Parse Biosciences 与 Nomic Bio 合作生成 Cascade 100 Million-Cell AI-Ready 多模态扰动数据集
Parse Biosciences 与 Nomic Bio 宣布合作生成 Cascade，一套面向人类免疫响应的 100 million-cell 基础多模态扰动数据集。
#数据/训练
Genetic Engineering & Biotechnology NewsAI 评分7070 bioRxiv · GenomicsAI 评分5252 ChAI-Net 从 DNA 序列学习染色质共可及性的调控规则
研究团队将单分子长读长 footprinting 与深度学习结合，训练 ChAI-Net 从 DNA 序列预测小鼠胚胎干细胞中的位点特异性染色质共可及性图谱。模型解释与 in silico 实验显示，ChAI-Net 识别了增强子、启动子和 CTCF 结合位点中不同的序列 motif 组合，其中许多 motif 在平均可及性建模中未被发现。
bioRxiv · BioinformaticsAI 评分6262 EMBER：上下文化基因表征预测单个及组合细胞扰动效应
Ho、Xing与Ma提出基因中心基础模型EMBER，其上下文化基因表征相较评测基线改善了跨情境扰动响应预测和遗传互作排序。该模型在按细胞类型和实验批次平衡采样的多样化单细胞语料上，结合交互引导的对比学习和掩蔽表达重建进行预训练。冻结的预训练编码器可配合轻量探针，支持单基因扰动响应、双基因互作和多靶点药物响应预测，并将SCFD1列为mTOR抑制期间的候选依赖因子。
bioRxiv · BioinformaticsAI 评分6767 人类转录起始序列基础的深度模型图谱
He、Tian 和 Kundaje 构建了一个基于超过 200 个转录起始谱实验的深度模型图谱，覆盖人类主要器官和多种癌症类型。模型可从局部 DNA 序列准确预测转录起始模式，并在不同细胞环境中解码序列决定因素。
NVIDIA Blog精选AI 评分6161 NVIDIA 与 C-BRAIN 合作如何用 AI 加速 Alzheimer’s 病研究
NVIDIA 与 C-BRAIN 正利用 AI 和加速计算整合 Alzheimer’s 研究数据，并将部分分析从数周至数月缩短至数分钟。C-BRAIN 由 18 家机构组成，目前运行 64 块 NVIDIA 数据中心 GPU，并结合 Microsoft Azure 云节点，正与 NVIDIA 引入 NVIDIA BioNeMo 和 MONAI 技术。
推荐理由：文中给出 dark data 的混合集中与联邦处理方案，以及两个 agentic AI 工具的耗时与成本表现，便于理解 Alzheimer’s 研究的提速路径。
Cell GenomicsAI 评分4545 序列到功能深度学习模型揭示低亲和力转录因子结合位点的隐藏功能
Weilert等人利用序列到功能的深度学习模型，在小鼠胚胎干细胞中系统绘制低亲和力先导因子结合位点。研究揭示，这些位点通过软语法核小体协同作用促进染色质开放；这类位点功能重要，但过去难以定位且机制知之甚少。
Arc Institute · News精选AI 评分8282 Arc Institute 发布利用人工整理生物知识的虚拟细胞模型 PIE
Arc Institute 发布虚拟细胞模型 PIE，利用人工整理的生物知识预测未见细胞情境、扰动及其组合中的群体响应。在各设置下，PIE 分类差异表达基因的 AUPRC 达到最强竞争方法的 1.2 to 3.2 times，未见扰动时增幅最大，但情境与扰动均未见时准确率会下降。完整代码、训练与评测流水线已上 GitHub，模型检查点和处理后的公开数据集已发布在 Hugging Face。
推荐理由：PIE将人工整理的生物知识作为输入，并给出跨未见扰动、细胞情境和数据集的对比结果，便于理解其泛化范围与限制。