GeneBench-Pro是一个新基准，用于评估智能体在多阶段统计推理中的能力，涵盖基因组学和药物基因组学等领域。该基准包含129个经过专家审查的问题，旨在模拟真实的科学分析过程。尽管现有模型在某些任务上有所提升，但整体通过率仍较低，尚未实现完整的推理闭环，未来需要增强模型的规划和自我修正能力。

高通量测序技术与人工智能结合，推动基因组学发展。厦门大学林琛教授提出自适应分词机制，利用AI高效解读DNA序列，提升基因功能预测与疾病标志物识别能力。GenArt模型在无监督条件下自动识别生物功能边界，为基因组研究提供新思路。

GPT-Rosalind系列模型更新，专为生命科学研究设计，提升了药物发现智能和工具使用能力。该模型在生物学、药物化学和基因组学等领域表现出显著提升，通过LifeSciBench基准测试在科学证据处理、分析和优化等任务中表现优异。现已向全球合格组织开放，旨在加速科学发现和药物研发。

本研究是全球最大规模的多队列蛋白质基因组学分析，涵盖78,664名受试者，鉴定出24,738个蛋白质数量性状位点，揭示了循环蛋白的遗传调控规律。研究强调反式遗传调控在疾病机制中的重要性，为药物开发提供了新线索，尤其在自身免疫性疾病的研究中具有潜在应用价值。

Imec首次在300毫米晶圆上成功应用EUV光刻技术制造固态纳米孔，解决了变异性和集成问题。该技术可用于生物传感和基因组学，纳米孔尺寸可达10纳米，未来有望实现更小孔径。

谷歌DeepMind推出了AlphaGenome，一个新AI模型，能够预测基因变异对基因调控的影响。该模型处理最多100万碱基对的DNA，提供高分辨率的基因表达和RNA剪接预测。AlphaGenome结合卷积神经网络和变换器，训练效率高，直接建模RNA剪接位点，助力遗传疾病研究。该模型现已通过API供非商业研究使用，推动基因组学进展。

AlphaGenome是一种新型人工智能工具，能够准确预测人类DNA序列中的变异对基因调控的影响。该模型处理长达100万字母的DNA序列，提供高分辨率的分子特性预测，帮助科学家理解基因功能和疾病生物学。AlphaGenome现已通过API供非商业研究使用，旨在推动基因组学和医疗健康领域的新发现。

在最新一期的《随机秀》中，Tim Ferriss与Kevin Rose讨论了健康科技、减少饮酒的技巧、成人乐高的乐趣，以及日本和台湾的咖啡与茶文化。他们还分享了基因组学和医疗检查的见解，强调定期体检的重要性。

斯图尔特·莱文是麻省理工学院生物微型中心主任，负责基因组学和生物信息学支持，服务超过100个实验室。他强调共享资源的重要性，推动科学研究进步，凭借其领导和专业知识，帮助研究人员解决多种科学问题。

Python在生物信息学和基因组学中应用广泛，尤其在疾病基因的计算克隆方面。其丰富的库和强大的社区支持，使得数据检索、序列分析、基因预测和变异分析等任务高效进行。此外，Python还可用于机器学习和工作流自动化，帮助研究人员分析基因组数据并预测基因与疾病的关联。

研究团队开发了多组学单细胞最优传输（Moscot），有效分析细胞发育轨迹并支持多模态数据整合，克服了现有方法的局限，提升了单细胞基因组学的研究能力，有助于理解器官发育和疾病机制。

生物信息学是计算机科学与生物学的交叉学科，广泛应用于基因组学、药物发现和个性化医疗。该领域职业机会丰富，要求掌握编程、数据分析和生物学知识。随着人工智能和大数据的发展，生物信息学人才需求激增。

研究人员提出了Nucleotide Transformer模型，通过预训练DNA序列，整合3202个人类基因组和850种物种的信息，能够在数据稀缺的情况下准确预测分子表型。该模型在基因组学应用中表现优异，微调成本低，适用于多种任务。研究表明，跨物种训练的模型在预测准确性上优于单一物种训练，未来可探索遗传变异的最佳采样方式。

单细胞基因组学推动了细胞行为理解和精准医疗的发展，但现有单细胞测序技术存在局限。最优传输（OT）方法有效，但传统求解器在可扩展性和隐私方面存在问题。基于神经网络的OT求解器灵活性不足。我们的方法通过学习随机映射，放宽质量守恒约束，结合二次求解器，提供了灵活有效的框架，展示了在细胞发展和药物反应建模等领域的应用潜力。