这份名为人类发育多组学图谱（HDMA）的研究通过对12个胎儿器官的80多万个单细胞进行测序，构建了一个涵盖染色质开放性与基因表达的综合资源库。研究人员利用深度学习模型（ChromBPNet）成功破译了调控DNA序列的“语法”，识别出超过100万个顺式调控元件及其核心基序。研究揭示了转录因子协作的“硬语法”与“软语法”约束，即基序之间精确的间距与方向如何决定细胞特异性的调控逻辑。此外，该图谱还发现了能够抑制染色质开放性的负向基序，并证实了这些元件在解释遗传变异与人类复杂疾病关联中的关键作用。这项工作为理解人类发育过程中的基因调控机制提供了坚实的分子基础。

References:

• Liu B B, Jessa S, Kim S H, et al. Multiomics and deep learning dissect regulatory syntax in human development[J]. Nature, 2026: 1-14.

这项研究构建了人类神经类器官转录组细胞图谱（HNOCA），通过整合来自26种方案的36个单细胞数据集，涵盖了超过170万个细胞。该图谱旨在解决类器官研究中区域覆盖不明确以及生理保真度难以定量分析的关键挑战。研究人员将此图谱与发育中的真实人类大脑参考库进行对比，精准评估了不同培养方案在生成特定脑区和细胞类型方面的能力。分析揭示了类器官与天然组织在核心神经身份上的高度相似性，同时也识别出受体外环境影响而普遍存在的代谢压力差异。此外，该图谱还为疾病建模和新药筛选方案提供了标准化的对照基准和查询接口。这一成果不仅建立了评估神经类器官质量的新框架，也为模拟人类大脑发育与病理机制提供了强大的资源支持。

References:

• He Z, Dony L, Fleck J S, et al. An integrated transcriptomic cell atlas of human neural organoids[J]. Nature, 2024, 635(8039): 690-698.

References:

• Chi P, Wang X, Li J, et al. Structure of the mouse cytoplasmic lattice[J]. Nature, 2026: 1-3.

References:

• Chen X, Mao Z, Kolawole E M, et al. Overcoming T cell tolerance to tumor self-antigens through catch-bond engineering[J]. Science, 2026, 391(6791): eadx3162.

这份研究介绍了一个名为人类内胚层源类器官细胞图谱 (HEOCA) 的大规模单细胞转录组数据库。研究团队整合了来自55项研究的近一百万个细胞数据，涵盖了肠道、肺和肝脏等九种不同的人类器官模型。通过跨数据集的标准化分析，该研究详细比较了由多能干细胞、胎儿干细胞及成人干细胞培育出的类器官在细胞组成和成熟度上的差异。研究证明，该图谱可作为评估实验方案保真度的标准参考，帮助识别类器官中的脱靶细胞。此外，作者利用该工具包成功分析了病毒感染、炎症反应以及结直肠癌等病理状态下的细胞变化。总之，这一集成资源为优化类器官培养技术和建立更精准的人类疾病模型提供了重要的计算框架与数据支持。

References:

• Xu Q, Halle L, Hediyeh-Zadeh S, et al. An integrated transcriptomic cell atlas of human endoderm-derived organoids[J]. Nature genetics, 2025, 57(5): 1201-1212.

References:

• Chen M H, Hua Y J, Li Y, et al. Sparcl1 mitigates abdominal aortic aneurysm through inhibiting lymphangiogenesis-mediated TLS formation[J]. Nature Immunology, 2026: 1-12.

这篇综述深入探讨了肿瘤微环境（TME）与宏环境（TMaE）中神经、免疫与代谢系统的三方协同演变。文章详细分析了外周神经系统（包括交感、副交感及感觉神经）如何通过释放神经递质，直接重塑癌细胞代谢并调控免疫细胞功能。在宏观层面，研究强调了大脑与身体的相互作用，揭示了肿瘤如何利用神经环路诱发全身性代谢紊乱（如癌症恶病质）并抑制抗肿瘤免疫。此外，神经纤维还被视为肿瘤与远程器官之间通信的桥梁，促进了癌症的系统性进展。最后，作者提出将神经调节与传统疗法相结合，为开发临床肿瘤治疗新策略提供了前瞻性视角。

References:

• Zhang Y, Zhuang W, Zhu H, et al. Neuroimmunometabolic co-evolution in the tumor micro-and macroenvironment[J]. Cell Metabolism, 2026.

References:

• Chitra U, Arnold B J, Sarkar H, et al. Mapping the topography of spatial gene expression with interpretable deep learning[J]. Nature Methods, 2025, 22(2): 298-309.

这份研究通过单细胞表征技术深入分析了成年人类中枢神经系统的表观遗传图谱。科学家们揭示了神经胶质细胞，特别是少突胶质细胞，如何在成年期保留胚胎发育阶段的遗传记忆。这种记忆虽然不直接导致高水平的基因表达，但使相关染色质处于预启动状态。这种特殊的表观遗传机制一方面赋予了细胞在组织再生时快速激活功能的能力，另一方面也可能诱发胶质瘤的产生。该研究通过高分辨率技术，为理解人类大脑健康、发育障碍及癌症建模提供了宝贵的资源数据。

References:

• Kabbe M, Agirre E, Carlström K E, et al. Single-nucleus epigenomic profiling of the adult human central nervous system unveils epigenetic memory of developmental programs[J]. Nature Neuroscience, 2026: 1-15.

本文介绍了一种名为 scHiCAR 的多模态单细胞测序新技术，旨在同时捕捉单细胞中的转录组、表观基因组和三维基因组信息。该方法利用板式组合条形码技术，能够高效且低成本地分析数百万个细胞，尤其擅长捕捉与顺式调节元件（CREs）相关的长距离染色质相互作用。研究人员将此技术应用于小鼠大脑及骨骼肌等复杂组织，成功绘制了高分辨率的基因调节图谱。为了辅助数据分析，团队还开发了基于深度的学习算法 scDeepLUCIA，即使在细胞数量较少的情况下也能精准识别染色质环。总之，scHiCAR 为研究复杂组织中细胞异质性及其基因表达的结构调控提供了强有力的工具。

References:

• Wei X, Xu Y, Yang D, et al. Trimodal single-cell profiling of transcriptome, epigenome and 3D genome in complex tissues with scHiCAR[J]. Nature biotechnology, 2026: 1-16.