聊聊Sci

该文章介绍了一种名为 META-SiM 的新型基础模型，它是一个基于 Transformer 的模型，旨在提高单分子时间追踪数据中生物发现的效率。单分子荧光显微镜 (SMFM) 可以揭示重要的生物学见解，但识别罕见但关键的中间体通常需要耗时的人工检查；META-SiM 通过在各种 SMFM 分析任务 上进行预训练，解决了这一挑战，其性能可与顶尖算法相媲美。该模型通过生成可封装详细信息的嵌入，使得通过 META-SiM Projector 这个在线工具实现高效的整数据集可视化和探索。结合 局部香农熵 (LSE) 指标，META-SiM 能够快速识别特定于条件的罕见行为，并通过在一个现有的剪接数据集上发现一个先前未被检测到的中间状态，证明了其加速生物发现的潜力。

References:

• Li J, Zhang L, Johnson-Buck A, et al. Foundation model for efficient biological discovery in single-molecule time traces[J]. Nature Methods, 2025: 1-12.

这篇文章介绍了 OrganoidTracker 2.0，这是一种用于延时成像细胞追踪的先进算法，它结合了 神经网络 和 统计物理学 的概念，以确定细胞轨迹并提供准确的错误概率。不同于现有方法只能输出单个追踪方案且缺乏量化不确定性的统计基础，OrganoidTracker 2.0 能够为轨迹中的每一步分配错误概率，这些概率可作为分析细胞周期和谱系树等追踪特征的P值。这种新方法通过将人工校正限制在极少数低置信度步骤，极大地提高了追踪分析的速度，甚至允许通过保留高置信度轨迹片段进行 全自动化分析，从而促进了基于细胞动力学的类器官高通量筛选和透明的科学报告。该方法在肠道类器官、小鼠胚泡和秀丽隐杆线虫胚胎等多种系统上都表现出卓越的追踪性能。

References:

• Betjes M A, Kok R N U, Tans S J, et al. Cell tracking with accurate error prediction[J]. Nature Methods, 2025: 1-11.

这篇文章详细介绍了癌细胞如何利用器官间的神经免疫回路来逃避免疫监视，特别是针对头颈部鳞状细胞癌（HNSCC）患者的临床数据以及小鼠口腔癌模型进行研究。研究表明，癌细胞在免疫压力下会分泌一种配体（SLIT2），通过触发肿瘤相关巨噬细胞（TAMs）的内质网应激反应，激活伤害感受性神经元，从而在引流淋巴结（TDLNs）中建立免疫抑制环境。通过光遗传学和化学遗传学等方法，该研究还证实了抑制伤害感受性神经元的活动可以重塑TDLNs的免疫状态，增强抗肿瘤免疫反应，并为免疫检查点阻断（ICB）疗法提供了新的潜在靶点。

References:

• Zhang Y, Guo Y, Liu Z, et al. Cancer cells co-opt an inter-organ neuroimmune circuit to escape immune surveillance[J]. Cell, 2025.

这篇文章系统地对用于整合单细胞多模态组学数据的计算方法进行了基准测试。研究人员评估了四十种方法在七个关键任务上的表现，包括降维、聚类和批次校正，将这些方法分为垂直、对角、马赛克和交叉四种整合类别。报告详细介绍了评估管道、使用的数据集和指标，并根据方法的性能、稳健性和计算效率提供了指导方针和建议。结果显示，方法的性能取决于评估指标、任务和数据集，凸显了多标准评估的重要性。

References:

• Liu, Chunlei, et al. "Multitask benchmarking of single-cell multimodal omics integration methods." Nature Methods (2025): 1-12.

该文章介绍了 CELLECT，这是一种用于大规模高效细胞追踪的对比嵌入学习方法，旨在解决在实际应用中实现高性能和高效率细胞追踪的挑战。CELLECT 模型通过对不同细胞结构的潜在嵌入进行对比学习，仅用单个公共数据集进行预训练 即可广泛应用于不同的成像模式和物种，展示出强大的泛化能力。文章通过在秀丽隐杆线虫数据集上的基准测试以及在免疫学、病理学和神经科学 等生物学应用中的实验验证，证明了CELLECT在准确性和处理速度上均优于现有方法，尤其在处理复杂、动态的 3D 环境中的大规模细胞时效果显著。该方法通过结合稀疏标注和轻量级网络结构大幅减少了计算成本和对人工标注的依赖。

References:

• Zhou, Hongyu, et al. "CELLECT: contrastive embedding learning for large-scale efficient cell tracking." Nature Methods (2025): 1-12.

该文章介绍了一个名为 scooby 的新型计算框架，它能够利用DNA序列在单细胞分辨率下对多模式基因组图谱进行建模，包括单细胞 RNA 测序覆盖率和染色质可及性。scooby 通过对预训练的多组学模型 Borzoi 进行精细调整并配备一个细胞特异性解码器来实现这一目标。研究人员表明，scooby 能够准确预测细胞特异性基因表达水平，识别谱系特异性调控因子，并且比现有方法更有效地推断转录因子活性。此外，scooby 在将批量表达数量性状位点（eQTL）分解为其细胞类型特异性效应方面表现出更高的准确性，有助于揭示基因调控的复杂机制。

References:

• Hingerl, Johannes C., et al. "scooby: modeling multimodal genomic profiles from DNA sequence at single-cell resolution." Nature Methods (2025): 1-11.

该文本介绍了一种名为 PHLOWER 的新型计算方法，该方法利用 Hodge 拉普拉斯分解 处理 单细胞多模态数据，以推断复杂、多分支的细胞分化轨迹。通过在一系列模拟和真实单细胞 RNA 测序数据集上进行 基准测试，研究人员证明了 PHLOWER 在恢复复杂树拓扑结构和准确分配细胞位置方面的 优越性能。此外，该方法被应用于 肾脏类器官 的多模态和空间单细胞数据，成功识别了主要的细胞谱系和与 非靶向神经元细胞 相关的关键转录因子，随后通过 siRNA 敲低实验 验证了这些发现，证实了 PHLOWER 在推进再生医学协议方面的实用性。

References:

• Cheng, Mingbo, et al. "PHLOWER leverages single-cell multimodal data to infer complex, multi-branching cell differentiation trajectories." Nature Methods (2025): 1-9.

这篇文章介绍了 SpaceSequest，这是一个统一的计算管道，旨在简化和标准化来自各种平台的空间转录组学 数据分析、可视化和发布，这些平台包括10x Genomics的 Visium、Visium HD、Xenium，以及NanoString的 GeoMx和CosMx。该管道通过解决不同平台数据格式多样化带来的挑战，实现了从数据质量控制到关键分析（如 空间聚类、细胞类型解卷积和差异表达分析）的端到端处理。SpaceSequest 利用了先进的计算工具，并与 Cellxgene VIP 和 Quickomics 等可视化工具集成，使用户能够深入了解复杂的生物系统和其微环境。

References:

• Sun, Yu H., et al. "SpaceSequest: A unified pipeline for spatial transcriptomics data analysis." bioRxiv (2025): 2025-09.

这篇文章介绍了 BioinfoMCP 平台，这是一个旨在解决生物信息学工具与新兴 AI 代理框架 集成障碍的统一解决方案。该平台由两大部分组成：BioinfoMCP Converter 使用大型语言模型（LLMs）自动从工具文档中生成符合 Model Context Protocol (MCP) 标准的服务器，从而实现了生物信息学工具的自动化转换；BioinfoMCP Benchmark 则系统地验证这些转换后的 MCP 服务器在各种计算任务和不同 AI 代理平台（如 Claude Desktop 和 Cursor）上的可靠性和通用性。通过提供 38 个经过验证的 MCP 服务器，BioinfoMCP 显著简化了生物信息学分析流程，使其能够通过 自然语言交互 进行，降低了对专业编程知识的要求，推动了计算生物学的智能化和互操作性。

References:

• Widjaja, Florensia, Zhangtianyi Chen, and Juexiao Zhou. "BioinfoMCP: A Unified Platform Enabling MCP Interfaces in Agentic Bioinformatics." arXiv preprint arXiv:2510.02139 (2025).

这篇文章介绍了一个名为 PhenoProfiler 的创新模型，它旨在高效且有效地从图像中提取细胞的形态表征，以推进基于图像的药物发现。不同于现有需要复杂多步骤流程的方法，PhenoProfiler 作为一个端到端的工具，可以直接处理多通道全玻片图像，并利用多目标学习模块来增强鲁棒性和泛化能力。该模型在超过 230,000 张图像的大型公共数据集上进行了严格评估，结果显示其在生物匹配任务中性能显著优于现有技术，最高提升达 20%。此外，PhenoProfiler 还引入了一种表型校正策略来强调治疗引起的相对变化，从而提高了生物信号的检测能力，并提供了一个用户友好的 Python 包和网页服务器。

References:

• Li, Bo, et al. "PhenoProfiler: Advancing Phenotypic Learning for Image-based Drug Discovery." arXiv preprint arXiv:2502.19568 (2025).