该研究结合现有全基因组测序数据和新的转录组测序数据，提供了一个大型开放获取的数据集MAGE，可用于研究多祖先人类基因表达和剪接的多样性和进化。

SOMA展示了分子生物学和精准医学的现代工具如何帮助人类跨入更具挑战性的领域。以下为SOMA系列部分文章的内容简介。

该研究采用无偏倚的质谱法，通过比较PD和HC样本，发现PD患者血浆中存在早期炎症特征；并通过机器学习方法确定了8种血液生物标志物，能以100%的特异性区分PD和HC，可在发展为DLB或运动型PD前7年识别出79%的iRBD受试者。

该研究揭示了一种新的超重或肥胖的遗传倾向。

scEpiChem技术可以同时检测药物小分子与表观基因组的互作动力学

ROAM是一种弱监督计算病理学方法

CGMega是一个基于Transformer的图注意力网络模型，其任务性质为半监督的图节点分类学习。

这一开创性的研究展示了蛋白质基因组学在癌症治疗靶点识别中的巨大潜力。

新技术Telo-seq可解决端粒序列分析难题，以前所未有的分辨率研究发育、衰老和癌症过程中的端粒生物学

研究团队开发的AMPLON方法是利用独特的多臂PEG实现等温扩增。