👋 Welcome to BioF3's Daily Trends! Today's edition features 3 GitHub projects and 1 research papers from bioRxiv, arXiv, and PubMed.
Content generated by GLM-4.7 (Deep Thinking Mode) 🧠
1. CardamomOT
🔧 GitHub Project | Language:
Jupyter Notebook| ⭐1| 🍴0
Joint trajectory and GRN inference from single-cell temporal snapshots
AI Technical Review (深度解读)
一句话定位 CardamomOT：基于最优传输与机械模型的单细胞时间序列轨迹与调控网络联合推断工具
痛点直击
你是否在面对时间序列单细胞数据时，苦于无法将细胞发育轨迹与背后的基因调控机制进行联合建模？你是否发现传统的GRN推断工具往往忽略了转录爆发等动态过程，导致推断结果缺乏生物物理意义且难以验证？
核心亮点
- 联合推断架构：突破性地将轨迹推断与基因调控网络（GRN）推断融合，利用最优传输理论处理时间快照数据，实现了从细胞状态演化到分子互作机制的一体化解析。
- 机械模型驱动：摒弃纯统计学相关性分析，基于基因表达的生物物理模型（如转录爆发动力学），通过校准模型参数（如降解率、爆发频率）来推导调控关系，显著提升了结果的生物学解释性。
- 闭环仿真验证：集成了基于Harissa的仿真引擎，推断出的网络参数可直接用于模拟生成数据，通过对比模拟数据与真实数据的拟合度，为推断结果提供了严格的模型内验证手段。
适用人群
专注于时间序列单细胞转录组学分析的计算生物学家、发育生物学研究人员，以及需要构建动态
2. mascarade
🔧 GitHub Project | Language:
R| ⭐0| 🍴0
:exclamation: This is a read-only mirror of the CRAN R package repository. mascarade — Generating Cluster Masks for Single-Cell Dimensional Reduction Plots. Homepage: https://alserglab.github.io/mascarade/ Report bugs for this package: https://github.com/alserglab/mascarade/issues
AI Technical Review (深度解读)
一句话定位 Mascarade：单细胞降维可视化中精准提取聚类边界的R语言利器。
痛点直击
你是否在进行单细胞降维可视化时，面对复杂的UMAP或t-SNE散点图，难以精准界定或提取特定细胞簇的几何边界？你是否需要将聚类结果转化为可用于后续图像处理或叠加分析的掩码文件，却苦于缺乏自动化的提取工具？
核心亮点
- 精准边界计算：基于降维坐标自动识别并生成细胞簇的几何掩码，有效解决了传统散点图无法进行区域量化提取的问题。
- 矢量级输出支持：提供矢量图形格式的掩码输出，便于在专业绘图软件（如Illustrator）中进行图层叠加或二次编辑，显著提升图表的出版级质量。
- 无缝工作流集成：作为原生R包，能够直接兼容主流单细胞分析对象，无需复杂的数据转换即可从分析结果中快速生成可视化掩码。
适用人群
单细胞数据分析人员、生物信息学研究员、以及需要定制化高维数据可视化图表的科研工作者。
领域归类
领域：单细胞, 可视化
3. Single-cell-data-analysis-team-C
🔧 GitHub Project | Language:
R| ⭐1| 🍴0
Single cell data analysis project with 2 pipelines, one based on Darmanis et al. pipeline and one with newer tools published after 2016.
AI Technical Review (深度解读)
一句话定位 单细胞RNA测序分析流程对比复现项目：从经典Darmanis流程到现代Salmon+Seurat工具链的实战指南。
痛点直击
你是否在复现早期单细胞文献（如Darmanis et al. 2015）时因工具链陈旧、依赖缺失而受阻？你是否想直观对比传统基因组比对流程与现代转录组准比对方法的效率差异，却缺乏现成的平行案例？
核心亮点
- 双流程对比架构：并行提供了基于Darmanis et al. (2015)的经典流程（STAR + SCDE）与基于2016年后新工具的现代流程，直观展示了技术栈的演进与差异。
- 全链路自动化脚本：涵盖从SRA原始数据下载（集成SLURM作业调度）、Fastq质控、比对/定量到下游差异分析及可视化的完整脚本，具备极高的复用性。
- 工具链升级示范：具体展示了从传统Trim Galore/STAR向fastp/Salmon轻量级处理的迁移，以及从SCDE向Seurat生态系统的转换，为旧流程重构提供参考。
适用人群
单细胞测序初学者、生物信息学流程开发者、需要复现经典文献的研究人员。
领域归类
领域：单细胞, 转录组, 工作流/部署
4. Central Dogma Transformer III: Interpretable AI Across DNA, RNA, and Protein
📄 arXiv Paper | Date:
2026-03-24| Category:q-bio.GN
Authors: Nobuyuki Ota
AI Research Digest (科研解读)
一句话概括 本研究提出了 CDT-III 模型，通过模拟细胞空间区室化的双阶段架构，实现了跨越中心法则（DNA、RNA、蛋白质）的可解释性人工智能预测。
研究背景
现有的生物 AI 模型虽然能够预测复杂的细胞响应，但其学习到的潜在表征往往与底层的分子生物学过程（如转录、翻译）相脱节，缺乏内在的可解释性和机制关联。
方法创新
该研究设计了名为“虚拟细胞嵌入器”的两阶段架构，在模型结构上显式模拟
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7