BioTender / 论文速递

Daily Digest — 2026.06.20

AI × 生物 每日论文速递

每日精选 bioRxiv 与 arXiv（q-bio、cs.LG）交叉领域的新论文，配中文编者按，帮你快速判断哪些值得读。

8
今日论文
6
bioRxiv
2
arXiv
4
研究方向
01

RNA 设计与基因调控

2 篇
bioRxiv生物信息学

RNAStabFormer: A Transformer Architecture for mRNA Stability Prediction and Optimization

Cao Y, Liu J, Wang H, Zhang S et al.
专为 mRNA 设计的 Transformer 同时建模 UTR/密码子/二级结构，稳定性预测 Spearman r=0.81，优化后序列半衰期中位值延长 3.2 倍。
  • 方法：多尺度注意力架构捕获 5'UTR 元件、密码子使用偏好和 mRNA 二级结构的协同效应
  • 结果：稳定性预测 Spearman r=0.81（vs LSTM 的 0.69）；序列优化后 mRNA 半衰期中位值延长 3.2 倍
  • 亮点：端到端框架：预测→优化一体，可直接输出适合 mRNA 疗法生产的序列
编者按mRNA 稳定性决定了疗法的给药剂量和安全窗口——稳定性更高可以减少给药量，降低免疫反应风险。此工作为 mRNA 疗法和疫苗的序列工程提供了端到端的计算解决方案。
局限 · 训练数据以人工合成 mRNA 稳定性测量为主，细胞类型特异性的稳定性差异（如免疫细胞 vs 肝细胞）建模不足。
mRNA 稳定性Transformer序列优化
bioRxiv生物信息学

Fast Multi-Objective RNA Sequence Optimization via Reinforcement Learning with Structured Exploration

Wei X, Yang Z, Zhao J, Li M
结构化探索 RL 同时优化 RNA 折叠能/翻译效率/免疫原性，找到 Pareto 前沿的速度比进化算法快 12 倍，多目标解质量提升 28%。
  • 方法：RL agent 以折叠能、Kozak 评分、免疫原性预测为多目标奖励，结构化探索策略聚焦 Pareto 边界
  • 结果：达到相同质量 Pareto 解的收敛速度比遗传算法快 12 倍；多目标解质量（超体积指标）提升 28%
  • 亮点：结构化探索显式避开已探索区域，比随机 RL 收敛更快且不丢失 Pareto 多样性
编者按真实 mRNA 疗法设计中稳定性、翻译效率和免疫原性是相互制约的——不能只优化一个。RL 框架是处理这类多目标约束优化的自然框架，比进化算法快一个数量级对工业生产流程有实质价值。
局限 · 折叠能和翻译效率的代理奖励模型基于体外数据，与细胞内真实环境的相关性仍需实验校准。
RNA 优化强化学习多目标优化
02

蛋白质结构与分子力场

2 篇
bioRxiv生物物理

Ribosomes Are Covered by a Flexible Protein Fragment Coat That Shapes Their Folding Landscape

Klein A, Natan E, Bhatt D, Singh R
cryo-EM 揭示核糖体表面覆盖柔性蛋白片段外衣，去除外衣后翻译效率降低 40%，折叠隧道出口的多肽折叠景观发生显著改变。
  • 方法：cryo-EM 结构解析核糖体-外衣复合物，体外转录翻译体系量化去除外衣对翻译效率的影响
  • 结果：外衣蛋白质片段去除后翻译效率降低 40%；隧道出口新生肽折叠速率下降 2.8 倍
  • 亮点：颠覆了核糖体作为"裸"分子机器的传统认知，为翻译调控引入了新的调节层次
编者按教科书级别的发现——核糖体不是"光秃秃"的机器。这层外衣可能是新的翻译调控靶点，对理解密码子偏好性、翻译暂停和共翻译折叠等现象提供了全新的解释框架。
局限 · 实验主要在体外纯化体系中进行，外衣在活细胞复杂环境中的动态组成和调控机制尚不清晰。
核糖体蛋白质折叠翻译调控
bioRxiv生物信息学

A Network Approach to DNA Methylation Clocks: Topological Features Improve Age Prediction

Carcedo A, Murcia-Lopez M, Larriba Y, Labarta-Bajo L
将 DNA 甲基化位点共变网络的拓扑特征加入衰老时钟，MAE 从 3.8 年降至 2.6 年，比 Horvath 时钟提升 32%。
  • 方法：构建 CpG 位点共甲基化网络，提取模块性、中心性等拓扑特征，与单位点甲基化值融合训练衰老时钟
  • 结果：年龄预测 MAE 降至 2.6 年（vs Horvath 时钟 3.8 年），在加速衰老疾病（癌症、糖尿病）上泛化更稳定
  • 亮点：网络特征捕获了甲基化调控的系统性变化，而非只看单个 CpG 位点的孤立变化
编者按甲基化时钟的改进研究很多，但引入网络拓扑是新思路——衰老不只是单个位点的变化，而是整个甲基化调控网络的系统性重组。对衰老干预效果评估和生物年龄测量有直接应用价值。
局限 · 网络构建需要大样本才能稳定估计 CpG 共甲基化，样本量 <200 的数据集上性能提升不显著。
DNA 甲基化衰老时钟网络拓扑
03

单细胞与免疫组学

2 篇
bioRxiv免疫学

SABER: Stability-Aware Benchmarking of scRNA-seq Clustering Methods

Chen L, Zhang X, Wei Q, Zhao P
单细胞聚类稳定性感知基准框架，评测 10 种聚类方法在参数和数据扰动下的稳定性，发现 Leiden 稳定性评分比 Louvain 高 34%。
  • 方法：在 20 个数据集上测试 10 种聚类方法，用参数扰动（分辨率±20%）和数据扰动（subsampling 80%）评估稳定性
  • 结果：Leiden 稳定性评分比 Louvain 高 34%；高准确率方法不一定稳定（相关性仅 r=0.41）
  • 亮点：新增稳定性评分维度使研究者在准确率和可重复性间做有依据的权衡
编者按聚类稳定性在发表压力下常被忽视，但在真实分析中至关重要——同一数据用不同参数得到不同的"亚型"是科研隐患。SABER 提供了客观的稳定性评估工具，应作为标准预审步骤。
局限 · 稳定性评测计算开销是单次聚类的 10–20 倍，对超大型数据集（>100 万细胞）运行时间较长。
单细胞聚类稳定性基准测评
bioRxiv免疫学

SAbDab2: An Updated Structural Antibody Database with Enhanced AI-Ready Features

Dunbar J, Abanades B, Deane C M
SAbDab 重大升级：新增 AlphaFold 预测结构、标准化 CDR 标注 API 和大规模批量下载接口，收录结构从 9,000 增至 27,000+。
  • 方法：整合 PDB 实验结构和 AlphaFold 预测结构，标准化 Kabat/IMGT/Chothia CDR 标注，提供 Python API
  • 结果：总收录抗体结构从 9,000 增至 27,000+（含预测），Python API 支持百万级批量检索
  • 亮点：标准化 CDR 标注消除了不同抗体 AI 方法间的格式不兼容问题
编者按SAbDab 是抗体 AI 的核心基础设施，此次升级是整个领域的利好——数据量增加 3 倍，AI 友好接口降低了入门门槛。几乎所有做抗体 AI 的团队都会受益于这次更新。
局限 · AlphaFold 预测结构的质量在抗体 CDR 区（尤其是 H3 环）仍不稳定，使用时需注意区分实验结构和预测结构。
抗体数据库SAbDabAI 友好
04

神经科学与脑机接口

2 篇
bioRxiv神经科学

OPM-FLUX: A High-Density Optically Pumped Magnetometer MEG Pipeline for Dynamic Brain Imaging

Tierney T M, Barnes G R, Hillebrand A
OPM-MEG 完整分析流程：头动校正 + 传感器噪声抑制 + 源定位，使可穿戴脑磁图在运动任务中达到传统 SQUID-MEG 93% 的定位精度。
  • 方法：整合 OPM 专属传感器噪声抑制、头动校正算法和自适应波束成形源定位
  • 结果：运动任务下定位精度达 SQUID-MEG 的 93%，允许头动范围从 <5mm 扩展至 <30mm
  • 亮点：开源工具包直接对接 MNE-Python，无需专用驱动即可部署
编者按OPM-MEG 让被试可以自然移动甚至行走，彻底改变了神经科学实验范式。此流程打通了从数据采集到科学结论的完整链路，将加速 OPM-MEG 在儿童、临床和自然认知实验中的应用。
局限 · 针对 64 通道以下系统优化，高密度系统（>128 通道）的通道间串扰处理尚未完整支持。
OPM-MEG脑成像可穿戴
arXivq-bio.NC · cs.LG

Energy-Efficient Codon Optimization on Thermodynamic Computing Hardware

Hamerly R, Bhatt D, Li S, Wang J
热力学计算硬件利用物理弛豫求解密码子优化组合问题，能耗仅为 GPU 的 1/200，优化质量与 GPU 方法相当。
  • 方法：将密码子优化建模为 Ising 模型，在热力学计算硬件（随机 bit 机器）上利用热涨落自然弛豫求解
  • 结果：能耗仅为 GPU 方法的 1/200，在 5knt 以下 mRNA 序列的优化质量与 GPU 方法相当
  • 亮点：将新兴非冯诺依曼计算范式应用于生物序列优化，是节能 AI 与生物设计结合的先驱工作
编者按大规模 mRNA 疗法生产中密码子优化的计算成本可观。热力学计算以物理规律作为"免费"的计算资源，能耗降低 200 倍的潜力对高通量序列设计场景意义重大——尽管目前还处于早期。
局限 · 当前热力学计算硬件的比特数量（~1000 bits）限制了可处理的序列长度，长 mRNA（>5knt）需要分段处理。
密码子优化热力学计算节能 AI