👋 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. Causal Cellular Context Transfer Learning (C3TL): An Efficient Architecture for Prediction of Unseen Perturbation Effects
📄 arXiv Paper | Date:
2026-03-13| Category:q-bio.QM
Authors: Michael Scholkemper, Sach Mukherjee
AI Research Digest (科研解读)
2. RXNRECer Enables Fine-grained Enzymatic Function Annotation through Active Learning and Protein Language Models
📄 arXiv Paper | Date:
2026-03-13| Category:q-bio.QM
Authors: Zhenkun Shi, Jun Zhu, Dehang Wang et al.
AI Research Digest (科研解读)
一句话概括 RXNRECer 提出了一种融合主动学习与蛋白质语言模型的集成框架，摒弃了传统依赖 EC 号的中介策略，实现了对酶催化生化反应的直接、细粒度预测。
研究背景
现有的酶功能注释方法通常依赖 EC 号作为中介来推断生化反应，然而蛋白质、EC 号与反应之间存在复杂的多对多映射关系，加之数据库频繁更新和不一致性，导致传统方法存在显著的歧义和局限性。
方法创新
该研究开发了基于 Transformer 的集成框架 RXNRECer，其核心创新在于完全绕过 EC 号码，直接预测酶催化反应。技术亮点在于结合了蛋白质语言模型以捕获序列的高级语义特征，并引入主动学习策略来精准捕捉细粒度的反应转化模式，同时利用大语言模型为预测结果提供可解释的依据。
关键发现
- 在交叉验证和时间测试集上，RXNRECer 的性能显著优于六种基于 EC 的基准方法，F1 分数和准确率分别提升了 16.54% 和 15.43%。
- 该方法在识别酶杂泛性、细化通用反应模式以及系统注释未整理蛋白方面表现出色，能够有效解决传统方法在特异性上的不足
3. High-throughput single-cell omics using semipermeable capsules.
📄 PubMed Article | Date:
2025 Dec 18| Category:Science (New York, N.Y.)
Authors: Baronas D, Norvaisis S, Zvirblyte J et al.
AI Research Digest (科研解读)
4. Taurochenodeoxycholic acid alleviates obesity-induced endothelial dysfunction.
📄 PubMed Article | Date:
2026 Mar 9| Category:European heart journal
Authors: Lu H, Wu Z, Wan M et al.
AI Research Digest (科研解读)
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7