transcriptomics

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。

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。

本文介绍了MS-MLB，这是一个开放机器学习基准，利用公开的GSE17048队列，从全血RNA表达数据中对多发性硬化症进行分类。它提供了一个可重复、受泄漏控制的评估流程，并报告梯度提升（Gradient Boosting）为表现最佳的方法。

CASCADE是一个智能体框架，利用调控网络预测基因扰动的下游转录效应，并在TCGA癌症类型中进行患者数据验证。该论文展示了MYC及其他调控因子的方向一致性，尽管其并未超越现有的精选知识。

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。

本文使用来自 TCGA-BRCA 的多组学数据，系统地基准测试了用于 ER 状态预测的经典机器学习模型（Random Forest、XGBoost 等），发现 RNA 表达提供了最强的预测信号，并且在整合的多组学设置中，Random Forest 达到了 90.3% 的平衡准确率。

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。

来自Arc Institute的一篇新预印本介绍了PerturbSpace，这是一种空间分辨、多模态全转录组CRISPR筛选方法，与标准单细胞工作流程兼容。

本文正式将基于转录组的药物设计（TBDD）形式化为一个生成式逆问题，并提出了CURE——一个多分辨率转录组引导的扩散框架，能够生成以所需转录组状态转变为条件的药物分子。