从序列级活性基础模型，
到可追溯的科研 Agent

PSICHIC+ 以蛋白序列和配体 SMILES 为输入，用分布式目标学习异质生物活性数据中的结合亲和力及其不确定性。作者将其用于零样本虚拟筛选、实验闭环中的候选获取，以及与 Boltz-2 组合的 hit-to-lead 亲和力预测。

这项工作的价值在于尝试统一来源、尺度和可靠性不一的活性记录，而不是只在清洗后的单一任务上拟合点估计。其性能仍受训练数据偏差、靶点新颖度和实验条件差异制约，不能把计算富集直接解释为可开发先导化合物；本文为未经同行评审的 bioRxiv 预印本。

EpiRank 从单条目标链的几何与理化特征出发，在不知道结合伙伴的情况下检索潜在结合表面。论文更重要的贡献是评测审计：作者用同几何约束的随机基线、按目标稳定性和污染过滤，重新衡量“命中界面”的实际增益。

结果提醒蛋白界面预测不能只报告汇总 ROC AUC 或表面命中率，因为空间平滑、同源传播和伙伴图泄漏都可能放大结论。EpiRank 可作为设计前的候选区域排序工具，仍需伙伴特异性建模和实验映射确认；本文为未经同行评审的 bioRxiv 预印本。

LIMBER 将双向自注意力与选择性状态空间模型交错组合，并在大规模非编码 RNA 序列上预训练。作者评估了二级结构、非编码 RNA 分类、翻译相关任务和 RNA—小分子互作，同时分析不同层如何组织结构、进化与功能信息。

混合架构为长序列效率与局部依赖建模之间提供了一种折中，论文也把模型规模、训练时长和数据量的影响纳入统一比较。不同任务的领先表现仍需在独立数据集和严格同源拆分下复核，尤其不能把表征可解码性等同于机制理解；本文为未经同行评审的 bioRxiv 预印本。

GENESIS 用基于能量分数的轻量生成模型，从实验条件协变量预测单细胞扰动后的表达分布。作者在 Tahoe-100M 与 PBMC 细胞因子数据上，将模型误差与重复实验之间的可重复性差距放在同一标尺下比较。

把实验重复本身作为性能上限参照，比单纯追逐模型间的小幅排名差异更接近实际使用场景。但“接近重复实验”依赖具体数据生成过程、留出策略与评价统计量，不能直接外推到新细胞类型或新扰动机制；本文为未经同行评审的 bioRxiv 预印本。

Findings Workflow 将 Claude Code 辅助分析组织成分阶段、有门控的流程：先理解科学问题、元数据和数据加载，再由统计、编程、可视化、检索、报告与验证子 Agent 协作。所有发现同时记录数据、代码、方法、图表与来源链。

它针对的不是单次回答质量，而是 LLM 分析能否被复查、复现和持续修订。论文以已发表的血浆细胞外囊泡蛋白质组数据作示例，但通用可靠性仍取决于模板覆盖、独立验证强度和研究者是否真正审阅中间产物；本文为未经同行评审的 bioRxiv 预印本。

GRAFT 利用同一细胞情境中遗传扰动与化学扰动共享的调控网络，把基因扰动响应迁移到缺少药物测量的目标细胞情境。GRAFT-Adapt 再用少量目标情境药物数据进行校准，作者还构建了跨细胞情境的预测图谱。

该框架把“没有目标细胞药物数据”转化为跨模态迁移问题，适合候选优先级排序与差异反应假设生成。预测相关性和功能邻域并不等于药效或安全性证据，跨供体差异也需要更大样本与独立实验确认；本文为未经同行评审的 bioRxiv 预印本。