从基因组分词，
到可证伪的 AI 科学工作流

Motif-Vocab 把转录因子结合基序直接纳入基因组语言模型的分词过程：先在双链 DNA 上寻找经统计校准的基序匹配，再为其分配转录因子身份 token，其余序列仍由核苷酸、k-mer 或 BPE 编码。

作者在受控 BERT 预训练中将真实基序库与随机基序对照比较，结果支持其作为面向基序任务的可解释归纳偏置，同时也指出常规密集分词器仍是强基线。该文是未经同行评审的 arXiv 预印本，并已投稿 AAAI-27；结论不应外推为所有基因组任务上的通用优势。

这项工作关注闭环自动科学发现中的一个基础风险：实验对象与测量记录若被系统性错配，神经代理模型仍可能稳定学到错误关联，并据此把后续实验预算推向低表现区域。作者在绿色荧光蛋白适应度与材料带隙回路中构造了这种情形。

论文把风险重点从“错误比例”转向“错误是否沿同一假设轴保持一致”，并提出监测轴隔离与反馈冲突分流的防护思路。该文是未经同行评审的 arXiv 预印本；结果来自受控模拟回路，尚不能量化真实自治实验室中的发生率。

CELLAUDIT 追问虚拟细胞模型是否真正使用了声称使用的扰动信息，而不只看留出集分数。审计依次检查输入能否进入计算图、拟合后预测是否随输入变化，以及这种依赖是否确实改善对观察响应的预测。

在形态—转录组扰动数据上，作者发现一个由 Agent 选出的模型几乎不随化合物替换而变化，并用反证反馈修订模型。该文是未经同行评审的 arXiv 预印本；独立队列中剂量贡献得以保留，但化合物身份的证据未能同样泛化，提示审计结论也需跨数据验证。

Pheno-GS 把每位患者的单细胞分布视为一个整体数据点，用几何感知的最优传输距离比较队列中的患者表型。方法通过图连通正则、非平衡最优传输和批量热扩散计算，应对稀疏、不均衡和大规模单细胞数据。

作者在合成基准与 CyTOF 扰动数据上验证了距离计算的准确性和扩展性。该文是未经同行评审的 arXiv 预印本；生物学验证目前集中于一个扰动数据集，是否能稳定揭示临床队列中的患者异质性仍需进一步检验。

作者将 fMRI 解码、深度生成模型和受约束潜空间操控组合起来，提出在不实施物理刺激的情况下生成候选神经表征变化，并以重建图像测试其可能的知觉效应。效价与记忆度在文中被用作示范目标。

研究在自然场景 fMRI 数据上观察到效价方向的人类评分变化，但记忆度未显示可靠改变，且极端操控会牺牲对原刺激的忠实度。该文是未经同行评审的 arXiv 预印本；它提供的是未来神经调控靶点的上游假设生成工具，不是治疗效果证据。

这项基准把空间转录组的主动学习问题设定为：在表达测量预算有限时，依据组织形态选择最值得测序的 spot。作者统一比较不确定性与多样性策略，并用患者级交叉验证评估形态到表达的预测。

在两个公开队列中，所测主动策略并未在小预算下稳定优于随机采样，且不同评价指标会改变方法排序。该文是未经同行评审的 arXiv 预印本；其价值主要在于给出负结果与公平比较框架，而不是证明现有主动采样已能降低实际实验成本。