聊聊Sci

这项全面的回顾性分析探讨了长期以来关于压力影响癌症发生和进展的假设。文章指出，尽管流行病学和临床试验的结果不尽相同，甚至微乎其微，导致当前医疗常规中并未将压力预防纳入癌症生存策略，但动物研究提供了大量证据，表明压力可以促进多种癌症的生长和转移。研究人员认为，临床和动物研究之间的差异可能源于临床研究在时间同步和方法学上的挑战。该分析进一步阐释了压力通过影响肿瘤细胞、微环境、免疫活动和间接调节因素来促进癌症发生、损害治疗效果及加速转移的分子和细胞机制。最终，作者建议未来通过有针对性的干预措施，在癌症进展的关键时期管理压力，并结合药物治疗来抵消医疗程序引起的生理应激反应，从而获得更确凿的临床证据。

References:

• Eckerling, A., Ricon-Becker, I., Sorski, L. et al. Stress and cancer: mechanisms, significance and future directions. Nat Rev Cancer 21, 767–785 (2021). doi.org

这篇发布于《自然》杂志的文章深入探讨了肥胖和体重减轻对人类脂肪组织（AT）的复杂影响。研究人员通过分析来自肥胖患者（减重前后）和健康瘦体型个体的单核和空间图谱，揭示了肥胖如何导致脂肪细胞、祖细胞和血管细胞的选择性衰老和功能障碍。文章强调，体重减轻能够有效逆转这些有害变化，改善代谢健康，但同时也发现，肥胖引起的巨噬细胞激活状态可能部分持续存在，这可能与体重反弹和代谢功能障碍有关。

References:

• Miranda, A.M.A., McAllan, L., Mazzei, G. et al. Selective remodelling of the adipose niche in obesity and weight loss. Nature (2025). doi.org

这篇文章详细介绍了古代欧亚大陆人类病原体的时空分布。研究人员通过筛选1313名古代欧亚人37,000年历史的鸟枪法测序数据，绘制了一幅基于考古遗传学的病原体时空地图，揭示了古代细菌、病毒和寄生虫DNA的广泛存在。研究发现，已知的人类病原体在这些样本中大量出现，并且许多是首次在古代人类遗骸中被发现。特别值得注意的是，人畜共患病原体在大约6,500年前才被检测到，并在约5,000年前达到高峰，这与牲畜驯化的广泛普及相吻合，表明生活方式的改变导致了传染病负担的增加。研究进一步指出，这些病原体的传播在随后的几千年里显著增加，这与欧亚大草原游牧民族的迁徙同步，为理解传染病如何塑造人类历史和基因组提供了直接证据。

References:

• Sikora, M., Canteri, E., Fernandez-Guerra, A. et al. The spatiotemporal distribution of human pathogens in ancient Eurasia. Nature (2025). doi.org

本研究详细阐述了小鼠嗅球的三维分子结构，并精准定位了数百个嗅小球，这些嗅小球是处理嗅觉信息的功能单元。通过三维空间转录组学，研究人员绘制了嗅小球的分子图谱，揭示了其在嗅球半球之间和每个半球内部的高度对称性。研究发现，嗅小球的对称性并未延伸至深层的僧帽细胞和颗粒细胞，这表明从感觉输入到皮层输出的通路存在重组。此外，研究还发现嗅觉上皮中的基因表达模式能高精度地预测嗅小球的位置，这为理解大脑的对称性如何被分子结构所指导提供了新见解。

Reference:

• Klimpert N, Kollo M, Brann DH, Tan C, Barry D, Ma Y, Schaefer AT, Fleischmann A. 3D spatial transcriptomics reveals the molecular structure of input and output pathways in the mouse olfactory bulb. bioRxiv [Preprint]. 2025 Apr 23:2025.02.19.639192. doi: 10.1101/2025.02.19.639192. PMID: 40060607; PMCID: PMC11888228.

AiCE: AI-Informed Protein Engineering (基于整合结构和进化约束的反向折叠模型推进蛋白质进化)

本文介绍了一种名为 AiCE（AI辅助蛋白质工程） 的创新方法，旨在 高效 识别蛋白质中的高适应性突变。文章详细阐述了 AiCE 的两个核心模块：AiCE single 用于预测单点突变，以及 AiCE multi 用于设计复合突变，这两个模块都整合了 结构和进化约束。通过在各种蛋白质工程任务中进行基准测试，包括基因编辑工具的优化，研究表明 AiCE 能够 显著提高突变预测的成功率，同时 减少实验成本 和对人工干预的依赖，从而加速蛋白质功能优化的进程。

References:

• https://www.cell.com/cell/fulltext/S0092-8674(25)00680-4

这些文章包括两篇发表在 Cell Stem Cell 和 Cell 期刊上的科学研究文章，以及来自 Science网站的信息。第一篇研究探讨了肺部损伤后细胞如何再生，特别是炎症信号如何影响肺泡细胞的转化和修复过程，并指出慢性炎症会阻碍这种再生。第二篇研究关注线粒体功能障碍如何影响免疫反应，揭示了特定基因突变如何导致细胞死亡模式的改变，进而增加对感染的易感性。 

References:

• 1. https://www.science.org/doi/10.1126/science.adw0091
• 2. X. Wei et al., Science 387, eadq2509 (2025).
• 3. J. Choi et al., Cell Stem Cell 27, 366 (2020).
• 4. H. Narasimhan et al., Nature 634, 961 (2024).
• 5. C. G. Weindel et al., Cell 185, 3214 (2022).

这些文章共同探讨了自身免疫性疾病的最新研究进展，这是一种免疫系统错误攻击自身组织的疾病。其中，一篇报道展望了治愈这些疾病的希望，特别是通过恢复免疫“耐受性”的新疗法。另一篇文章聚焦于嵌合抗原受体T细胞（CAR-T）疗法，这种最初用于治疗癌症的方法，已显示出在自身免疫性疾病治疗中的巨大潜力，使患者症状缓解甚至进入缓解期。此外，还有文章介绍了经过基因改造的“自然杀伤”细胞，作为CAR-T疗法更经济、更易得的替代方案。最后，一篇报道揭示了女性自身免疫性疾病发病率更高的原因，指向了X染色体上的一种分子涂层可能引发不必要的免疫反应。

References:

• 1. https://www.nature.com/articles/d41586-025-02096-7
• 2. https://www.nature.com/articles/d41586-023-03968-6
• 3. https://www.nature.com/articles/d41586-024-00169-7
• 4. https://www.nature.com/articles/d41586-024-00267-6
• 5. Wang X, Zhang Y, Jin Y, et al. An iPSC-derived CD19/BCMA CAR-NK therapy in a patient with systemic sclerosis[J]. Cell, 2025.

Evo 2，这是一种生物基础模型，旨在理解和设计生命所有领域的基因组。它通过分析9.3万亿个核苷酸标记，能够预测突变对蛋白质、RNA和生物体适应性的影响，并在生成新的基因组序列方面表现出色。Evo 2 的创新之处在于，它能在分子到基因组的尺度上进行泛化，并通过稀疏自编码器揭示生物学特征，即便对于已灭绝物种的基因组也能进行功能性基因组注释。该研究还展示了如何利用该模型进行可控的基因组设计，例如编码表观基因组中的摩尔斯电码信息，标志着计算生物学领域的重大进步。

Reference: Genome modeling and design across all domains of life with Evo 2bioRxiv 2025.02.18.638918; doi: Evo 2

这项工作介绍了Tahoe-100M，一个大规模的单细胞扰动图谱，包含超过一亿个转录组数据，这些数据来源于50种癌细胞系在1100多种小分子药物扰动下的响应。利用其Mosaic平台，该项目旨在克服现有单细胞数据集的局限性，如批次效应和数据覆盖不足。通过公开这个庞大的资源，作者希望加速人工智能驱动的细胞行为模型的发展，从而更深入地理解基因功能、调控网络以及细胞如何响应外部刺激。研究结果展示了平台在捕捉药物诱导的转录组效应和细胞周期变化方面的精确性，为癌症药物发现和个性化医疗提供了潜在的新途径。

Reference: Tahoe-100M: A Giga-Scale Single-Cell Perturbation Atlas for Context-Dependent Gene Function and Cellular Modeling. bioRxiv 2025.02.20.639398; Tahoe-100M

Reference: Predicting cellular responses to perturbationacross diverse contexts with State.

Arc正式发布首个虚拟细胞模型 State，这是一种用于预测细胞扰动反应的机器学习模型。该模型旨在克服现有计算方法在泛化不同细胞背景下扰动效应方面的局限性。State 包含两个主要组件：State Transition (ST) 模型，它学习扰动引起的细胞群体转变；以及 State Embedding (SE) 模型，它从大量观察性单细胞数据中生成富有表现力的细胞嵌入。研究结果表明，State 在预测基因表达变化、识别差异表达基因以及估计扰动效应大小方面，其性能优于现有基线模型。此外，State 能够对未曾观察到扰动的细胞背景进行 零样本预测，并识别细胞类型特异性反应，包括对细胞存活的影响。该研究还深入探讨了 ST 模型与 最优传输 (Optimal Transport) 理论的联系。该模型的应用可以大大的加速疾病研究和药物筛查。