🧬 计算生物¶

🧠 NeurIPS2026 · 11 篇论文解读

📌 同领域跨会议浏览： 🎞️ ECCV2026 (7) · 📷 CVPR2026 (21) · 🔬 ICLR2026 (155) · 💬 ACL2026 (5) · 🧪 ICML2026 (51) · 🤖 AAAI2026 (20)

🔥 高频主题： 生物分子 ×3

At FullTilt: Real-Time Open-Set 3D Macromolecule Detection Directly from Tilted 2D Projections: FullTilt 将已对齐的二维倾斜序列直接送入带多类别视觉提示的三维检测器，以跨倾角行注意力融合、近零倾角查询初始化和训练期几何增强替代三维体数据滑窗检测，在三个真实 cryo-ET 数据集上实现亚秒级零样本检测，但仍需要模拟数据预训练和输入对齐。
Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark: NMO 用三个受电极结合约束的纳米物理任务检验分子优化的真实迁移能力，并以显式锚位的 GGS 表示、随机分子预训练和遗传引导 GFN 找到具有物理研究价值的候选，但完整模型并非三个任务的 AUC 都最优。
CellMSA: Context Modeling for Single-Cell Representation Learning: CellMSA 将跨批次与相关类型细胞按基因对齐，用低维上下文提取基因对依赖并引导目标细胞编码，在有标签辅助检索的整合评测、无测试标签检索的分类评测和结合 STATE-ST 的扰动预测中取得较强结果。
Data-Driven Soft Labeling Scales DNA Read Classification to Whole-Body Cell-Type Deconvolution: Syto 用参考数据中甲基化模式对应的细胞类型分布替代单一来源硬标签，再将读段分类、样本解卷积与比例校准分开建模，在 39 类细胞的伪混合样本上把最佳报告配置的 MSE 从 CelFiE 的 \(3.28\times10^{-4}\) 降到 \(0.88\times10^{-4}\)，但这不是临床癌症检测验证。
Evolutionary foraging in grids: Intermittent search dynamics emerge in finite, depletable landscapes: 在有限、资源不可再生的二维网格中，让步长、速度和转角的经验分布通过遗传算法演化，而不是预设幂律运动；所得轨迹的二阶、四阶位移矩更符合间歇搜索模型，但这不等于证明智能体显式切换状态或该策略具有全局最优觅食性能。
FlyAOC: Evaluating Agentic Ontology Curation of Drosophila Scientific Knowledge Bases: FlyAOC 把果蝇基因知识库整理做成从大型全文语料检索到本体化候选输出的端到端评测，显示多智能体的上下文分区能改善已知可恢复注释的召回，但语义得分不等于生物事实的精确验证。
LEMON-ZEST: Evolution-Informed Tokenization for Efficient Protein Language Modeling: LEMON-ZEST 将进化保守片段聚类为共享词元，以随机切分和双头编码器同时学习全局检索表征与残基信息，使 200M 参数模型在多个折叠层级检索指标上超过大型基线，但并非所有分类层级或下游任务都最优。
PHOEBI: An Open-World Benchmark for Multi-Label Bacterial Identification in Phase-Contrast Microscopy: PHOEBI 用六种细菌的 40 个混合组合、约 120,000 张相差显微图像检验“见过菌种、没见过组合”的多标签识别，发现逐图训练的分类器严重失效，而冻结特征上的几何原型解码更稳定，但其优势必须相对全阳性基线和组合级置信区间解读。
PocketVE: Stable and Property-Guided Structure-Based Drug Design with Variance-Exploding Diffusion: PocketVE 将保留蛋白–配体共同坐标尺度的 VE/EDM 去噪、训练期口袋扰动和推理期多性质 CFG 联合起来，在 CrossDocked2020 上相对 guided TAGMol 将三维有效率从 58.6% 提高到 80.6%、应变能从 457.4 降至 127.9，但不宣称这些收益可单独归因于 VE，也不宣称全面领先所有对接指标。
Preserving DEG Rankings for Gene Discovery in Histology-Based Spatial Gene Expression Prediction: 本文把病理图像预测空间基因表达的目标从“每个基因的空间曲线是否相似”转向“组织对比中该优先研究哪些基因”，用形态学代理分组、可微 U 统计量和跨基因相关损失改善 DEG 排序及通路重合度，但不保证提升传统空间表达 PCC。
Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images: CELLO 在每个组织图像 tile 上共享一次病理基础模型编码，以连续位置查询和距离衰减交叉注意力预测细胞基因表达，在 52 对 H&E–Xenium 样本上提高平均 PCC，并在不计上游分割的计时中达到相对 DeepSpot2Cell 的平均 14.0 倍加速。