Issue 71 · 2026-10-01 · AI × Biology
RNASeek 是一个跨物种转录组语料训练的生成式 RNA 基础模型，用同一骨干处理序列表征、自然语言条件预测与序列生成。作者进一步围绕核酶自切活性和病毒 mRNA 稳定性微调功能预测器，并把预测器作为强化学习奖励。
论文报告模型能在约束条件下生成核酶与 3′ UTR 候选，并对部分生成序列进行了实验验证。这是一篇未经同行评审的 bioRxiv 预印本；实验结果支持特定任务中的可行性，但尚不足以证明跨 RNA 类别的普适设计能力。
Mendel 把人群全基因组中的遗传变异置于预训练目标中心，学习变异与局部序列语境之间的表示，而不是只把参考基因组当作单一文本。作者重点评估其对调控变异排序与基因表达预测的帮助。
这项工作显示，面向人类变异分布设计预训练任务，可能比通用 DNA 表征更贴近遗传调控问题。该文是未经同行评审的 bioRxiv 预印本；目前证据主要来自计算基准和既有队列，仍需独立人群及功能实验验证。
论文提出“序列精简”任务：在保持碱基顺序的前提下，从已有调控 DNA 中删除碱基，并尽量保留模型预测活性。输出同时包含子序列与原始索引，使任务约束可以被程序化审计。
编码 Agent ERA 从一个替换式设计程序出发，搜索并改写得到删除式设计器 GRADASLIM；作者在五个转录因子结合目标和两种长度设置上比较随机、贪心与 Agent 方案。该稿件用于 NeurIPS 2026 专题研讨会，结果依赖计算预测，不能替代合成后的功能测定。
GEMOT 把生物学建模组织成一个 Agent 流程：从问题与证据出发，生成可执行的机制模型、运行模拟、比较观测并迭代修正。目标不是输出一次性的文本答案，而是形成可以检查和证伪的动态模型。
作者在覆盖分子生物学、流行病学和免疫细胞分化的已发表问题上评估框架，强调模块化机制与可追溯计算。这是一篇未经同行评审的 bioRxiv 预印本；回顾性重建仍不同于前瞻性发现，模型正确性取决于证据检索、方程设定与验证门槛。
CellMSA 借鉴蛋白多序列比对的上下文思想，不再把每个细胞完全独立编码。模型为目标细胞检索跨批次、相关细胞类型的参照细胞，并将跨细胞一致性与差异汇总为上下文依赖的基因对表示。
作者在大规模人类单细胞语料上预训练，并在多个下游基准中报告优于比较方法。该稿件注明已被 NeurIPS 2026 接收；基准改进支持上下文建模价值，但跨平台、疾病队列和稀有细胞类型的稳健性仍需独立检验。
RiboUnmix 面向 Ribo-seq 中生物信号与实验偏差纠缠的问题，把观测到的核糖体占据分解为共享的序列依赖信号和数据集特异的乘性效应，并用负二项分布描述重复间波动。
作者先在已知生成机制的合成数据中分别检验两类成分，再在多物种真实数据上比较序列到占据谱的预测。该文是未经同行评审的 arXiv 预印本；现有实证说明模型能提取稳定表示，但共享成分是否对应真实翻译动力学仍需要正交实验确认。