聊聊Sci

这篇文章概述了一项关于成年小鼠大脑中染色质可及性的综合单细胞分析研究。研究人员通过分析来自117个解剖区域的230万个脑细胞，构建了一个包含约100万个候选顺式调控DNA元件（cCREs）的图谱，极大地扩展了现有的注释。该研究详细描述了1,482个不同的脑细胞群体的基因调控程序，并结合单细胞RNA测序数据，推断了超过260个亚类的基因调控网络（GRNs）。值得注意的是，研究发现小鼠特有的cCREs，尤其是在皮层兴奋性神经元中发现的cCREs，富含转座元件，暗示了它们在神经元多样性演化中的潜在作用。此外，研究还开发了基于深度学习的模型，能够仅通过DNA序列预测不同脑细胞类型中的染色质可及性活动，并且该模型在预测人类大脑细胞中的cCREs方面表现出跨物种的泛化能力。

References:

• Zu S, Li Y E, Wang K, et al. Single-cell analysis of chromatin accessibility in the adult mouse brain[J]. Nature, 2023, 624(7991): 378-389.

前往小宇宙评论区与主播互动

该文章概述了一项使用多模态空间组学技术对肺腺癌（LUAD）前体病变进行的研究，旨在理解其进展机制。研究人员通过单细胞和空间转录组学分析发现，肺泡祖细胞（如KACs或反应性肺炎细胞）是LUAD进化的最早前体，并存在于富含IL-1β信号的上皮-促炎微环境中。这种促炎微环境在癌前病变阶段更为普遍。通过在小鼠模型中靶向IL-1β，无论是单独使用还是与PD-1抑制剂联合使用，都能有效减少这些祖细胞并抑制LUAD的发生。这些发现表明，上皮-促炎微环境是LUAD早期发展的关键因素，可作为疾病早期干预的潜在靶点。

References:

• Peng F, Sinjab A, Dai Y, et al. Multimodal spatial-omics reveal co-evolution of alveolar progenitors and proinflammatory niches in progression of lung precursor lesions[J]. Cancer Cell, 2025.

前往小宇宙评论区与主播互动

这篇综述探讨了理解人类和哺乳动物大脑发育的新前沿，重点是神经科学中利用全面的细胞图谱来解开复杂的发育过程。文章指出，神经发育障碍的机制仍知之甚少，而像单细胞转录组学这样的高分辨率技术正在提供关于基因表达、细胞类型丰度和空间分布的详细测量。该研究重点介绍了来自脑计划细胞普查网络（BICCN）的最新工作，这些工作正在构建发育中的大脑图谱草案，揭示了跨物种保守和不同的细胞发生、迁移和成熟模式。最终目标是通过整合多模态数据集和跨物种比较来深入理解正常的大脑发育，以便为神经发育和神经精神疾病的机制和精准医学奠定基础。

References:

• Nowakowski T J, Nano P R, Matho K S, et al. The new frontier in understanding human and mammalian brain development[J]. Nature, 2025, 647(8088): 51-59.

前往小宇宙评论区与主播互动

这篇文章详细介绍了小鼠和人类大脑发育以及神经炎症过程中细胞状态和分子机制的空间和时间动态。研究人员开发并应用了DBiT-based空间三组学技术（如空间ARP-seq和空间CTRP-seq），同时对组织切片中的表观基因组、转录组和蛋白质组进行分析。研究结果揭示了髓鞘形成在脑胼胝体中沿着内外侧双向顺序进行，并与投射神经元（PNs）的成熟度相吻合。此外，该研究还使用溶血卵磷脂（LPC）模型来映射脱髓鞘和随后的髓鞘再生过程，并发现小胶质细胞/巨噬细胞的活化和炎症反应在原发性病变和远端白质区域表现出不同的时空延迟。

References:

• Zhang D, Rubio Rodríguez-Kirby L A, Lin Y, et al. Spatial dynamics of brain development and neuroinflammation[J]. Nature, 2025, 647(8088): 213-227.

前往小宇宙评论区与主播互动

这篇文章对哺乳动物脑部端脑中的 GABA能神经元 进行了全面且深入的转录组学和空间分析。研究人员利用大量的单细胞转录组数据，构建了一个分层的细胞类型分类系统（分类、亚类、超类型和集群），涵盖了小鼠端脑所有区域的 GABA能神经元。此外，研究还追踪了这些神经元的发育起源和轨迹，发现细胞类型关系反映了空间位置和胚胎发育起源，并且许多相关细胞类型通过长距离迁移分散在不同脑区。研究结果揭示了空间基因表达梯度，以及皮层和纹状体神经元与隔膜、视前区和苍白球神经元在出生后分化时间上的显著差异，为理解端脑 GABA能回路的组织提供了基础性参考。

References:

• van Velthoven C T J, Gao Y, Kunst M, et al. Transcriptomic and spatial organization of telencephalic GABAergic neurons[J]. Nature, 2025, 647(8088): 143-156.

前往小宇宙评论区与主播互动

这篇文章介绍了一种名为 STORIES 的新型计算方法，旨在利用 最优传输 (Optimal Transport, OT) 框架，从随时间变化的空间转录组学数据中推断细胞命运轨迹。STORIES 克服了现有梯度流学习方法在处理空间信息方面的挑战，通过使用 融合 Gromov-Wasserstein (Fused Gromov-Wasserstein, FGW) 扩展，学习一个考虑到空间上下文的 分化势能 (differentiation potential)。文章通过对蝾螈神经再生和小白鼠胶质细胞生成等多个大型时空图谱的基准测试，证明了 STORIES 在预测基因表达和保持空间一致性方面优于现有技术，并成功识别了这些生物过程中的 已知和推定的驱动基因及转录调节因子。

References:

• Huizing G J, Samaran J, Capocefalo D, et al. STORIES: learning cell fate landscapes from spatial transcriptomics using optimal transport[J]. Nature Methods, 2025: 1-10.

前往小宇宙评论区与主播互动

这篇文章介绍了NextBrain的开发，这是一个概率性人类脑组织学图谱，旨在改善磁共振成像（MRI）的脑区分割和分析。研究人员利用 人工智能 方法对来自五个脑半球的近 10,000 个组织学切片进行三维对齐和重建，并为333个感兴趣区域（ROI） 生成了细致的概率标签。NextBrain 及其附带的 贝叶斯分割工具 能够实现比现有方法更高精度的体素级分析，这在超高分辨率离体MRI分割和体内MRI对阿尔茨海默病等疾病的细粒度研究中得到了应用。最终，NextBrain的数据、图谱和工具被公开，旨在推动全球研究人员对人脑健康与疾病的理解。

References:

• Casamitjana A, Mancini M, Robinson E, et al. A probabilistic histological atlas of the human brain for MRI segmentation[J]. Nature, 2025: 1-8.

前往小宇宙评论区与主播互动

这篇文章介绍了 Nicheformer 模型的开发和评估，这是一个用于单细胞和空间生物学的基础深度学习模型。该研究强调了单细胞RNA测序（scRNA-seq）在细胞解离过程中丢失空间信息的问题，并通过利用空间组学数据 来解决这一问题。Nicheformer 使用了一个包含超过 1.1 亿个细胞的SpatialCorpus-110M数据集进行预训练，该数据集整合了解离式和图像式空间转录组学数据。通过使用Transformer架构和掩码语言建模损失 进行训练，Nicheformer 展示了在各种下游任务中的卓越性能，包括预测细胞类型、细胞生态位标签、细胞邻域组成和细胞密度，特别是与不考虑空间信息的基线模型相比。研究结果表明，模型能够捕获微妙的空间信息和生物学变异，例如性别相关的模式，从而实现跨模态的标签迁移。

References:

• Schaar A C, Tejada-Lapuerta A, Palla G, et al. Nicheformer: a foundation model for single-cell and spatial omics[J]. bioRxiv, 2024: 2024.04. 15.589472.

前往小宇宙评论区与主播互动

这篇研究文章系统性地评估了四种高通量、亚细胞分辨率的空间转录组学平台，包括 Stereo-seq v1.3、Visium HD FFPE、CosMx 6K 和 Xenium 5K。研究人员使用结肠腺癌、肝细胞癌和卵巢癌的系列组织切片生成了统一的多组学数据集，并通过 CODEX 蛋白组学分析和单细胞 RNA 测序建立了参考“金标准”。评估内容涵盖了捕获灵敏度、细胞分割准确性、细胞类型注释以及空间聚类等关键性能指标。研究结果为这些快速发展的技术提供了实际的指导，并创建了一个名为 SPATCH 的公开网络服务器，供研究人员访问和探索这些全面的数据集。

References:

• Ren P, Zhang R, Wang Y, et al. Systematic benchmarking of high-throughput subcellular spatial transcriptomics platforms across human tumors[J]. Nature Communications, 2025, 16(1): 9232.

前往小宇宙评论区与主播互动

该文章介绍了一种计算框架，用于对空间机械转录组学数据进行联合统计分析，旨在探索生物分子信号与机械线索在组织中的相互作用。研究人员利用该框架对发育中的小鼠胚胎空间转录组学数据进行分析，推断出细胞间的机械力，并将其与基因表达特征联系起来，从而识别出组织隔室边界的标志。具体来说，他们应用变分应力推断法（VMSI）来量化细胞压力和张力，发现组织边界处异型连接张力升高，并利用配体-受体（LR）分析表明Ephrin信号通路可能是这种高张力的分子决定因素。此外，该研究还使用了地理附加结构方程模型（gSEM）来识别与细胞机械状态相关的基因模块，揭示了机械力与基因表达之间存在的非线性关联。

References:

• Hallou A, He R, Simons B D, et al. A computational pipeline for spatial mechano-transcriptomics[J]. Nature methods, 2025: 1-14.

前往小宇宙评论区与主播互动