聊聊Sci

这篇文章阐述了癌症神经科学这一新兴领域，深入探讨了神经系统与癌症之间复杂的相互作用。研究表明，肿瘤不仅能通过突触连接和旁分泌信号劫持神经通路以促进自身生长、扩散及耐药性，还会导致神经系统的重新编程，进而引发患者的心理及生理症状。文中系统梳理了从中枢到外周神经系统的多种互作机制，包括神经元对癌症的直接调控、肿瘤对微环境的改造以及昼夜节律与睡眠对病情进展的影响。此外，作者提出了一套整合空间转录组学和光遗传学等前沿技术的科研路线图，旨在开发以神经科学为指导的新型癌症疗法。最终，该研究呼吁加强跨学科合作，通过老药新用和针对性药物研发，构建临床治疗的新支柱。

References:

• Winkler F, Heuer S, Althammer F, et al. Cancer neuroscience: The past, the present, and the road ahead[J]. Cell, 2026, 189(8): 2464-2489.

本研究通过分析超过40个乳腺癌和肺癌组织样本，对 Xenium 空间转录组平台的数据特性进行了系统性评估。研究重点探讨了转录本溢出（Spillover）和细胞分割误差对数据质量的影响，发现不同细胞间的信号混合是导致生物学分辨率降低的主要原因。为此，作者开发了名为 SPLIT 的计算方法，通过整合单核 RNA 测序（snRNA-seq）参考数据来分解混合信号并净化基因表达谱。实验证明，SPLIT 显著提升了细胞类型识别的准确性，能有效揭示被技术噪声掩盖的免疫细胞特征。此外，研究还对比了不同基因面板和分割策略的性能，为优化空间组学分析流程提供了重要基准。

References:

• Bilous M, Buszta D, Bac J, et al. Resolving sensitivity, specificity and signal contamination in Xenium spatial transcriptomics[J]. Nature Methods, 2026: 1-11.

这份研究介绍了一种名为 eSIG-Net 的新型交互语言模型，专门用于预测单点突变如何干扰蛋白质之间的相互作用（即“蛋白质代码”）。该模型创新性地结合了蛋白质序列嵌入、语法与进化感知编码以及对比学习技术，通过分析野生型与突变型蛋白之间的细微序列差异来识别相互作用扰动。实验结果表明，eSIG-Net 在预测精度上显著超过了现有的基于序列和结构的计算方法，能够更准确地定位致病变异并揭示分子机制。此外，该框架具有较强的通用性，可应用于多种生物学场景，为海量意义不明变异（VUS）的特性分析提供了高效的计算手段。总之，这一工具为理解基因突变如何重构蛋白质信号网络提供了全新的视角，有望推动遗传病治疗与生物标志物发现的研究进程。

References:

• Pan X, Shrawat A, Raghavan S, et al. eSIG-Net: an interaction language model that decodes the protein code of single mutations[J]. Nature Methods, 2026: 1-6.

本文介绍了一种名为 MicroSplit 的新型深度学习计算显微技术，旨在解决传统荧光成像中速度、分辨率与光毒性之间的权衡难题。该技术核心在于语义解混（Semantic Unmixing），允许科研人员在单一荧光通道内同时对多达四个细胞结构进行成像，随后利用 AI 算法将其拆分为独立的去噪通道。通过采用变分分裂编码器-解码器网络，该模型不仅能生成高质量的图像，还能通过评估预测的不确定性来确保结果的可靠性。这种方法大幅节省了成像过程中的光子预算，从而支持更快的采样频率和更低损伤的长时程活细胞成像。研究证明，MicroSplit 处理后的数据在下游分割任务中表现优异，与人工标注的准确度相当。此外，该技术还能有效去除图像中的特定伪影，目前所有模型与代码均已向生物医学社区开源。

References:

• Ashesh A, Carrara F, Zubarev I, et al. Micro S plit: semantic unmixing of fluorescent microscopy data[J]. Nature Methods, 2026: 1-11.

该文章介绍了一项针对临床批准激酶抑制剂的全面性研究，通过对92种药物与758种激酶（包括野生型及多种致病突变体）进行生化分析，构建了大规模的相互作用图谱。研究发现，现有药物的可靶向激酶范围从89种大幅扩展至235种，揭示了显著的药物多效性。作者展示了如何利用这些数据进行药物开发与旧药新用，例如发现tepotinib可抑制胶质母细胞瘤中的IRAK1/4通路。此外，该研究揭示了特定突变如何导致耐药性，并识别出能克服这些抗性的现有药物。为促进精准医疗，研究团队还开发了名为KiRHub的在线平台，供研究者检索针对特定激酶变体的有效抑制剂。总之，这项工作为通过药物重定向和多靶点疗法治疗癌症及炎症疾病提供了重要的生化依据。

References:

• Saifudeen M, Zhu S, Liang S, et al. Comprehensive profiling of clinically approved kinase inhibitors reveals mutation-specific inhibitors and opportunities for drug repurposing[J]. Nature Biotechnology, 2026: 1-15.

这项研究揭示了巨噬细胞一种名为“类胞吐作用”的新型采样机制，使其能够从活细胞中直接获取物质。与传统的吞噬死细胞不同，这种过程依赖于细胞接触而非细胞凋亡，通过拉伸目标细胞膜形成含有细胞质的微小囊泡。研究人员利用高维流式细胞术发现，这些被摄取的物质进入了特定的非降解途径，有效避开了溶酶体的破坏。这种独特的处理方式能更持久地保存自我也抗原，并表现出更强地激活CD8 T细胞的能力。此外，通过干预SNX27蛋白可以改变抗原的运送路径，进而证实了该采样机制在维持免疫稳态和自我耐受中的核心作用。

References:

• Fan A C, Thota R R, Serwas N, et al. Submicrometre sampling of living cells by macrophages[J]. Nature, 2026: 1-9.

这项科学研究通过分析一千多种物种的Hi-C数据，揭示了基因组三维结构的演化历程。研究识别出两种核心的高级架构：反映染色体整体空间布局的“全局折叠”和体现染色质分区的“棋盘格”模式。研究发现，植物倾向于保持稳定的全局折叠，而动物则随着进化复杂度的提升，发展出更显著的棋盘格结构。虽然演化路径不同，但这两种生物界都趋向于利用空间组织来辅助基因调控。此外，该研究还观察到人类胚胎发育过程中存在从全局折叠向棋盘格模式的转变。这一成果验证了“结构决定功能”的生物学基本原理。

References:

• Che Y, Bush S J, Lin H, et al. The evolution of high-order genome architecture revealed from 1,000 species[J]. Cell, 2026.

这篇综述文章探讨了肿瘤发生的演化模型，重点分析了突变（起始）与选择（促癌）之间的相互作用。作者指出，虽然许多正常组织中存在致癌驱动突变，但只有在特定的环境因素或内源性压力促进克隆扩张时，这些细胞才会转化为癌症。文章梳理了从早期小鼠实验到现代基因组学的研究历程，证明许多致癌物并非直接导致突变，而是作为肿瘤促癌剂改变了组织微环境。通过识别空气污染、饮食习惯和慢性炎症等非致癌性因素，研究强调了达尔文选择在克隆演化中的核心地位。最终，作者建议利用超深度测序技术来监测早期克隆扩张，从而为癌症预防和早期干预开辟新路径。

References:

• Lopez-Bigas N, Kandyba E, Gonzalez-Perez A, et al. Tumour promotion through the lens of evolution[J]. Nature, 2026, 652(8110): 591-601.

这份研究展示了如何通过单细胞空间转录组学技术，构建出一个超五百万个细胞的人体肾脏空间图谱，旨在破解糖尿病肾病（DKD）的复杂异质性。研究团队利用先进的检测平台，在组织内精确识别出多种细胞生态位和受损的微环境，揭示了这些结构如何影响肾功能的衰竭。最核心的发现是确定了一类以B细胞为主的免疫微环境，该特征能够定义出一种病情恶化更快的特定DKD亚群。基于此，科学家们开发了匹配的血液蛋白质检测面板，为患者的精准分层和预测风险提供了比临床传统模型更有效的手段。这项成果不仅深化了对组织架构与疾病演变关系的理解，还为未来针对B细胞的精准靶向治疗奠定了生物标志物基础。

References:

• Dumoulin B, Levinsohn J, Klötzer K A, et al. Spatial atlas of diabetic kidney disease reveals a B cell-rich subgroup[J]. Nature, 2026: 1-12.

这份研究综述详细探讨了从头蛋白质设计（de novo protein design）的历史演变、现状及未来前景。文章指出，该领域正经历从传统物理化学模型向深度学习驱动方法的重大范式转移。通过使用 RFdiffusion 和 ProteinMPNN 等先进工具，研究人员已经能够精准设计出自然界中不存在的新型蛋白质结构、组装体及结合剂。这种技术进步为解决可持续发展、生物医药及合成生物学中的复杂挑战提供了全新手段。作者预测，未来十年内，具备复杂功能的蛋白质纳米机器将为医疗和技术领域带来突破性变革。

References:

• Yang W, Wang S, Lee G R, et al. The past, present and future of de novo protein design[J]. Nature, 2026, 652(8112): 1139-1152.