标题：Unsupervised transfer learning enables multi-animal tracking without training annotation追踪17只果蝇、7只线虫、10只小鼠，全程无需人工标注：这个无监督跟踪器如何颠覆动物行为研究？

eSIG-Net的出现，标志着计算生物学从"预测结构"到"理解变化"的一个关键转折。即使不依赖昂贵的结构数据，仅用序列信息和精心设计的差异学习策略，也能解码单突变对蛋白质社交网络的重写规则。但这也引出一个更深层的问题：当AI已经能如此精准地预测分子层面的变化后，我们是否准备好理解这些变化在人体内——那个由数万个蛋白质、无数种细胞类型、复杂的组织微环境构成的真实系统里——究竟意味着什么？也许比预测突

标题：Orthrus: toward evolutionary and functional RNA foundation models700倍参数碾压巨头：这个RNA基础模型用进化“对比学习”重新定义了“少即是多”现有基因组基础模型，像GPT或BERT一样，通过预测被遮罩的核苷酸或“下一个碱基”来学习DNA语言，却忽略了生物学中最重要的信号——进化。

标题：btag199预见基因表达，DNA序列只讲了一半的故事：给AI模型一扇观测染色质“开关”的窗户大多数预测基因表达的AI模型只看DNA序列，忽略了染色质是否“打开”这个关键开关。一项新研究证明，直接把染色质可及性数据作为输入特征喂给模型，预测精度显著飙升，尤其在那些最难搞定的“高度可变基因”上。更妙的是，这个“加个通道”的策略极其简单，几乎可以移植到任何现有模型上。

标题：RVQ-Alpha: Bridging Single-Cell Transcriptomics and Large Language Models via Discrete Tokenization and Verifiable Reinforcement Learning。

标题：SpaFlow depicts the dynamics of ligand-receptor interaction in spatial transcriptomics data。

标题：scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration全面超越9种主流方法：这个生成框架用解耦表征重塑单细胞多组学整合。

当遇到新数据集（尤其是测量蛋白质的CODEX、MIBI技术）时，如果目标分子不在预训练的“词汇表”里，模型就束手无策，要么直接报错，要么需要费力地手动将蛋白质“映射”到近似的基因上，这无疑会丢失大量信息并引入偏差。它通过创新的跨层信息传递，将细胞的空间邻域信息与内部的基因共表达网络动态耦合，不仅实现了跨技术、跨器官的卓越预测性能，还能发现被传统模型忽略的、由微环境驱动的细胞亚群。这意味着，同一个基

多组学与AI时代：生物信息学从业者的未来进化之路大家好，这里是生信之灵，今天我们来聊聊生物信息学中尤其是多组学的未来发展，以及在这个AI飞速发展的当下，我们作为生信研究者，应该如何适应AI时代？根据ARK的年度报告(ARK Big Ideas 2026)，多组学或者说基因组学，将是人工智能领域最深刻的应用方向，也是对人类影响最为深远的领域之一。目前，基因测序的成本在大幅下降，测序速度也在显著提高。

多组学与AI时代：生物信息学从业者的未来进化之路大家好，这里是生信之灵，今天我们来聊聊生物信息学中尤其是多组学的未来发展，以及在这个AI飞速发展的当下，我们作为生信研究者，应该如何适应AI时代？根据ARK的年度报告(ARK Big Ideas 2026)，多组学或者说基因组学，将是人工智能领域最深刻的应用方向，也是对人类影响最为深远的领域之一。目前，基因测序的成本在大幅下降，测序速度也在显著提高。