本文探讨了质量作用定律、Michaelis-Menten模型和Hill方程在化学反应和基因调控中的应用，分析了酶与底物结合过程中的反应速率与浓度关系，强调了Hill方程在基因调控网络中的普遍性，并指出建模假设和简化对结果的重要性，以及计算方法在生物学研究中的潜力。

研究表明，老年斑的形成并非由于日晒，而是由于表观遗传信息的崩溃。DNA甲基化从极端值回归中间值，导致基因调控失控，激活慢性炎症，进而引发皮肤结构重塑和色素异常积累。研究强调恢复基因调控系统的重要性，而非仅仅修复损伤。

卡罗琳·乌勒是麻省理工学院的工程教授，专注于生物系统中的因果关系。她探讨了机器学习在生物学中的应用，指出数据革命为解决生物学问题提供了新机遇。尽管机器学习在预测方面表现优异，但生物学中的因果问题仍需创新方法。乌勒的研究包括预测蛋白质亚细胞位置和基因调控，旨在推动生物医学科学的发展。

本文介绍了Boolformer，一种基于Transformer的模型，专用于布尔函数的符号回归。它能够在给定真值表的情况下，预测复杂函数的紧凑公式，并在不完整或噪声数据下找到良好的近似表达。Boolformer在多个二分类数据集上表现优异，作为经典机器学习方法的可解释替代方案，并在基因调控网络动态建模任务中速度远超先进遗传算法。

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。

麻省理工学院研究人员开发了ChromoGen，一种利用生成式人工智能预测单细胞染色质构象的新方法。该技术能在几分钟内生成数千个3D基因组结构，显著提升研究效率，并捕捉细胞特异性的染色质结构，为基因调控和功能研究提供新机遇。

研究团队提出了转录因子结合单元（TFBU）概念，利用深度学习量化转录因子结合位点（TFBS）周围序列的影响，开发了增强子设计工具DeepTFBU。研究表明，设计TFBS上下文序列能显著调节增强子活性，提升细胞类型特异性反应，为基因调控提供了新思路。

该论文介绍了MATES，一种基于深度学习的单细胞转座子定量工具。MATES通过分析独特比对读段的分布，精确分配多重比对读段，解决了转座子定量中的挑战。该方法在多个单细胞测序平台上验证，推动了转座子在基因调控研究中的应用。

中国科学院团队开发了GeneCompass模型，整合多物种单细胞转录组数据和生物学知识，提升基因调控理解和任务性能。模型处理了1.26亿个人类和小鼠单细胞数据，覆盖3.6万个基因，展示了跨物种基因调控的保守性。GeneCompass在基因扰动和药物反应预测中表现出色，推动生命科学研究。

南加州大学和华盛顿大学的研究人员开发了DeepPBS深度学习模型，用于预测蛋白质-DNA结合的特异性。该模型从蛋白质-DNA结构中提取重要性得分，并通过诱变实验验证。DeepPBS在预测结合特异性和设计蛋白质-DNA复合物方面表现出色。该研究有助于理解基因调控和加速新药和治疗方法的设计。