聊聊Sci

NeuroXiv 是一个专门针对脑范围神经元形态学建立的开放式、AI 驱动的交互平台。该平台整合并标准化了来自多个研究项目的 17.5 万余个神经元形态数据，并将其统一映射至 CCFv3 标准脑图谱中。通过引入 AIPOM 挖掘引擎，用户可以利用自然语言或特定规则，高效搜索、可视化并分析神经元的连接模式与形态特征。为了提升科研效率，平台采用了基于大语言模型的 MoE（混合专家）框架，能够自动生成准确且简洁的数据挖掘报告。此外，NeuroXiv 还通过客户端优化方案大幅缩短了交互响应时间，为神经科学领域的数据复用与知识发现提供了强大的支撑。

References:

• Jiang S, Wang L, Yun Z, et al. NeuroXiv: AI-powered open databasing and dynamic mining of brain-wide neuron morphometry[J]. Nature methods, 2025, 22(6): 1195-1198.

这份研究系统地评估并比较了用于定量分析组织架构的细胞邻近偏好（NEP）计算方法。作者通过解析现有工具的算法步骤，识别出邻域定义、邻域量化和评分机制三个核心环节，并指出当前技术在处理方向性和数值连续性方面的局限。为此，研究者提出了一种名为COZI的新型分析方法，该方法通过结合双向计数与条件z分数，能够更灵敏地捕捉不同生物样本组间的细微空间差异。通过对模拟数据集以及三阴性乳腺癌和心肌梗死等真实生物样本的验证，该研究证明了COZI在区分组织架构和恢复邻近偏好方向性方面的优越性。这项工作为研究人员在空间组学分析中选择最合适的计算工具提供了重要指南。

References:

• Schiller C, Ibarra-Arellano M A, Bestak K, et al. Comparison and optimization of cellular neighbor preference methods for quantitative tissue analysis[J]. Nature Communications, 2026, 17(1): 3514.

这项研究通过开发新型生物正交技术（BONCAT），揭示了大脑衰老过程中神经元蛋白质组稳态失调的机制。研究发现，老年小鼠神经元中的蛋白质半衰期比年轻个体延长了约一倍，这种降解速度的减慢在不同脑区表现出显著的地域差异性。科学家编纂了包含一千多种蛋白质的神经元“聚集组”，证实这些难以清除的蛋白质积聚与降解效率下降密切相关。此外，研究还观察到小胶质细胞在衰老过程中会大量吞噬并累积源自神经元的突触蛋白。这种突触蛋白周转障碍与免疫细胞累积的现象，可能是导致认知能力下降及神经退行性疾病的关键驱动因素。这些发现为理解大脑退化提供了全新的分子视角和潜在的治疗靶点。

References:

• Guldner I H, Wagner V P, Moran-Losada P, et al. Ageing promotes microglial accumulation of slow-degrading synaptic proteins[J]. Nature, 2026: 1-12.

这项研究深入探讨了全基因组倍增（WGD）如何通过免疫逃逸机制推动乳腺癌的发展。研究发现，倍增后的癌细胞会表现出抗原呈递功能受损，从而逃避CD8+ T细胞的攻击，使其在免疫功能正常的宿主体内快速生长。这种现象源于代谢水平的改变，尤其是琥珀酸含量的增加导致KDM6去甲基化酶活性下降。这一变化进一步引发了H3K27me3组蛋白修饰水平的升高，从而在表观遗传层面限制了免疫反应基因的表达。最后，研究表明PRC2抑制剂能够有效恢复抗原呈递功能，为治疗WGD+型癌症提供了潜在的临床策略。

References:

• Foidart P, Li Z, Cai X, et al. Whole-genome doubling drives immune evasion by silencing antigen presentation[J]. Cancer cell, 2026.

这篇研究介绍了一种名为MRx的新型磁共振成像技术，旨在突破传统MRI仅能进行定性观察的局限。该技术通过多重数据采集与物理启发式机器学习算法，能够在14分钟内同步获取包含代谢分子和组织物理特性的22种定量生物标志物。实验证明，MRx在检测胶质母细胞瘤和多发性硬化症（MS）方面表现卓越，能精准区分病变亚型并识别早期病灶。通过构建综合的组织状态指数，MRx为不同生理状态下的脑组织提供了高分辨率的量化图谱。这项创新技术不仅增强了对复杂神经疾病的诊断精度，也为实现精准医疗和个性化治疗方案提供了关键的技术支撑。

References:

• Li Y, Guo R, Zhao Y, et al. Multiplexed magnetic resonance imaging[J]. Nature, 2026: 1-7.

这项研究揭示了三阴性乳腺癌中癌症干细胞（CSCs）通过释放富含 TSPAN8 蛋白的外泌体，远程诱导免疫逃逸的新机制。这些外泌体表面的 TSPAN8 通过与 T 细胞上的 CD103 受体直接结合，激活了 LKB1-AMPK-FOXP3 信号通路，从而促使初始 T 细胞转化为极具免疫抑制性的 CD103+FOXP3+ 调节性 T 细胞（Tregs）。研究发现，这种相互作用还形成了一个正反馈环路，增强了 Tregs 在肿瘤组织中的留存，导致周围抗癌免疫环境的恶化。临床数据表明，血浆外泌体中的 TSPAN8 水平与患者的预后呈负相关，是潜在的生物标志物。实验证明，利用单克隆抗体阻断 TSPAN8 能显著降低 Tregs 的积累，并能与 PD-1 抑制剂产生协同效应，增强对三阴性乳腺癌的治疗效果。这一发现为克服免疫治疗耐药性并针对性地重塑肿瘤免疫微环境提供了新的策略。

References:

• Fan G, Jin J, Wang J, et al. Cancer stem cells orchestrate immune evasion through extracellular vesicle-mediated non-canonical signaling pathways[J]. Cancer Cell, 2026.

这项研究揭示了HIV-1如何通过细胞间传播（CCS）感染静息态CD4+ T细胞的新机制。研究发现，病毒衣壳进入细胞核是感染静息T细胞的主要障碍，但HIV-1能利用病毒突触触发靶细胞的CD4–LCK信号通路，进而激活CDK1。这种信号传导会重塑核孔复合物（NPC），通过磷酸化核孔蛋白来消除进入壁垒，从而赋予病毒进入细胞核的权限。相比之下，游离病毒颗粒由于无法诱导这种特定的细胞信号，导致其难以在体外有效感染静息T细胞。该研究不仅解释了静息T细胞在体内如何被感染，还证明了HIV-1进化出了利用细胞间接触来调控宿主细胞核孔功能的策略。研究结果强调了细胞间传播在病毒感染中的主导地位，并为HIV-1如何突破宿主免疫防御提供了新的生物学证据。

References:

• Mesner D, Whelan M V X, Shivkumar M, et al. HIV-1 signalling remodels nuclear pores to licence infection[J]. Nature, 2026: 1-11.

该研究介绍了一种名为空间生态型 (SEs) 的机器学习框架，旨在从肿瘤微环境中识别和分析多细胞交互程序。研究人员整合了逾一千万个单细胞与空间转录组数据，在多种人类癌症中发现了九种具有保守性的空间结构，这些结构与患者的临床预后及免疫治疗反应密切相关。通过新开发的 Liquid EcoTyper 深度学习工具，科学家能够从非侵入性的外周血血浆游离 DNA (cfDNA) 甲基化谱中精准还原这些空间特征。在针对黑色素瘤患者的临床验证中，这种液体活检平台在预测疗效方面表现优异，超越了现有的生物标志物。这项成果为实现固态肿瘤及其微环境的无创监测和个性化精准医疗开辟了新途径。

References:

• Zhang W, Brown E L, Usmani A, et al. Non-invasive profiling of the tumour microenvironment with spatial ecotypes[J]. Nature, 2026: 1-12.

RegVelo 是一种基于深度生成模型的单细胞分析新方法，旨在通过整合 scRNA-seq 数据与先验的基因调控网络（GRN）知识，更精准地模拟细胞发育动态。传统的 RNA 速率模型通常假设转录速率恒定且基因间相互独立，而 RegVelo 通过非线性常微分方程将剪切动力学与基因间的调控相互作用耦合在一起。该框架不仅能提高对细胞终末状态和分化路径预测的准确性，还支持高效的机理模拟（in silico perturbation），帮助研究者预测基因敲除对细胞命运的影响。研究团队利用该模型分析了人类造血系统、胰腺发育及脊椎动物神经嵴发育，成功识别并验证了如 elf1 等关键的谱系驱动因子。通过将调控机制直接引入动力学模型，RegVelo 为理解基因如何协同编排复杂的细胞分化过程提供了一个量化且可解释的工具。

References:

• Wang W, Hu Z, Weiler P, et al. RegVelo: gene-regulatory-informed dynamics of single cells[J]. Cell, 2024.

这篇文章介绍了一种名为 D-SPIN 的创新计算框架，旨在通过单细胞转录组测序数据构建具有解释性的基因调控网络模型。该系统利用统计物理中的自旋网络模型，能够整合数千种干扰条件下的细胞反应，从而精确模拟并预测细胞状态的分布。研究表明，D-SPIN 在识别隐藏的基因相互作用方面显著优于传统方法，并能揭示控制细胞分化的关键调控因子。通过分析大规模数据集，它阐明了药物组合如何通过累加招募特定的基因程序来诱导产生新的细胞状态。总之，该工具为理解细胞信息处理逻辑及辅助精准医疗设计提供了强有力的机械性模拟平台。

References:

• Jiang J, Chen S, Tsou T, et al. D-SPIN constructs regulatory network models from scRNA-seq that reveal organizing principles of perturbation response[J]. Cell, 2026.