Evo 2 能够准确预测基因变异（从非编码致病突变到具有临床意义的 BRCA1 变异）的功能影响，无需针对特定任务进行微调。机制可解释性分析表明，Evo 2 学习与生物学特征相关的表示，包括外显子-内含子边界、转录因子结合位点、蛋白质结构元素和噬菌体基因组区域。Evo 2 的生成能力能够在基因组层面生成线粒体、原核生物和真核生物的序列，其自然度和连贯性比以往的方法更高。Evo 2 还在预测模型3、

通用人工智能模型在应用于临床实践中的多种模态和复杂临床任务时面临独特的挑战。在此，我们介绍了 MedMPT，这是一个面向临床、专为呼吸系统医疗保健设计的多功能预训练模型，基于 154,274 对胸部计算机断层扫描图像和放射学报告进行训练。MedMPT 采用自监督学习来获取医学见解，能够处理多模态临床数据，并支持与临床工作流程相契合的各种临床任务。我们在涉及常见医学模态（如计算机断层扫描图像、放射学

【R包】pathlinkR转录组数据分析和可视化利器

【工具】survex一个解释机器学习生存模型的R包

RNA 是分子生物学中心法则的重要组成部分，在所有细胞过程中都发挥着多种作用。RNA 大规模语言模型（LLM）作为 RNA 研究中强大的方法，有助于解析其复杂的功能和调控网络。然而，之前的 RNA LLM 通常基于 Transformer 模型，并且是基于短片段的非编码 RNA 进行预训练的，这限制了它们的通用适用性。在此，我们介绍了首个全长 RNA 基础模型——HydraRNA，它基于双向状态空

尽管全脑成像技术取得了进步，但缺乏能够将啮齿动物临床研究与人类研究联系起来的定量方法仍然是一个关键的挑战。在此，我们推出了 TransBrain，这是一个计算框架，能够实现人类和小鼠大脑整体表型的双向转换。TransBrain 通过以下方式提高了人类与小鼠同源性映射的准确性：（1）一个基于皮质和皮质下分离区域的特定深度神经网络，该网络基于整合的多模态人类转录组学进行训练，以改善皮质对应关系（比原始

尽管病毒生态基因组学扩大了对病毒世界的探索范围和理解程度，但现有的分类工具在分类学分辨率方面存在不足，无法适用于现代基于发现的数据集或对先前未知的序列空间进行分类。在此，我们开发了 vConTACT3——一个基于机器学习的工具，它提高了病毒分类的可扩展性和准确性。通过优化基因共享阈值并利用适应性的、特定领域的分界线，vConTACT3 扩展了分类范围，涵盖了六个正式认可的领域中的四个，对真核和原核

单组学方法往往只能对复杂的生物系统提供有限的视角，而多组学整合则能够通过整合各种数据视角来实现更全面的理解。然而，整合不同类型的异质数据以及解析生物特征（包括同一视角和不同视角之间）之间的复杂关系仍然是一个重大挑战。在此，为应对这些挑战，我们引入了 COSIME（具有可扩展性和可解释模型解释器的协同多视角整合）。COSIME 将可学习的最优传输算法的反向传播应用于深度神经网络，从而能够从多个视角学

【工具】survex一个解释机器学习生存模型的R包

组学分析已被证明在无偏且全面地识别定义生物表型和潜在医学状况的关键特征方面具有重要作用。每种组学分析都能帮助对与所研究表型相关的特定分子成分进行特征描述，而它们的联合评估则能为生物系统的整体机制运作提供更深入的见解。在此，我们介绍了一种方法，即从每个组学分析中获得的代表性特征（例如差异表达的元素）出发，构建并分析联合交互网络。所得到的网络基于生物实体之间可靠交互的现有知识。我们利用这些图谱来识别和