BioTender / 论文速递

Daily Digest — 2026.07.02

AI × 生物 每日论文速递

本期聚焦可解释 TCR-表位结合预测、细胞周期感知药物扰动建模、阿尔茨海默病反应扩散数学模型、帕金森病神经元图像叠加表征、表格基础模型在蛋白质适应性预测中的泛化能力，以及空间转录组可重现分析工作流。

6
今日论文
6
arXiv
0
bioRxiv
3
研究方向
01

免疫学与药物扰动建模

2 篇
arXivq-bio.QM · cs.LG · q-bio.BM

Structure-Regularized Interpretable TCR-Epitope Prediction

Li J, Yin Z, Zhang Y, Wang J, Landry SJ, Ding Z, Mettu RR
TL;DR：提出 TCR-SRIM，将蛋白质语言模型嵌入与可解释接触原型（contact prototypes）结合，在不依赖后验解释的前提下实现 TCR-表位结合预测的内在可解释性。同时揭示 AlphaFold3 等预测结构与实验结构在结合位点多样性上的差距。
  • 方法：语言模型嵌入 + 结构正则化接触原型，直接学习残基级 TCR-表位相互作用模式，无需后验归因
  • 结果：在 TCR-XAI 基准上优于纯序列和纯结构基线；AlphaFold3/TCRModel2/tFold-TCR 预测结构性能有竞争力，但结合位点多样性低于实验结构
  • 亮点：可解释性不作为附加模块，而是模型架构的核心设计——接触原型直接对应生物学意义上的结合界面
编者按 TCR-表位预测的可解释性一直是个痛点：序列模型准确但不透明，结构模型可解释但对未见表位泛化差。TCR-SRIM 尝试在两者之间找平衡。更有意思的发现是：AF3 等工具预测的结构在识别结合"热点"方面不如实验结构，提示结构预测精度和结合位点覆盖度是两件不同的事。
局限：接触原型数量是超参数，原型语义的生物学解释需要领域专家验证；对稀有表位类型的泛化能力有待评估。
TCR-表位可解释AI免疫学结构正则化
arXivq-bio.QM · cs.LG · q-bio.GN

Modeling Cell-Cycle-Aware Single-Cell Drug Perturbation Responses

Zhao D, Lin J
TL;DR：提出 scCycleMol，将细胞周期相位变化作为药物扰动预测的一级输出而非需要控制的混杂变量。在包含 60 万细胞、186 种扰动的 SciPlex3 基准上，最佳变体的全基因 R² 达到 0.909，显著优于 ChemCPA 基线。
  • 方法：不将细胞周期状态作为输入协变量，而是从预测的扰动后表达谱中派生周期监督信号，通过可学习的细胞周期 head 端到端训练
  • 结果：全基因期望 R² 0.909、差异表达基因 R² 0.684，同时改善周期相位预测和分布外泛化
  • 亮点：视角转换——细胞周期不是"噪声"，而是药物作用机制的重要信号，尤其对化疗类药物
编者按 单细胞药物扰动模型（SCGPT、ChemCPA 等）通常把细胞周期当成需要"消除"的批次效应。这篇工作的贡献在于指出：对于很多化疗药物，改变细胞的增殖状态本身就是治疗机制的一部分，忽略它等于漏掉了最重要的生物学信号。思路的转变比方法本身更值得关注。
局限：目前仅在 SciPlex3 数据集验证，细胞周期监督信号质量依赖标记基因选择，对非分裂细胞类型的适用性未探讨。
单细胞扰动细胞周期药物响应转录组
02

神经科学与疾病建模

2 篇
arXivq-bio.NC · q-bio.QM

Pattern Formation in a Reaction-Diffusion Model for Amyloid-β and Tau Interactions in Alzheimer's Disease

Lee S, Hao W
TL;DR：将 Gray-Scott 反应扩散框架应用于 Aβ-Tau 相互作用建模，发现系统存在多个稳定空间模式，而非单一病理终态。在 2D 域和真实脑表面几何上的数值模拟表明，不同的蛋白质空间分布格局对应不同的疾病表现形式。
  • 方法：Gray-Scott 反应扩散方程参数化 Aβ-Tau 互作，在 2D 平面和脑表面网格上数值求解多稳态格局
  • 结果：系统存在多个共存稳定态，可能解释为何蛋白质负荷相似的个体临床表现差异巨大（认知弹性现象）
  • 亮点：将治疗靶点从"消除蛋白质"转向"引导系统至有利稳定态"，提供了一个全新的治疗框架思考方式
编者按 阿尔茨海默病临床试验接连失败，靶向 Aβ 清除的策略屡屡受挫。这篇数学模型提供了一个颇具启发性的解释视角：也许问题不在于蛋白质的量，而在于其空间分布模式。从"消灭靶点"到"重塑系统动力学"，思路上是一次范式转换，值得药物研发领域重新审视。
局限：反应扩散参数需要与实验数据拟合验证，模型目前缺乏神经元死亡等不可逆过程；脑表面几何简化可能影响模式预测。
阿尔茨海默病反应扩散Tau蛋白数学建模
arXivcs.LG · q-bio.NC · q-bio.QM

Resolving Superposition in AI for Interpretability and Cross-Modal Alignment in Patient-Neuronal Images

Park J, Kang S, Yoo D, Lee E, Cho S et al. (NeurIPS 2026)
TL;DR：用稀疏自编码器（SAE）解决帕金森病神经元图像中的"表征叠加"问题——神经网络将多个不相关概念压缩进同一维度。在 10 万张多重免疫荧光图像上训练后，SAE 恢复了几何保真度，并通过最优传输理论（GW-map）实现图像表征与 scRNA-seq 的无监督跨模态对齐。
  • 方法：SAE 分解神经元图像的潜在表示以消除叠加，GW-map（Gromov-Wasserstein 最优传输）对齐图像与 RNA 表征空间，无需空间转录组参考
  • 结果：成功重建层级化神经元病理通路，与已知帕金森病分子机制吻合；跨模态对齐无需配对训练数据
  • 亮点：将 LLM 可解释性研究中的 SAE 工具移植到生物医学图像领域，同时解决了两个独立难题：可解释性 + 跨模态对齐
编者按 SAE 最近在 LLM 可解释性研究中大放异彩（Anthropic 的 features on Claude 3 Sonnet 等工作），这篇将其引入神经元图像分析是个有趣的跨领域迁移。更巧妙的是用最优传输做无监督跨模态对齐——解决的恰好是空间转录组研究中最贵的问题：配对数据获取成本极高。
局限：SAE 字典大小选择影响结果，GW-map 在细胞类型极度不平衡时对齐质量下降；目前仅在帕金森病数据集验证。
稀疏自编码器帕金森病跨模态对齐最优传输
03

基础模型与分子计算

2 篇
arXivcs.LG · q-bio.QM · q-bio.BM

Can Tabular In-Context Learners Generalize to Biomolecular Property Prediction?

Guan D, Zhang L, Wijesinghe A, Zhu A, Zhao H, Power H, Ahmed FH, Warden A, Ong CS, Steinberg DM
TL;DR：系统评估 TabPFN3、TabICL 等表格基础模型在蛋白质适应性回归和小分子分类任务上的泛化能力。发现：配合 ESMC 固定编码器时，表格 ICL 在蛋白质适应性回归上具有持续竞争力；但小分子分类任务没有普遍最优方法，表征选择比模型选择更关键。
  • 方法：在 ProteinGym、TDC ADMET、MoleculeNet、FS-Mol 等多个基准上，将表格基础模型与 ESMC/ECFP/RDKit 等固定编码器配对评测
  • 结果：ESMC + TabICL 在蛋白质适应性预测上持续优于或匹配专用方法；分子分类无统一最优，表征质量主导性能
  • 亮点：将"表格基础模型"这一通用 ML 工具引入分子生物学，验证其在少样本场景下的适用性
编者按 这是一篇实用性很强的基准研究。TabPFN 类模型原本针对小数据表格任务设计，在蛋白质工程里恰好有用武之地——定向进化实验天然就是少标注问题。核心结论其实很朴素：好的分子表征（ESMC）比花哨的预测模型更重要。这提示领域内应该把更多精力放在编码器而不是预测头上。
局限：评测以分类和回归为主，未涵盖生成任务；固定编码器的选择本身有偏，端到端微调的比较缺失。
表格基础模型蛋白质适应性上下文学习少样本
arXivq-bio.GN · cs.DC · q-bio.QM

DiSTILL: A Hybrid Cloud-HPC Workflow System for Reproducible Spatial Transcriptomics Analysis

Tan MJT, Hinostroza Fuentes VG, Yerra N et al. (IEEE CIBCB 2026)
TL;DR：DiSTILL 是一套混合云-HPC 工作流系统，将空间转录组分析流程封装为可审计的应用层，支持本地、SSH 远程和 SLURM 集群三种执行模式。以炎症性肠病空间转录组分析为示范，实现从原始数据到结果的全链路可重现。
  • 方法：FastAPI 后端 + Web 前端 + 数据集注册中心 + Pipeline Generator，自动生成 SLURM 提交脚本，支持拉取式轮询执行模式
  • 结果：在 IBD 空间转录组数据集上完整运行分析流程，所有步骤可审计、可重现，跨机构部署验证通过
  • 亮点：专为"有 HPC 但没有 DevOps 团队"的实验室设计，降低空间转录组分析的可重现性门槛
编者按 空间转录组分析的可重现性问题被严重低估——不同机构、不同集群跑出不一样的结果是常态。DiSTILL 瞄准的是基础设施层，而不是算法层，这是务实的选择。但类似工具（Nextflow、Snakemake）已经很成熟，能否在易用性上真正胜出，才是能否被社区采纳的关键。
局限：目前仅在单一 IBD 数据集示范，与 Nextflow/Snakemake 的正面比较缺失，跨机构大规模部署的稳定性尚未系统评测。
空间转录组工作流系统可重现性HPC