许多美国的公共供水系统使用无机氯胺对饮用水进行消毒，但无机氯胺的分解产物长期以来一直成谜。研究人员在一项新的研究中报告，他们发现了氯硝酰胺阴离子，这种化合物在自来水中的存在虽未得到确认，但它已为人们所知达 30 年之久。在数百万美国人的自来水中都能检测到这种化合物，但其毒性尚未得到测试，这促使人们呼吁对其立即进行毒理学评估，他们对公共供水系统中存在的氯胺的安全性提出了质疑。一个多世纪以来，对公共供水系统进行化学消毒有效地减少了由水传播的疾病，因为化学消毒能杀灭饮用水中的病原体。无机氯胺 —— 如一氯胺 (NH22Cl) 和二氯胺 (NHCl2) —— 已在美国广泛用于此目的；近三分之一美国人的自来水是用其进行处理的。然而，几十年来，人们一直怀疑氯胺分解会产生难以捉摸的化学副产物，其中包括可能具有未知毒性的含氮化合物。在这种消毒过程中的某个副产物（简称为“未被鉴定的产物”）一直未得到表征，尽管人们在 40 多年前就首次发现它了。通过将经典合成方法与高分辨率质谱和核磁共振 (NMR) 光谱分析等先进分析技术相结合，Julian Fairey 和同事分离并鉴定出氯硝酰胺阴离子 (Cl–N–NO2-) 是一种先前未被鉴定的无机氯胺的分解产物。Fairey 等人在一系列美国的氯胺化水系统中测定了氯硝酰胺阴离子的含量，他们所检测到的氯硝酰胺阴离子的浓度高达每升约 100 微克 (μg/l)，超过了为许多消毒副产物所设的典型监管上限（60-80 μg/升）。值得注意的是，这种化合物在使用替代消毒剂的水系统中并不存在。作者警告说，虽然尚未对其进行直接的毒理学研究，但计算分析表明，氯硝酰胺阴离子可能并非无害；他们强调，需要立即对源头水、成品饮用水和排放的废水进行毒理学评估和量化分析。Daniel McCurry 在相关的《视角》中写道：“Fairey 等人的研究结果可能会引发人们对使用氯胺化公共供水是否明智进行重新评估。无论氯硝酰胺阴离子是否有毒，它的发现都值得研究水的人和工程师进行反思。”

据一项新的研究披露，科学家首次对小须鲸的听力范围进行了直接测量，发现该物种可以觉察高达 90 千赫 (kHz) 的高频声音，表明其听觉灵敏度远高于之前所认为的。这些发现表明，须鲸（这是地球上最大的哺乳动物）受到的人为海洋噪音的影响可能比目前认识到的还要大，但由于对其听力范围的低估，它们被排除在受到法规保护的考量范围之外。几十年来，人们一直关注人为噪音对海洋哺乳动物的影响，这主要是因为几项值得注意的研究计划和与海军声纳噪音活动有关的知名鲸鱼搁浅事件。因此，人们在制定评估人为噪音对海洋哺乳动物影响的标准和阈值方面取得了长足进步。尽管研究人员建议使用行为变化、听力损伤（主要是噪声引起的听力丧失）和其他物理效应来衡量噪声对海洋哺乳动物的影响，但设定明确的阈值颇具挑战性，因为不同种类的海洋哺乳动物对噪声的反应差异很大且人们对造成差异的原因了解甚少。听力图 （这是说明动物听力敏感度的图表）对于鉴别影响海洋哺乳动物的声音频率至关重要。然而，虽然大多数主要海洋哺乳动物群体中至少会有一种代表性的物种有听力图，但须鲸却没有，因为它们体型庞大，因此要对其使用传统的听力测试是不切实际的。目前对须鲸听力的估测依赖于发声分析、解剖建模和行为研究等间接方法。 为了更好地了解海洋噪音会如何影响须鲸，Dorian Houser 和同事开发了一种新颖的扣押和释放须鲸方法，后者可暂时性地留住青春期的小须鲸（Balaenoptera acutorostrata）并对其进行听觉诱发电位 (AEP) 测试，该测试可通过测量脑对声音作出反应时产生的电信号来估测其听觉敏感度。利用挪威两个岛屿之间的一条天然通道和一个网状屏障系统，Houser 等人扣住了两头向北迁徙的青春期小须鲸。对它们的 AEPs 是通过暂时附着在这些鲸鱼皮肤上的镀金电极以非侵入性的方式进行记录的，而声学刺激则是通过附近的水下声音传感器传送的。虽然人们一直认为须鲸是纯粹接收低频声音的动物，但作者发现，小须鲸可以觉察高达 45 至 90 kHz 的频率——这个接收范围要比之前根据它们的耳朵解剖结构和其发声频率所认为的要高得多。

一项新的研究介绍了“Evo”——这是一种机器学习模型，它能以无与伦比的精度解码和设计从分子到基因组规模的 DNA、RNA 和蛋白质序列。Evo 的预测、生成和设计整个基因组序列的能力或可改变合成生物学的运作方式。Christina Theodoris 在一篇相关的《视角》中写道：“预测细胞中所有调控层突变的影响以及通过设计 DNA 序列来操纵细胞功能的能力将对疾病的诊治产生巨大影响。”DNA 仅由四个核苷酸组成，但它却能编码生命所必需的所有基因信息。基因组序列的变化反映了为特定生物功能所选择的适应性变化。这些变异通过令生物体能够适应新的或正在变化的环境而驱动演化过程。DNA 测序技术的进步使得人们能够在全基因组范围内绘制基因组变异图。当与新颖机器学习算法相结合时，这些数据可以创建一个能够理解 DNA、RNA 和蛋白质功能及其相互作用的综合模型。但是，尽管一些研究人员在大型语言模型 (LLMs) 成功的激励下试图通过应用类似的技术将 DNA 建模为一种“语言”，但当前的生成模型往往只关注单个分子或 DNA 片段。除了计算限制之外，当前的生成模型还限制了这些模型在捕捉理解复杂生物学过程所必需的更广泛的基因组相互作用的范围。 Eric Nguyen 和同事在此介绍了 Evo——它是一种配备了 70 亿个参数的大规模基因组基础模型，其设计目的是生成全基因组规模的 DNA 序列。在 StripedHyena 架构之上建立的Evo 是在一个有 270 万个多样化演变的微生物基因组的数据集上进行训练的。据 Nguyen 等人披露，Evo 在预测性和生成性生物学任务方面都表现出色，在预测突变对细菌蛋白质和 RNA 影响的零样本评估中以及在基因调控建模方面都实现了高精度。Evo 还掌握了编码和非编码序列之间复杂的协同演化，从而可对复杂生物系统（如 CRISPR-Cas 复合物和转座子）的设计提供支持。Evo 可在基因组尺度生成长度超过 1 兆碱基的序列，这一能力远远超过了之前的模型。Theodoris 在《视角》中写道：“通过用更长上下文来捕捉更大尺度基因组中的基因组远距离相互作用，未来的模型或可对人类和其他真核生物不同的基因组进行学习。”