👋 Welcome to BioF3's Paper Digest! Today's edition features 0 GitHub projects and 4 research papers from bioRxiv, arXiv, and PubMed.
Content generated by GLM-4.7 (Deep Thinking Mode) 🧠
1. BEDCrypt: Privacy-preserving interval analytics with homomorphic encryption
📄 arXiv Paper | Date:
2026-02-25| Category:q-bio.GN
Authors: Kimon Antonios Provatas, Ilias Georgakopoulos-Soares
AI Research Digest (科研解读)
一句话概括 该研究提出了 BEDCrypt 系统，利用同态加密技术实现了在不向服务器泄露明文数据及查询意图的前提下的基因组区间数据分析。
研究背景
随着基因组计算负载向第三方基础设施外包的趋势增加，如何既保护原始数据的隐私，又防止通过查询模式泄露分析意图（即查询位点隐私），成为亟待解决的安全挑战。
方法创新
BEDCrypt 基于同态加密构建，在诚实但好奇的服务器模型下，使服务器能够在密文空间直接执行核心区间运算。系统支持无需解密的覆盖率汇总、区间交集、窗口邻近查询及集合相似性统计，实现了端到端的隐私保护计算。
关键发现
- 实现了包括覆盖率汇总、区间交集、邻近性查询及集合相似性统计在内的多种核心基因组区间分析功能。
- 在保证计算功能完整性的同时，确保了服务器端无法获取原始区间数据和客户端具体的查询基因组位点。
实际意义
为生物信息学云平台提供了一种兼顾数据安全与计算效率的解决方案，使得科研机构能够安全地将敏感的基因组分析任务外包给第三方云服务商，
2. Prediction of source nutrients for microorganisms using metabolic networks
📄 arXiv Paper | Date:
2026-02-25| Category:q-bio.MN, q-bio.QM
Authors: Olivia Bulka, Chabname Ghassemi Nedjad, Loïc Paulevé et al.
AI Research Digest (科研解读)
一句话概括 本研究提出了一种基于基因组尺度代谢网络建模的计算方法，旨在预测微生物生长所需的特定源营养物质，以指导难培养微生物的实验分离与培养策略。
研究背景
尽管宏基因组学极大地降低了微生物发现的门槛，但非模式微生物的深度研究仍依赖体外培养，而现有高通量培养手段受限于实验变量繁多与资源消耗，亟需计算生物学方法来缩小潜在的实验筛选范围。
方法创新
该研究详细阐述了从注释基因组构建代谢网络模型的标准化流程，并提供了从简化的玩具网络示例扩展至全基因组尺度代谢网络（GEM）应用的完整技术方案，利用代谢建模反向推导维持微生物生长所必需的底物。
关键发现
- 建立了一套通用的计算框架，能够利用基因组注释信息构建代谢网络并精准预测微生物的源营养需求。
- 该方法具有高度的可扩展性，可适用于任何源自基因组的代谢网络，为目前尚未被培养的微生物提供了关键营养条件的理论预测。
实际意义
该研究为微生物培养组学提供了高效的“干实验”预筛选工具，能够显著降低湿实验的试错成本，加速未培养微生物的资源挖掘与功能机制研究。
领域归类
领域：基因组/变异, 蛋白组/代谢组
3. Integrated bioinformatics-based identification of proliferative diabetic retinopathy and idiopathic pulmonary fibrosis: Focus on fibrosis and immune infiltration.
📄 PubMed Article | Date:
2026 Feb 23| Category:PloS one
Authors: Cao J, Dong F, Li X et al.
AI Research Digest (科研解读)
4. Untitled
📄 PubMed Article | Date:
| **Category:**
AI Research Digest (科研解读)
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7