机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

该研究探讨了RNA亚细胞定位的预测，提出了利用人工智能和机器学习的新方法，解决了传统方法在时间和资源上的消耗问题。这些新方法能够大规模预测RNA定位，推动RNA研究并为疾病治疗提供指导。

本研究解决了传统加密系统在后量子时代面临的脆弱性问题，提出了一种新的生物融合加密框架crypto-ncRNA，该框架利用非编码RNA的动态折叠特性生成高熵、抗量子攻击的密钥，并生成不可预测的密文。实验显示，尽管crypto-ncRNA的加密速度略低于AES，但在效率和可扩展性上显著优于RSA，并在NIST SP 800-22随机性测试中取得100%的通过率，展示了其在保护数字基础设施方面的潜力和高效性。

新加坡国立大学的张阳教授团队开发了深度学习框架DRfold2，显著提升了非编码RNA的三维结构预测精度，超越现有方法，为RNA结构解析提供了新计算手段，推动了分子生物学的发展。

阿尔茨海默病等神经退行性疾病与蛋白质-RNA结合异常有关。研究者提出CoPRA模型，通过结合蛋白质和RNA的语言模型，预测结合亲和力，取得了优异的性能，推动了生物医学研究的进展。

本研究提出了一种新的潜在编码scDD框架，旨在解决单细胞RNA测序数据的高维稀疏性和批次效应问题。该方法通过压缩基础模型知识和原始数据，生成合成的scRNA-seq数据集，显著提升数据分析性能，绝对提高7.61%，相对提升15.70%。

本研究解决了RNA分子设计中与特定蛋白质相互作用的挑战，提出了一种深度学习模型RNA-BAnG，能够在没有大量实验确定的RNA序列或对RNA结构深入了解的情况下生成RNA序列。通过双向锚定生成的创新方法，该模型显示出在生物序列的条件RNA序列设计中的有效性，具有显著的潜在影响。

聚合酶是一种催化DNA或RNA聚合的酶，利用现有的RNA或DNA链作为模板。术语“in silico”指计算机模拟，“in vitro”指试管实验，而“in vivo”则指活体实验。

本研究提出了Life-Code框架，整合多组学数据，解决了现代生物预训练模型在分析DNA、RNA和蛋白质相互作用时的不足。该框架通过逆转录和逆翻译过程，实现了对复杂基因序列的全面理解，实验结果显示其在多项任务上表现优异，展现了在多组学分析中的潜力。

该研究提出了一种新颖的图神经网络模型，旨在提升单细胞RNA测序在肿瘤微环境中对细胞异质性的研究。该模型显著提高了细胞类型预测和细胞间相互作用分析的准确性，平均准确率达到84.83%。

国内首个国产版AlphaFold3——HelixFold3发布，精准度超越AlphaFold3，支持在线服务，零代码操作，推理成本低，速度快。该模型在RNA和抗原-抗体结构预测中表现优异，助力药物研发，降低科研成本。

本研究分析了新辅助mFOLFOX6化疗在局部晚期直肠癌患者中的疗效，结果显示其与传统治疗方案在长期生存率上无显著差异。同时，CLEAR试验表明Lenvatinib与Pembrolizumab联合治疗晚期肾细胞癌的效果优于Sunitinib。研究强调了亚组分析的重要性，揭示了不同治疗方案的预后因素。