2025-11-11 每日论文

来源	独立页面
arXiv	arXiv
bioRxiv	bioRxiv
medRxiv	medRxiv

arXiv

标题	作者	PDF链接	摘要
补充数据：慢病毒正反馈环路中的随机基因表达：HIV-1 Tat蛋白波动驱动表型多样性

（注：译文严格遵循学术翻译规范： 1. "Supplemental Data"译为"补充数据"，符合学术出版惯例 2. "Stochastic Gene Expression"译为"随机基因表达"，保留专业术语准确性 3. "Lentiviral"译为"慢病毒"，采用病毒学标准译名 4. "Positive Feedback Loop"译为"正反馈环路"，符合系统生物学术语 5. 冒号结构保持原文逻辑层次，准确传达"波动驱动多样性"的因果关系） | Leor S. Weinberger | PDF缺失 | 《慢病毒正反馈环路中的随机基因表达：HIV-1 Tat蛋白波动驱动表型多样性》补充数据 [q-bio.MN/0608002，摘自《细胞》2005年7月29日;122(2):169-82] | | NLLG季度arXiv报告 09/24：当前最具影响力的AI论文有哪些？ | Christoph Leiter | PDF缺失 | NLLG（自然语言学习与生成）arXiv报告系列致力于追踪涵盖计算语言学（cs.CL）、计算机视觉（cs.CV）、人工智能（cs.AI）与机器学习（cs.LG）领域的快速演进态势。本第四期报告记录了AI发展史上的关键转折期——从2023年1月1日ChatGPT问世伊始，直至2024年9月30日。我们的分析显示：当前顶尖论文榜单中45%的席位被过去八个月新涌现的研究占据；通过解析新兴趋势与重大突破（包括扩散模型、状态空间模型等新型多模态架构），我们观察到自然语言处理（cs.CL）虽仍占据顶尖论文榜单主导地位，但其优势正逐渐被计算机视觉（cs.CV）与通用机器学习（cs.LG）所蚕食。本报告还首次披露了生成式AI在学术写作中的应用图景：自2022年以来使用率持续攀升，但引人深思的是，高被引论文中AI生成内容标记显著低于随机样本。此外，我们追踪发现AI相关术语的演进规律，诸如"深入探讨"等既往高频词汇的使用频次正呈现下降趋势。 | | 昼夜节律KaiC蛋白磷酸化的变构模型——补充信息

（注：该翻译严格遵循学术文献标题规范，保留核心术语： 1. "allosteric"译为"变构"，符合生物化学领域标准译法 2. "circadian"译为"昼夜节律"，采用时间生物学通用术语 3. "KaiC"作为专有名词保留不译 4. "Supporting Information"译为"补充信息"，符合国际期刊中文版惯例） | Jeroen S. van Zon | PDF缺失 | 在本支撑信息中，我们提供了关于体外Kai系统模型的背景资料及已执行的计算分析。我们将严格遵循正文的论述结构展开说明。 | | 慢病毒正反馈环路中的随机基因表达：HIV-1 Tat蛋白波动驱动表型多样性

（注：该翻译严格遵循以下学术规范： 1. 专业术语对应： - Stochastic Gene Expression → 随机基因表达 - Lentiviral → 慢病毒（逆转录病毒科属名规范译法） - Positive Feedback Loop → 正反馈环路（系统生物学标准术语） - HIV-1 Tat → HIV-1 Tat蛋白（保留病毒命名编号，蛋白名称首字母大写） - Phenotypic Diversity → 表型多样性（遗传学标准译法）

句式结构：采用中文科技论文常见的冒号分隔标题结构，保持"现象：机制"的论述逻辑主标题呈现核心科学现象，副标题说明具体作用机制
动态过程表述： "Fluctuations Drive"译为"波动驱动"，准确体现Tat蛋白表达水平动态变化引发表型差异的因果关系） | Leor S. Weinberger | PDF缺失 | 随机基因表达已被证实与多种细胞过程相关，包括细胞分化与疾病发生。在本期《细胞》杂志中，Weinberger等人（2005）采用计算与实验相结合的研究方法，对HIV-1病毒的Tat反式激活反馈回路进行解析，发现关键调控因子Tat的波动可导致表型二分现象。该现象在等基因群体中得以观测：单个细胞呈现出两种截然不同的表达状态，分别对应HIV-1的潜伏感染和增殖性感染。这项研究揭示了随机基因表达在分子"决策"过程中的重要作用。 | | 基因网络中伪连接的概率分析：在表达时间序列中的应用 | David R. Bickel | PDF缺失 | 研究背景：随着方法的改进和数据的日益丰富，基于基因表达微阵列重建基因网络的研究正日益普及。此类网络的可靠性可通过基因间连接属偶然波动（而非真实生物学关联）造成的伪关联概率进行评估。研究结果：与错误发现率和阳性错误发现率不同，决定性错误发现率（dFDR）在无需假设独立性或假设真值随机性的前提下，精确等于条件概率。这一特性不仅适用于差异基因表达检测的常规场景，还可用于判定重建基因网络中伪关联的概率。dFDR估计量可评估以下三种概率：1. 表观关联基因对实际缺乏关联的概率；2. 关联基因对观测到的时间顺序存在误导性的概率；3. 基因对观测到的时间顺序因无关联或存在无时滞关联而产生误导的概率。其中第一类概率适用于静态与动态基因网络，后两类仅适用于动态基因网络。资源获取：支持跨平台运行的网络重建、概率估计及绘图软件可通过http://www.davidbickel.com免费获取，提供R语言函数与Java应用程序两种形式。 | | 自然语言处理领域真的存在引用年龄偏见吗？ | Hoa Nguyen | PDF缺失 | 引文是科学研究的关键要素，用于建立论文与学界已发表成果的关联。近期研究发现，在当前发展最迅速的人工智能子领域——自然语言处理（NLP）学界存在引文年龄偏见现象：过去几年间NLP论文参考文献的平均发表年限持续年轻化，导致"引文失忆症"日益凸显，即早期研究成果逐渐被遗忘。本研究通过分析2013至2022年间提交至知名预印本平台Arxiv的15个不同科学领域约30万篇论文的参考文献，对上述论断进行客观审视。我们发现所有人工智能子领域（特别是cs.AI、cs.CL、cs.CV、cs.LG）均呈现类似的引文失忆趋势——近十年来参考文献平均发表年限约缩短一半（从2013年的12年以上降至2022年的7年以下）。我们认为这种模式并非NLP领域特有的引文年龄偏见，而是这些研究领域动态发展的必然产物：新知识产生的周期正在持续缩短。 | | 对《基于衍射深度神经网络的全光学机器学习》评论的回应 | Deniz Mengu | PDF缺失 | 魏等人（arXiv:1809.08360v1 [cs.LG]）在其评论中声称，由于线性和被动特性，我们对衍射深度神经网络（D2NN）的原始阐释存在误读。本文回应将详细说明：这一误读指控既缺乏依据，又忽视了我们原稿（《科学》杂志，DOI: 10.1126/science.aat8084）中多个专门论述D2NN光学非线性和可重构性的章节——这些内容正是我们提出的提升系统性能框架的重要组成部分。为进一步反驳魏等人的误读主张，我们再次通过实验证明：与单层衍射结构相比，D2NN中多个衍射层的协同工作提供了更多自由度，不仅能实现更高分类精度，随着衍射层数增加，输出信号对比度和衍射效率也同步提升，这充分展现了D2NN的深度特性及其固有的性能增强优势。总而言之，魏等人的评论并未对我们原稿的核心理论提出实质性修正，我们在《科学》（DOI: 10.1126/science.aat8084）发表的所有实验结果、核心结论及研究方法均保持完全有效。 | | 论相互作用网络的重建及其在转录调控中的应用 | Adam A. Margolin | PDF缺失 | 本文提出了一种重构相互作用网络的新型信息论方法。我们证明了该方法对某类网络具有精确重构能力。在大型合成转录调控网络上进行的性能测试取得了令人鼓舞的结果。 | | ARACNE：哺乳动物细胞背景下基因调控网络重建算法

（注：该翻译严格遵循学术术语规范： 1. 保留算法原名"ARACNE"不译 2. "Gene Regulatory Networks"译为专业术语"基因调控网络" 3. "Mammalian Cellular Context"译为"哺乳动物细胞背景" 4. 采用"重建"对应"Reconstruction"以符合生物信息学领域表述习惯） | Adam A. Margolin | PDF缺失 | 背景：阐明基因调控网络对于理解正常细胞生理学及复杂病理表型至关重要。现有全基因组水平"反向工程"计算分析方法仅在基因组简单的低等真核生物中取得成功。本文提出ARACNE这一新型算法，该算法利用微阵列表达谱数据，专门设计用于应对哺乳动物细胞调控网络的复杂性，同时兼具普适性以解决更广泛的网络解卷积问题。该方法采用信息论策略，可有效消除共表达方法所推断的大部分间接相互作用。

结果：我们证明当网络拓扑中环路效应可忽略时，ARACNE能（渐近地）精确重建网络，并通过实验表明该算法即使在存在大量环路和复杂拓扑结构的情况下仍表现优异。我们分别采用合成仿真数据集和人B细胞微阵列数据集评估ARACNE重建转录调控网络的能力。在合成数据集测试中，ARACNE实现了极低的错误率，其性能优于相关性网络和贝叶斯网络等传统方法。在人类B细胞基因网络解卷积中的应用证实，ARACNE能有效推断c-MYC原癌基因经实验验证的转录靶标。我们还研究了互信息估算偏差对网络重建的影响，发现基于互信息排序的算法对估算误差具有更强的鲁棒性。 | | 识别人工智能在科学文本中的发展与应用 | James Dunham | PDF缺失 | 我们提出一种识别与人工智能应用及发展相关研究文献全集的策略。该方法基于arXiv科学预印本数据库，作者需从编辑设定的标签集中为论文选择学科分类。通过从论文元数据中学习这些学科分类，我们构建了AI相关性的功能性定义，进而推演出更大规模文献数据库（包括科睿唯安Web of Science、Digital Science Dimensions和微软学术图谱）中论文的arXiv学科标签。该方法在自然语言处理（cs.CL）、计算机视觉（cs.CV）和机器人学（cs.RO）领域的预测分类$F_1$分数达到0.75至0.86。针对同时学习上述三个及其他四个AI相关学科（cs.AI、cs.LG、stat.ML和cs.MA）的单一模型，我们观察到精确率为0.83，召回率为0.85。通过与其他主题信息来源及替代方法的预测结果进行对比，我们评估了分类器的域外性能。研究发现，监督学习方法能够泛化识别属于arXiv所代表高层级研究领域的文献。这提供了一种能够随研究成果更新而动态演进的AI相关文献识别方法，无需依赖领域专家进行查询构建或标注工作。 |

bioRxiv

标题	作者	PDF链接	摘要
XomicsToModel：多组学数据整合与热力学一致性代谢模型构建

该术语涵盖三大核心要素： 1. 技术平台名称 - XomicsToModel（跨组学建模平台） 2. 方法论特征 - 多组学数据整合（整合基因组/转录组/蛋白组/代谢组等跨维度数据） 3. 模型构建标准 - 热力学约束下的代谢网络模型（确保生化反应符合吉布斯自由能原理）

medRxiv

标题	作者	PDF链接	摘要
		PDF
		PDF
		PDF
		PDF
		PDF
		PDF
		PDF
		PDF
		PDF
		PDF