BioTender / 论文速递

Daily Digest — 2026.07.07

AI × 生物 每日论文速递

本期聚焦肿瘤基因组基础模型（TESSERA）、稀疏体细胞变异表型推断（PhenoMap）、RNA 假结从头设计、bulk RNA-seq 归一化鲁棒表征学习（TifBERT）、ctDNA 纵向生存分析（SHERLOC），以及连接组 EM 基础模型（ConnectoFM）。

6
今日论文
0
arXiv
6
bioRxiv
3
研究方向
01

癌症基因组 AI

2 篇
bioRxivCancer Genomics · Foundation Model · Somatic Mutations · CNAs

TESSERA: A Foundation Model for the Cancer Genome

Sidhom J-W, Baras AS, Elemento O et al.
TL;DR：TESSERA（Tumour Embeddings via Self-Supervised Encoding and Reconstruction of Alterations）是首个专为癌症基因组设计的基础模型，在未标注的肿瘤体细胞突变与拷贝数变异数据上自监督预训练，学习跨多个特征的联合结构表征——相比现有逐个突变解读的临床流程，能够捕捉共突变模式与全基因组拷贝数格局。
  • 背景：联盟规模测序已积累数十万肿瘤档案，但临床解读仍逐基因进行，忽略了共突变协同效应和基因组背景；类似的自监督预训练范式在蛋白质和单细胞领域已证明有效
  • 核心优势：基因组级别的联合嵌入——突变之间的上下文关系被编码进表征，而非每个变异独立评分
  • 应用场景：肿瘤身份分类、治疗响应预测、临床行为建模，以及从测序数据直接驱动的精准肿瘤学决策支持
编者按 癌症基因组是 NLP 的"语言"类比中最自然的一个领域——体细胞突变是"词"，肿瘤基因组是"句子"，癌症类型和行为是"意义"。TESSERA 把这个类比变成了可运行的模型。关键问题在于：这个表征能否比基因 panel 规则系统更好地泛化到罕见突变组合？ Baras 和 Elemento 两个团队的组合让这篇工作的转化潜力非常值得关注。
局限：自监督预训练的表征质量高度依赖训练数据中的突变谱多样性；拷贝数变异的平台差异（WGS vs. panel）可能影响跨队列迁移；模型规模和训练细节尚未完整披露。
癌症基因组基础模型体细胞突变精准肿瘤学
bioRxivCancer Genomics · Interpretable ML · Tumor Phenotype · Prognosis

PhenoMap: Phenotypic Inference from Sparse Tumor Genomes for Explainable Cancer Prognosis

Grant S, Nath A et al.
TL;DR：PhenoMap 在 9,000 个泛癌种基因组+转录组数据上训练，用体细胞变异推断肿瘤的表型状态（表达途径富集分数和癌症标志特征），实现了表型→通路→基因三层级的可解释性。目标是让稀疏基因 panel 测序也能捕捉通常只有转录组才能揭示的表型信息。
  • 核心思路："基因型→表型"推断——不直接用体细胞变异预测临床结果（过于稀疏），而是先推断表达层面的通路活性，再用表型状态做预后模型
  • 可解释性：多层级输出使临床医生可以看到"哪个基因突变→激活哪个通路→对应哪个癌症表型→影响预后"的完整链条
  • 实用价值：将 WGS/WES 的预测能力"压缩"到基因 panel 测序水平，降低临床应用门槛
编者按 大多数 AI 预后模型是"输入突变→输出生存期"的黑盒，PhenoMap 在中间插入了可解读的表型层——这个设计不只是为了满足监管的可解释性要求，而是把模型行为和生物学机制挂钩，让临床医生有理由信任预测。与 TESSERA 放在一起看，癌症基因组 AI 正在从"预测工具"走向"基因组解读框架"。
局限：表型推断的准确性受限于训练时配对基因组-转录组数据的规模；对于突变极度稀少的超净基因组（如某些小儿肿瘤），模型输入信号不足。
表型推断可解释AI癌症预后泛癌种
02

RNA 设计与转录组基础模型

2 篇
bioRxivRNA Design · Deep Learning · Pseudoknots · Eterna

De Novo Design of RNA Pseudoknots with Deep Learning

Townley J, Kladwang W, Das D et al.
TL;DR：在 Eterna 竞赛的 57 个假结盲测挑战中，生成式 AI 方法与经验丰富的人类设计师打平——评估手段包括单核苷酸分辨率化学映射、补偿性突变分析和冷冻电镜。成功关键是 RNet 基础模型（在历史化学映射数据上预训练），部分困难 RNA 的成功直接归功于 AI 预测的提升。
  • 意义：假结是 RNA 折叠中最难预测和设计的结构元素之一，因为它们涉及非嵌套的碱基配对——传统热力学模型难以处理
  • AI 生成分子惊喜：成功设计的分子呈现出未在设计阶段建模的非规范三级相互作用——AI 发现了人类设计师未显式考虑的结构稳定策略
  • 验证严格度：化学映射 + 补偿性突变 + cryo-EM 三重验证，确认了准确的二级结构和良好有序的三维折叠
编者按 这篇工作和 AlphaFold 时代的蛋白质设计叙事类似：AI 不只是复现人类的设计策略，而是发现了新的解法。尤其是"AI 生成的分子形成了设计阶段未建模的非规范三级接触"这一发现——说明生成模型在探索构象空间时有超越人类直觉的能力。RNet 基础模型的化学映射预训练思路值得关注。
局限：Eterna 竞赛的测试集有特定结构复杂度分布，不代表所有生物学相关 RNA；cryo-EM 验证覆盖的分子数量有限；AI 方法对假结之外的更复杂 RNA 拓扑（如三链体）能力尚不清楚。
RNA设计假结生成AIEterna
bioRxivTranscriptomics · Foundation Model · RNA-seq · Self-supervised

TifBERT: A Self-Supervised Foundation Model for Normalization-Robust Bulk RNA-seq Representation Learning

Hosseini S, Sharma D et al.
TL;DR：TifBERT 针对 bulk RNA-seq 的核心痛点——归一化方案差异导致跨队列表征漂移——提出用 TF-IDF 排序将无序表达谱转化为样本特异性基因序列（优先排列"高表达且选择性表达"的基因），再用掩码基因建模预训练。无需外部基因嵌入，适用于全转录组，跨队列泛化能力优于现有 bulk RNA-seq transformer。
  • 核心创新：TF-IDF 排序让模型聚焦"信息量最大的基因"而非平等对待所有基因——类似 NLP 中 TF-IDF 提升文本关键词权重的逻辑，迁移到转录组语境
  • 归一化鲁棒性：预训练目标不依赖绝对表达量，而是基因间的相对排序——天然地消除了批次效应和归一化方案差异的影响
  • 与单细胞 FM 的对比：现有基础模型（Geneformer、scGPT）以单细胞为主；TifBERT 直接服务大规模队列研究和临床转化场景，仍有独立价值
编者按 Bulk RNA-seq 并不过时——大型 TCGA、GTEx 等队列积累了数十万样本的转录组数据，这些数据的模型表征质量直接决定了泛癌种预后模型、药物响应预测和生物标志物发现的上限。TF-IDF 排序是个优雅的工程决策：用信息论视角而非任意归一化方案定义"哪个基因最重要"。
局限：TF-IDF 排序依赖队列内部的基因表达分布，在极小型队列中可能不稳定；掩码基因建模假设的基因独立性与生物学调控网络的现实有偏差。
RNA-seq基础模型归一化转录组
03

临床液体活检与连接组 AI

2 篇
bioRxivctDNA · Survival Analysis · Clinical Oncology · Interpretable DL

SHERLOC: An Interpretable Deep Learning Model for Longitudinal ctDNA Data in Survival Analysis

Mamann A, Das J, Benkirane H, Bugiotti F et al.
TL;DR：SHERLOC 专为纵向 ctDNA 数据的生存分析设计：整合基因级等位基因频率的共享时序表征、panel 级 ctDNA 生物标志物的特征特异性轨迹，以及在大型泛癌症组织活检数据集（MSK-CHORD）上预训练的生存感知基因组表征，最终输出可解释的 Cox 比例风险模型。
  • 挑战：临床试验 ctDNA 数据高维（多基因 × 多时间点）且样本量有限——大多数生存分析模型无法直接处理这种"宽而短"的纵向结构
  • 架构设计：时序表征不是简单地将每个时间点的 ctDNA 拼接，而是建模动态轨迹（上升/下降趋势）——捕捉治疗响应的动态信息
  • 可解释性：Cox 框架保留了传统统计学的风险比解释，每个基因/通路对生存预测的贡献可以量化追溯
编者按 ctDNA 监测在临床上越来越普遍，但"如何用纵向 ctDNA 数据做决策"这个问题还没有好答案——现有分析大多只看单时间点或简单的 VAF 变化方向。SHERLOC 把时序轨迹信息充分利用起来，同时保留可解释性，对临床试验中的预后分层和响应评估有直接价值。
局限：依赖高质量纵向采样（时间点不规则或缺失会影响轨迹建模）；MSK-CHORD 预训练数据以组织活检为主，与液体活检的特征空间存在系统性差异。
ctDNA液体活检生存分析纵向数据
bioRxivConnectomics · Electron Microscopy · Foundation Model · Neuroscience

ConnectoFM: A Foundation Model for Learning the Language of the Connectome

Abir AR, Saha A, Naswan R, Bayzid MS et al.
TL;DR：ConnectoFM 是连接组领域的首个基础模型，在来自 6 个物种、25 个子域的 170 万张未标注电子显微镜图像上预训练（掩码图像建模 + 对比对齐）。专为保留精细膜边界和突触结构而设计，解决了通用 EM 基础模型在连接组重建中因拓扑和连接错误导致的系统性失败。
  • 问题：现代连接组数据集（如 H01 人类皮层图谱、MICrONS）已达 PB 级，手动标注和数据集专属模型重训练成为瓶颈；现有通用 EM 模型无法感知突触结构的精细边界
  • 跨物种泛化：预训练语料跨越果蝇、线虫、斑马鱼、小鼠、大鼠、人类，为跨物种连接组学研究提供统一表征
  • 下游任务：神经元分割、突触检测、形态分类——连接组重建管线的三个核心步骤均可受益
编者按 连接组学正在经历一场数据爆炸：MICrONS 项目发布了小鼠视觉皮层的毫米级连接组，H01 人类皮层数据集已达 1.4 PB。数据不缺，缺的是能高效利用这些数据的工具。ConnectoFM 把基础模型的"规模预训练→专项微调"范式引入连接组，时机恰当。跨物种预训练还有额外价值：不同物种的连接组结构差异本身就是进化神经科学的研究对象。
局限：预训练图像的物种和组织类型分布不均衡，可能导致欠代表性物种的表征质量较低；EM 图像分辨率和染色协议差异仍是跨数据集迁移的主要挑战。
连接组学电子显微镜基础模型神经科学
BioTender · 第23期 · 2026-07-07 ← 所有期刊