效率和准确性。
BioM-JEPA 引入了一种联合嵌入预测架构，通过预测图连接基因块而非单个基因来学习单细胞表示，在扰动响应任务中展现出更高的效率和下游性能。
这篇arXiv论文介绍了CohortHijack，一种鲁棒性审计方法，通过从单细胞查询队列中移除非目标细胞，来测试在不改变目标细胞表达谱的情况下，注释工具可能如何被操纵。研究表明，在保留目标细胞的同时，结构化移除和搜索策略可以改变主流流程中的精炼标签，从而将查询队列组成识别为一个攻击面。
本文研究了一项自监督任务，即使用带有量化VAE分词器的自回归Transformer生成单细胞基因表达向量。文中报告了单细胞基础模型的缩放定律和计算最优前沿，并讨论了针对扰动预测进行微调的潜力。
本文介绍了CoCoS，一种对比预训练框架，通过互补的转录组视图学习全细胞表征，解决了单细胞基础模型中掩码基因重建的局限性。在细胞类型注释和基因调控网络推断实验上，展示了具有竞争力的迁移性能。
This paper analyzes the Virtual Cell Challenge benchmark for held-out CRISPRi perturbation prediction, finding that simple magnitude-based scalar features outperform deep MLP encoders, and that magnitude-only predictors transfer better across cell types.
GSK扩大了与Relation Therapeutics的1.1亿美元AI药物发现合作，强调来自实验室实验的干净、疾病特异性生物学数据比更大的模型更有价值。此举突显了整个行业向专有数据转变的趋势，将其视为AI驱动制药领域的竞争护城河。
Arc Institute宣布首个全身DNA甲基化和3D基因组组织图谱，以单细胞分辨率覆盖16种人体组织，发表在Science上。
本文介绍了CoDiffGRN，一个用于基因调控网络推断的共进化离散扩散框架，以及一个新的归纳评估基准BEELINE-KGC。它在新型调控发现中取得了最先进的性能。
SpaCellAgent 是一个自进化的大语言模型多智能体框架，能够从自然语言查询自动执行端到端的时空轨迹分析，实现分析效率提升超过40%，同时保持专家级别的性能。
PerturbCellRL 提出一种强化学习框架，通过使用细胞级验证器作为奖励对预训练的单细胞转录组生成器进行后训练，从而在分布匹配之外提升扰动预测的生物学一致性。
本文介绍了PolyILR，一种与任意树拓扑对齐的Aitchison切空间的正交归一分解，为诸如微生物组和单细胞谱等成分数据提供了稳定且可解释的特征。
本文介绍了FreeBridge，一种基于变分Schrödinger桥的框架，用于从高内涵成像数据建模细胞转变，学习受限于固定细胞流形的随机传输，以实现具有竞争力的端点保真度并减少中间支撑违反。
CellBRIDGE是一种新方法，通过引入配体-受体相互作用成本来模拟细胞间通讯，增强了对scRNA-seq轨迹推断的最优传输，改进了对齐并实现了可解释的计算机模拟扰动。