聊聊Sci

这项研究介绍了一种名为 Hetairos 的创新人工智能模型，旨在通过常规的 H&E 染色病理切片 快速预测中枢神经系统肿瘤的分子亚型。传统诊断依赖于耗时且昂贵的 DNA 甲基化测序，而该 AI 算法通过对全球上万张切片的学习，能够精准识别 102 种肿瘤亚型。实验表明，Hetairos 在高置信度病例中的准确率高达 87%，其诊断表现显著优于资深的神经病理学家。最重要的是，该模型将原本需要两周的分子检测周期缩短至仅 12 分钟，极大地提升了诊断效率。这种基于组织学影像的分析手段为全球肿瘤诊断提供了一种更可及、更高效的替代方案，特别是在医疗资源有限的地区具有巨大的应用潜力。

References:

• Jin D, Shmatko A, Patel A, et al. Hetairos is a histology-based artificial intelligence model for predicting central nervous system tumor methylation subtypes[J]. Nature Cancer, 2026: 1-15.

这项研究通过整合基因组、蛋白质组和代谢组等13种维度的多组学数据，对173名初诊急性髓系白血病 (AML) 患者进行了深度解析。研究人员超越了传统的遗传分类，确立了名为 AML-8 的八种新型分子亚型，并揭示了不同亚型在药物敏感性和生物学机制上的显著差异。通过多组学分析，科学家发现了驱动白血病进展的代谢重编程现象，特别是 MYC 与 mTOR 通路之间的对立活动。此外，该研究利用机器学习手段锁定了如 MTA1 等潜在的治疗靶点，为克服化疗耐药提供了方向。总之，这份多组学图谱为解析 AML 的临床异质性提供了统一的理论框架，助力实现精准医疗。

References:

• Chu S C A, Hsiao Y, Wang C, et al. Integrated proteogenomic and metabolomic profiling of acute myeloid leukemias to identify molecular subtypes and associated therapy targets[J]. Nature cancer, 2026: 1-23.

这项研究通过单cell测序和空间制图技术，揭示了淋巴结在健康状态与B细胞淋巴瘤病变过程中的空间组织原理。研究发现，淋巴结中的基质细胞通过分泌趋化因子维持正常的组织分区，但这种结构在滤泡性淋巴瘤（FL）和弥漫大B细胞淋巴瘤（DLBCL）中会遭到不同程度的破坏。实验证据表明，肿瘤反应性T细胞引发的炎症反馈回路会导致基质细胞重塑，使稳态趋化因子梯度消失，进而驱动组织结构的彻底瓦解。这种从有序到无序的病理演变不仅标志着淋巴瘤的恶性进展，还与患者的临床预后不良密切相关。通过计算机模拟重建趋化因子网络，研究进一步证实了趋化因子失调是导致组织架构丧失的核心机制。这一成果为理解癌症微环境重塑提供了新视角，并识别出影响淋巴瘤发生发展的关键空间事件。

References:

• Czernilofsky F, Mathioudaki A, Jopp-Saile L, et al. Reprogramming of stroma-derived chemokine networks drives the loss of tissue organization in nodal B cell lymphoma[J]. Nature Cancer, 2026: 1-15.

这篇文章介绍了名为 IBDverse 的大型单细胞核糖核酸测序数据集，该研究通过对 111 名 克罗恩病 患者和 232 名健康对照者的回肠末端活检样本进行分析，剖析了超过 110 万个细胞的分子特征。研究人员利用发现和验证双重队列，揭示了肠道上皮细胞在炎症消退后仍持续存在的 干扰素驱动特征 以及 主要组织相容性复合体 I 类分子 的表达上调。研究重点识别出 ITGA4+ 巨噬细胞 是驱动炎症的关键细胞群，它们通过 JAK-STAT 信号通路 大量产生细胞因子。此外，遗传力分析将疾病易感性与特定的 单核细胞 和 巨噬细胞 联系起来，证实了免疫细胞在病理过程中的核心地位。这项工作为理解克罗恩病的细胞异质性建立了全面的 分子框架，并为开发新的治疗方案和药物靶点提供了数据支持。最终，该研究强调了在单细胞研究中采用验证队列以确保 结果可重复性 的重要性。

References:

• Krzak M, Alegbe T, Taylor D L, et al. Single-cell RNA sequencing of terminal ileal biopsies identifies signatures of crohn’s disease pathogenesis[J]. Nature Genetics, 2026: 1-10.

这份研究介绍了一种针对阿尔茨海默病（AD）的创新疗法，重点在于增强大脑中分泌型簇集素（sCLU）的水平。研究团队通过高通量筛选和化学优化，开发出了名为 DDL-357 的新型小分子BET抑制剂，该药物具备良好的脑渗透性。在小鼠模型实验中，口服 DDL-357 显著提升了sCLU含量，并有效降低了磷酸化 tau 蛋白水平，从而改善了患病小鼠的记忆和学习能力。蛋白质组学分析进一步证实，该药物能增强与线粒体功能、突触可塑性及蛋白质清除相关的神经保护蛋白。这项成果为治疗阿尔茨海默病及其他蛋白质病变引起的神经退行性疾病提供了新的潜在候选药物。

References:

• Cohn W, Campagna J, Wi D, et al. Discovery of a small molecule secreted clusterin enhancer that improves memory in Alzheimer’s disease mice[J]. npj Drug Discovery, 2025, 2(1): 7.

这项研究通过对成年人中枢神经系统的三个不同区域进行单核表观基因组分析，填补了人类神经细胞调节景观的研究空白。研究团队利用snATAC-seq和nanoCUT&Tag技术，同时绘制了染色质开放性以及H3K27ac与H3K27me3两种组蛋白修饰的图谱。实验结果揭示了成年少突胶质细胞和星形胶质细胞中保留着某些发育程序的表观遗传记忆，这些特征通常与基因的高强度表达并不直接同步。这种特殊的染色质启动状态赋予了细胞在再生过程中快速激活相关基因的能力，但同时也可能增加其发生神经胶质瘤的风险。该研究为理解人类中枢神经系统的细胞异质性提供了宝贵的资源，并阐明了发育印记如何影响成年期的细胞功能与疾病易感性。

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.

NeMO Analytics 是一个专为神经科学研究设计的综合性转录组数据分析平台，汇集了来自约 200 项研究的多种物种新皮层发育数据。该平台通过联合矩阵分解（SJD）算法，成功揭示了人类、猕猴和老鼠在神经发生过程中共享的分子动态。研究人员利用该工具识别出了灵长类动物特有的细胞程序，并发现体外培养的类器官在模拟神经元成熟方面存在一定的局限。此外，该平台支持无代码操作，允许生物学家轻松上传并对比分析单细胞或空间转录组数据集。通过这种跨物种和跨技术的整合研究，科学家能够更深入地探索大脑演化规律及相关神经发育疾病的分子机制。

References:

• Sonthalia S, Herb B, Adkins R S, et al. NeMO Analytics: a compendium of transcriptomic data for the exploration of neocortical development[J]. Nature neuroscience, 2026: 1-14.

这篇文章介绍了 Conditional Monge Gap (CMonge)，这是一种基于神经网络最优传输 (OT) 的全新框架，专门用于预测单细胞在不同治疗干预下的反应。传统的建模方法通常需要为每种药物或剂量单独训练模型，而 CMonge 通过引入条件协变量，能够利用单一全局模型处理数百种实验条件。该方法通过整合药物分子结构和作用机制等信息，展现了强大的泛化能力，可以准确预测从未见过的药物对细胞产生的异质性影响。实验证明，CMonge 在单细胞 RNA 测序和蛋白质成像数据上的表现优于现有的 chemCPA 等模型。此外，其轻量化设计和高参数效率为加速药物研发与老药新用提供了一条更具实践价值的路径。

References:

• Driessen A, Rajwade D A, Harsanyi B, et al. Conditional Monge Gap enables generalizable single-cell perturbation modelling[J]. Nature Machine Intelligence, 2026: 1-13.

这项研究介绍了一种名为心脏感知基础模型（CSFM）的多模态人工智能框架，旨在提升心脏健康的监测与诊断水平。该模型采用了Transformer架构，并在来自170万受试者的心电图（ECG）、光电容积脉搏波（PPG）及临床文本报告的海量数据上进行了预训练。与传统针对单一任务的专用模型不同，CSFM具备极强的通用性，能够灵活适配从医院专业设备到家用可穿戴传感器的各种硬件配置。实验证明，该模型在疾病诊断、生命体征测量及临床结果预测等多项任务中均优于现有技术。此外，它还展现出了卓越的跨模态数据重建能力，例如通过单导联信号还原完整的12导联心电图。总体而言，这一成果为构建更具可扩展性和鲁棒性的数字化心脏医疗监测体系奠定了基础。

References:

• Gu X, Tang W, Han J, et al. Cardiac health assessment across scenarios and devices using a multimodal foundation model pretrained on data from 1.7 million individuals[J]. Nature Machine Intelligence, 2026, 8(2): 220-233.

这项研究通过对人类海马体和视觉皮层的直接记录，揭示了海马波纹（Ripples）在预测未来信息中的关键作用。研究发现，当面对不可预测的视觉刺激时，海马体会在刺激出现前增加波纹的发生频率和持续时间，以此来应对不确定性。这些预先出现的波纹能够调节视觉皮层的伽马活动，从而优化大脑对信息的处理效率。这种机制将海马体的生理活动与预测编码理论联系起来，证明了海马波纹在处理预期信息增益和精准权重预测误差中的功能。总而言之，该研究阐明了海马体如何通过与新皮层的协调，在感知合成和记忆编码过程中发挥前瞻性的调节作用。

References:

• Frank D, Moratti S, Hellerstedt R, et al. Human hippocampal ripples tune cortical responses based on predicted uncertainty[J]. Nature Neuroscience, 2026: 1-12.