👋 Welcome to BioF3's Weekly Roundup! Today's edition features 1 GitHub projects and 4 research papers from bioRxiv, arXiv, and PubMed.
Content generated by GLM-4.7 (Deep Thinking Mode) 🧠
1. BI-BE-CS-183-2023
🔧 GitHub Project | Language:
Jupyter Notebook| ⭐518| 🍴77
Introduction to Computational Biology and Bioinformatics Course at Caltech, 2023
AI Technical Review (深度解读)
一句话定位 Caltech计算生物学与生物信息学课程：Lior Pachter教授主讲的现代生物数学与算法导论。
痛点直击
你是否渴望深入理解单细胞测序背后的数学原理，却苦于找不到将线性代数、统计模型与生物问题完美结合的系统教程？你是否在面对海量生物数据时，缺乏从算法底层逻辑到实际编程实现的完整知识链条？
核心亮点
- 理论与实践深度融合：课程以单细胞RNA测序为核心应用场景，串联起线性代数（SVD、降维）、统计推断（广义线性模型、多重检验）及经典算法（动态规划、HMM），构建了完整的数理生物学知识体系。
- 顶级学术视野：由计算生物学权威Lior Pachter教授亲自操刀，内容不仅涵盖技术细节，更深入探讨相关性vs因果性、化学主方程等深层次理论，帮助学习者建立严谨的科学思维。
- 即学即用的代码实践：配套Google Colab笔记本和完整的习题集（含解答），让抽象的数学公式在Python环境中落地，切实提升解决实际生物数据分析问题的能力。
适用人群
具备一定数学基础且希望系统学习计算生物学的本科生/研究生、生信分析师、以及希望深入理解算法底层原理的生物学研究者。
领域归类
领域：单细胞, 转录组, 其他
2. Exact Discrete Stochastic Simulation with Deep-Learning-Scale Gradient Optimization
📄 arXiv Paper | Date:
2026-02-23| Category:q-bio.QM, q-bio.MN
Authors: Jose M. G. Vilar, Leonor Saiz
AI Research Digest (科研解读)
3. Time-Varying Hazard Patterns and Co-Mutation Profiles of KRAS G12C and G12D in Real-World NSCLC
📄 arXiv Paper | Date:
2026-02-22| Category:q-bio.QM
Authors: Robert Amevor, Dennis Baidoo, Emmanuel Kubuafor
AI Research Digest (科研解读)
一句话概括 本研究利用真实世界数据，揭示了非小细胞肺癌中 KRAS G12C 与 G12D 亚型在至下一次治疗时间（TTNT）和总生存期（OS）上的差异，特别是发现了风险比随时间变化的动态特征及共突变谱的显著区别。
研究背景
KRAS 突变是非小细胞肺癌（NSCLC）中最大的致癌驱动亚群，尽管针对 G12C 的靶向药物已获批，但 G12D 亚型尚无有效疗法。该研究旨在通过大规模真实世界队列，深入比较这两种常见突变亚型的临床预后及基因组学特征，以填补 G12D 相关研究的空白。
方法创新
研究并未局限于传统的 Cox 比例风险模型，而是针对 Schoenfeld 残差检验提示的边际非比例性，创新性地引入了预设的分段 Cox 模型（以中位 TTNT 23 个月为界），并结合 Bootstrap 重采样（B=1000）验证模型稳定性。这种分析方法有效捕捉了风险比随时间演变的动态规律，克服了传统模型在处理非比例风险时的局限性。
关键发现
- 分段 Cox 模型揭示了显著的时间依赖性效应：在治疗早期（<23个月），KRAS G12D 的 TTNT 风险显著低于 G12C（HR=0.41），表现出早期治疗优势；而晚期阶段差异消失，这与整体分析中被掩盖的动态效应截然不同。
- G12D 突变患者展现出更优的总生存期（OS，调整后 HR=0.63），且 G12C 肿瘤具有更高的肿瘤突变负荷（TMB）以及更显著的 STK11 和 KEAP1 共突变富集。
实际意义
该研究强调了在评估临床终点时检验比例风险假设的重要性，提示不同 KR
4. 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)
5. Bioinformatics and clinical analysis reveal the potential diagnostic and prognostic role of DLD for pan cancer and renal carcinoma.
📄 PubMed Article | Date:
2026 Feb 17| Category:Discover oncology
Authors: Sun F, Zhang D, Ma X et al.
AI Research Digest (科研解读)
一句话概括 本研究通过生物信息学与临床分析，阐明了二氢硫辛酰胺脱氢酶（DLD）在泛癌中的异常表达及其作为肾癌诊断标志物和预后因子的潜力。
研究背景
二氢硫辛酰胺脱氢酶（DLD）作为线粒体三羧酸循环中的关键酶，其在肿瘤发生发展中的作用尚未被完全阐明，亟需系统性的泛癌分析以明确其临床应用价值。
方法创新
研究整合了TCGA等多组学公共数据库资源，结合差异表达分析、生存回归模型及免疫浸润评估等生物信息学手段，并辅以临床样本验证，构建了从分子特征到临床表型的多维分析框架。
关键发现
- DLD在多种肿瘤组织中表达显著异常，且其表达水平与肾癌患者的临床分期及预后密切相关。
- 免疫浸润分析表明，DLD的表达与肿瘤微环境中的免疫细胞丰度存在显著相关性，提示其可能参与调节免疫逃逸机制。
实际意义
该研究确立了DLD作为肾癌新型生物标志物的潜力，为肾癌的早期诊断、预后评估及靶向代谢治疗提供了新的理论依据和数据支持。
领域归类
领域：转录组, 临床/群体遗传
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7