本文介绍了一种名为 Path2Space 的深度学习模型，它能够直接从常规的 H&E 染色病理切片中预测成千上万个基因的空间表达谱。该研究通过将低成本的组织学图像与高价的空间转录组学技术相结合，成功克服了传统分子检测成本高昂且难以大规模应用的局限性。Path2Space 不仅能精准刻画肿瘤微环境并识别具有不同生存预后的临床亚群（即 SpatioTypes），还能比传统的批量测序更有效地预测患者对化疗和曲妥珠单抗的治疗反应。这一创新工具为发现大规模临床队列中的空间生物标志物提供了可扩展且经济高效的方案，对癌症的精准医疗具有重大意义。 References: * Shulman E D, Campagnolo E M, Lodha R, et al. AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology[J]. Cell, 2026.

这项研究利用全基因组CRISPR基因敲除筛选技术，揭示了GATOR1复合物（包括NPRL3、DEPDC5和NPRL2）在Myc驱动的淋巴瘤中发挥着关键的肿瘤抑制作用。研究人员发现，失去这些基因会异常激活mTORC1信号通路，显著加速小鼠体内恶性肿瘤的产生，其致癌效力与经典的p53基因失活相当。在人类淋巴瘤临床数据中，GATOR1表达量低也与患者预后不良及生存率下降密切相关。实验进一步证实，由于该复合物缺失导致了代谢异常和mTORC1过度活跃，此类淋巴瘤表现出对mTOR抑制剂的高度敏感性。这一发现不仅明确了GATOR1是抑制淋巴细胞癌变的屏障，也为治疗具有此类基因缺陷的癌症提供了精准医疗的新策略。 References: * Potts M A, Mizutani S, Deng Y, et al. Genome-wide in vivo CRISPR screens identify GATOR1 complex as a tumor suppressor in Myc-driven lymphoma[J]. Nature Communications, 2025, 16(1): 7582.

这篇综述探讨了机器学习（ML）与深度学习（DL）在空间组学领域的应用现状与未来趋势。作者通过类比地理空间遥感技术，系统地比较了从基础聚类算法到先进的图神经网络和大模型在处理高维空间数据时的优劣。文中提出了一个多维度的决策框架，旨在根据数据模态、分辨率及临床需求指导科研人员选择最合适的计算模型。此外，针对标注匮乏和计算成本等瓶颈，文章展望了量子计算、联邦学习及自监督学习等新兴技术在实现精准医疗中的潜力。总之，该文为构建可复制且具有临床转化价值的生物信息学管线提供了方法论指导。 References: * Zirem Y, Fournier I, Salzet M. Toward next-generation machine learning and deep learning for spatial omics[J]. Briefings in Bioinformatics, 2026, 27(2): bbag131.

scpFormer 是一种专为单细胞蛋白质组学设计的生成式预训练大模型，旨在解决该领域数据高度碎片化和特征不连续的难题。通过引入基于蛋白质序列的连续语义映射和动态表达嵌入，该模型打破了传统方法对固定抗体面板的依赖，实现了跨平台数据的统一表示。研究表明，scpFormer 在细胞类型注释、批次效应整合以及缺失值补全等任务中展现出超越现有技术的性能。此外，其学习到的蛋白质共表达逻辑具有很强的泛化能力，能够有效提升癌症药物反应预测的准确性。作为该领域的首个基础模型，它为生物标志物发现和精准医疗提供了一个灵活且可扩展的计算框架。 References: * Zhou Q, Yu L, Guo Y, et al. scpFormer: A Foundation Model for Unified Representation and Integration of the Single-Cell Proteomics[J]. arXiv preprint arXiv:2604.20003, 2026.

这篇研究揭示了全基因组选择性扫荡（GWSS）是驱动人体肠道微生物群进化的核心机制。研究人员通过分析海量分离株基因组与宏基因组数据，证实了这种机制在至少66个细菌分类群中普遍存在，导致细菌在系统发育树上呈现出独特的“扫荡簇”结构。这些细菌种群具有如同全球性流行病般的传播特性，能在短短数十年内跨越不同地域的人群进行扩散。研究进一步发现，这些遗传单元具有显著的生态分化特征，与宿主的年龄、结直肠癌、2型糖尿病及炎症性肠病等生理健康状态密切相关。通过对重组率与突变积累的建模，该研究为理解肠道菌群如何通过适应性进化占据特定生态位提供了重要的理论基础。 References: * Yu X A, Strachan C R, Herbold C W, et al. Genome-wide sweeps create ecological units in the human gut microbiome[J]. Nature, 2026: 1-8.

这项研究揭示了p53蛋白在人类体细胞化学重编程为多能干细胞（CiPSCs）过程中的核心保障作用。不同于其在传统转录因子诱导重编程（OSKM）中作为障碍的角色，p53对于化学重编程的效率和基因组稳定性至关重要。研究发现，通过小分子药物的协同作用，细胞能在维持p53表达的同时抑制其下游促凋亡因子p21，从而确保细胞在快速增殖的同时避免过度上皮-间充质转化（EMT）。此外，利用p53-BTG2轴的抗肿瘤特性，该方法能有效清除缺陷细胞，使生成的CiPSCs具有更少的基因突变。这一发现为开发更安全、受控的再生医学和细胞身份转化技术提供了重要的理论支持。 References: * Cheng L, Wang Y, Yang Z, et al. p53 safeguards chemical reprogramming of human somatic cells toward pluripotency[J]. Cell, 2026.

这篇文章探讨了受控细胞死亡（RCD）在癌症发展、治疗反应及免疫抑制中的核心作用。研究人员详细分析了凋亡、坏死性凋亡、焦亡和铁死亡等多种死亡程序的分子机制，并指出癌细胞如何通过逃避细胞死亡来产生耐药性。文章强调，这些不同的死亡方式不仅直接清除恶性细胞，还通过释放信号分子重塑肿瘤微环境并触发免疫原性细胞死亡。此外，作者提出了一种系统肿瘤学框架，旨在利用这些代谢和生化漏洞开发新型抗癌药物。最终，通过个性化监测和针对性地激活特定死亡通路，有望突破现有疗法的瓶颈并增强免疫治疗的效果。 References: * Conrad M, Strasser A, Jost P ...Cell death in cancer. Cell, 189, 2322-2356

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.