Nat. Methods — Vol 22 Issue 10 · 2026-08-01¶

共 10 篇 · Nature Methods
目录核对 ⚠️ 疑似漏 24 篇（对照 OpenAlex 34 篇）：10.1038/s41592-025-02819-8、10.1038/s41592-025-02813-0、10.1038/s41592-025-02834-9、10.1038/s41592-025-02805-0、10.1038/s41592-025-02810-3 等

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期《Nature Methods》以计算工具与实验方法为主线，覆盖了从单分子、单细胞到组织尺度的多模态数据解析。8篇论文可归为三条主线：（1）预训练基础模型与可解释性（Nimbus、META-SiM、InterPLM），聚焦于利用大规模预训练或稀疏自编码器提升跨平台泛化能力与特征发现；（2）空间与多组学数据整合（Giotto Suite、3D CyCIF、scEpi2-seq），强调技术无关的数据框架、三维成像与单细胞多模态联合测量；（3）生物分子结构与修饰解析（CaCoFold-R3D、precisION），分别针对RNA折叠与蛋白质翻译后修饰的检测。其余一篇（scEpi2-seq）虽属实验方法，但其单细胞多组学视角与空间主线有交叉。

在预训练与可解释性主线上，Nimbus 构建了大规模Pan-Multiplex数据集，通过预训练实现跨组织、平台和标记组合的细胞表型分类，无需逐数据集重训练；META-SiM 则用Transformer预训练于单分子时间轨迹，统一处理分类、分割、理想化等任务，并借助嵌入向量可视化发现稀有中间态；InterPLM 从蛋白质语言模型ESM-2中提取可解释特征，发现模型以叠加方式编码概念，而非单个神经元对齐。这三篇共同展示了预训练模型在生物数据上的泛化能力，以及如何通过可解释性工具（稀疏自编码器、嵌入投影）挖掘隐藏模式。

空间与多组学整合主线中，Giotto Suite 通过技术无关的数据框架统一表示分子、形态、空间和注释特征，支持多尺度整合与自定义流程；3D CyCIF 则从实验端切入，用厚切片三维成像解决薄切片中细胞不完整的问题，提升细胞表型与细胞-细胞接触分析的准确性；scEpi2-seq 在单细胞水平同时检测DNA甲基化和组蛋白修饰，直接揭示表观遗传维持的动态互作。这三篇分别从软件架构、成像技术和联合测量角度，回应了空间生物学中数据异构性与尺度不匹配的挑战。

结构与修饰解析主线中，CaCoFold-R3D 利用进化共变信息与概率文法，一次性预测RNA二级结构和三维基序，覆盖超过50种已知基序；precisION 则通过开放搜索策略检测完整蛋白质复合物中的隐藏翻译后修饰，并解析冷冻电镜图中未解释的密度。两篇均以“一次性”或“开放”策略突破传统分步或预设修饰的局限。

对于因果推断/统计方法研究者，本期直接相关度较低，但以下方向可关注：若对预训练模型的可解释性与特征发现感兴趣，InterPLM 的稀疏自编码器框架与META-SiM的嵌入可视化方法具有方法论参考价值；若关注空间数据整合中的统计框架，Giotto Suite 的数据抽象与多尺度表示设计值得一读；若涉及单细胞多模态联合分析，scEpi2-seq 的实验设计虽非统计方法，但其数据生成模式可能启发新的因果或关联推断问题。

其他 (other, 10 篇)¶

1. 10.1038/s41592-025-02826-9 — Automated classification of cellular expression in multiplexed imaging data with Nimbus¶

作者: Josef Lorenz Rumberger, Noah F. Greenwald, Jolene S. Ranek, Potchara Boonrat, Cameron Walker, Jannik Franzen et al.
期刊/来源: Nature Methods
机构: Max Delbrück Center · Helmholtz-Zentrum Berlin für Materialien und Energie · Humboldt-Universität zu Berlin · Stanford Medicine · Stanford University · Charité - Universitätsmedizin Berlin · The Netherlands Cancer Institute · Oncode Institute 等
分类: vol 22 · issue 10 · pp 2161-2170
相关性 0/10 · novelty: application
摘要: 本文针对多重成像数据中细胞表型自动分类问题，构建了包含1.97亿个标记表达注释的Pan-Multiplex (Pan-M) 数据集，覆盖15种细胞类型。提出Nimbus深度学习模型，直接利用原始图像预测单个细胞中每个标记的阳性/阴性状态，无需针对新数据集重新训练。Nimbus采用预训练策略，可跨不同组织类型、显微镜平台和标记组合泛化。在多个基准测试中，Nimbus匹配或超越了需逐数据集重训练的现有方法。模型输出可与下游聚类算法整合，稳健识别细胞亚型。代码和数据已开源。本文是应用导向的方法学贡献，对您而言，可作为了解计算病理学中大规模标注数据构建和预训练模型范式的入门读物，但方法学新颖性有限。
关键技术: deep learning, pretrained model, multiplexed imaging, cell phenotyping, marker positivity classification
为什么对您有用: 本文属于Nature Methods上的应用方法学论文，作为gateway reading，其数据规模（1.97亿标注）和跨平台泛化能力值得关注。但您的武器库（非参数统计、因果推断、高维理论）与此文核心的深度学习图像分类方法无直接交集，且文中未涉及您熟悉的统计推断或不确定性量化问题。暂不可做——核心机器（大规模CNN预训练、图像分割pipeline）不在您的武器库中。可作为拓宽视野的快速阅读，但不值得深入精读。

2. 10.1038/s41592-025-02833-w — All-at-once RNA folding with 3D motif prediction framed by evolutionary information¶

作者: Aayush Karan, Elena Rivas
期刊/来源: Nature Methods
机构: Harvard University · Harvard University Press
分类: vol 22 · issue 10 · pp 2094-2106
相关性 0/10 · novelty: new_method
摘要: 本文提出 CaCoFold-R3D，一种基于概率文法的 RNA 折叠方法，能够同时预测 RNA 的二级结构和三维基序（motif）。该方法利用 RNA 序列比对中的进化信息（共变信息）来可靠识别规范螺旋（包括假结），并引入 R3D 文法来利用螺旋共变约束非共变的三维基序定位。模型覆盖超过 50 种已知 RNA 基序（'everything'），且基序可出现在任何非螺旋环区（包括三路、四路及更高阶连接点）（'everywhere'）。所有结构元素（规范螺旋与三维基序）通过一个联合概率文法一次性预测（'all-at-once'）。结果表明，CaCoFold-R3D 是预测 RNA 三维结构中全残基相互作用的有效替代方案，速度快且易于定制用于新基序发现。该方法对深度学习全原子结构预测和 RNA 药物设计具有潜在价值。
关键技术: probabilistic grammar, covariation analysis, RNA 3D motif prediction, pseudoknot detection, joint secondary-tertiary structure prediction
为什么对您有用: 本文属于 Nature Methods 上的方法学论文，作为 gateway reading 对统计研究者有参考价值：(1) 问题设定清晰——RNA 结构预测是一个有明确数据（序列比对）和模型（概率文法）的统计推断问题，适合作为入门读物了解该领域；(2) 武器库中的非参数统计和软件工程经验可帮助理解其建模框架，但核心机器（概率文法、共变分析）不在当前武器库中，属于暂不可做方向；(3) 本文值得花时间读全文以拓宽视野，但无需深入跟进。

3. 10.1038/s41592-025-02839-4 — Foundation model for efficient biological discovery in single-molecule time traces¶

作者: Jieming Li, Leyou Zhang, Alexander Johnson-Buck, Nils G. Walter
期刊/来源: Nature Methods
机构: Bristol-Myers Squibb (Germany) · Bristol-Myers Squibb (Ireland) · The Bristol-Myers Squibb Children's Hospital · Google (United States) · University of Michigan · Analysis Group (United States)
分类: vol 22 · issue 10 · pp 2149-2160
相关性 0/10 · novelty: application
摘要: 本文提出 META-SiM，一个基于 Transformer 的基础模型，预训练于多种单分子荧光显微（SMFM）时间轨迹分析任务。模型在轨迹分类、分割、理想化及逐步光漂白分析等任务上达到最佳性能。META-SiM 生成的嵌入向量通过配套的 META-SiM Projector 可视化，结合局部香农熵可快速识别条件特异性行为，包括稀有或微妙的中间态。应用于已有的单分子 FRET 数据集时，发现了前体 mRNA 剪接中一个此前未被检测到的中间状态。该方法系统化并加速了单分子数据的生物学发现，消除了手动检查的瓶颈。对您而言，这是一篇 Nature Methods 的通用科学论文，属于 gateway reading 范畴，展示了基础模型在特定生物物理数据分析中的应用，但方法学新颖性有限，不直接涉及您的核心统计兴趣。
关键技术: Transformer foundation model, self-supervised pretraining, embedding visualization, local Shannon entropy, single-molecule FRET
为什么对您有用: 本文属于 general science gateway reading（Nature Methods）。作为入门读物，它清晰阐述了单分子时间轨迹数据分析的挑战和基础模型的解决方案，数据结构和模型假设（轨迹分类、分割、理想化）对统计学家友好。但武器库中缺乏处理此类序列模型预训练和生物物理数据的具体工具，且方法学贡献主要是工程应用而非统计理论创新，暂不可做 follow-up。值得花时间读全文以拓宽视野，了解基础模型在科学数据分析中的前沿应用。

4. 10.1038/s41592-025-02817-w — Giotto Suite: a multiscale and technology-agnostic spatial multiomics analysis ecosystem¶

作者: Jiaji G. Chen, Joselyn C. Chávez-Fuentes, Matthew O’Brien, Junxiang Xu, Edward C. Ruiz, Wen Wang et al.
期刊/来源: Nature Methods
机构: Boston Medical Center · Icahn School of Medicine at Mount Sinai · Boston University
分类: vol 22 · issue 10 · pp 2052-2064
相关性 0/10 · novelty: application
摘要: 本文介绍 Giotto Suite，一个用于空间多组学数据分析的模块化 R 包生态系统。其核心创新在于一个技术无关的数据框架，能够统一表示和整合来自不同空间技术（如分子、形态、空间和注释特征）的多尺度数据。该套件通过可互操作的接口连接基因组学与空间数据科学，支持开发者构建自定义分析流程。在多个前沿空间技术数据集上的应用展示了其可扩展性和灵活性。本文主要贡献在于软件工程与数据架构，而非提出新的统计方法或理论。对于您而言，这是一篇高质量的软件工具论文，展示了如何为复杂数据设计可扩展的分析平台，但方法论 novelty 有限。
关键技术: spatial multiomics data framework, technology-agnostic data representation, modular R package ecosystem, interoperable data structures
为什么对您有用: 本文属于 general science 范畴（Nature Methods），作为 gateway reading 评分： (a) 对非空间组学专家较为友好，但需要一定生物信息学背景； (b) 清晰阐述了空间多组学领域的大问题——数据整合与标准化； (c) 数据维度高、结构复杂（分子+形态+空间），有统计建模空间，但本文未深入； (d) 作为多组学分析平台，值得了解但非直接可迁移。武器库中 'software development' 项可借鉴其模块化设计思路，但核心统计方法不在本文范围内。暂不可做——缺乏空间统计或组学数据分析的专门工具。

5. 10.1038/s41592-025-02783-3 — HippoMaps: multiscale cartography of human hippocampal organization¶

作者: Jordan DeKraker, Donna Gift Cabalo, Jessica Royer, Alexander Ngo, Ali R. Khan, Bradley G. Karat et al.
期刊/来源: Nature Methods
机构: Montreal Neurological Institute and Hospital · McGill University · Western University · Duke Medical Center · Forschungszentrum Jülich · Düsseldorf University Hospital · Max Planck Institute for Human Cognitive and Brain Sciences · Heinrich Heine University Düsseldorf 等
分类: vol 22 · issue 10 · pp 2211-2222
相关性 0/10

6. 10.1038/s41592-025-02844-7 — Fourier-based three-dimensional multistage transformer for aberration correction in multicellular specimens¶

作者: Thayer Alshaabi, Daniel E. Milkie, Gaoxiang Liu, Cyna Shirazinejad, Jason L. Hong, Kemal Achour et al.
期刊/来源: Nature Methods
机构: Howard Hughes Medical Institute · Janelia Research Campus · University of California, Berkeley · Lawrence Berkeley National Laboratory · Chan Zuckerberg Initiative (United States) · Allen Institute for Brain Science
分类: vol 22 · issue 10 · pp 2171-2179
相关性 0/10

7. 10.1038/s41592-025-02836-7 · arXiv — InterPLM: discovering interpretable features in protein language models via sparse autoencoders¶

作者: Elana Simon, James Zou
期刊/来源: Nature Methods
分类: vol 22 · issue 10 · pp 2107-2117
相关性 0/10 · novelty: application
摘要: 本文提出一种系统方法，利用稀疏自编码器（SAE）从蛋白质语言模型（PLM）ESM-2的嵌入中提取可解释的潜在特征。研究发现，每层可识别数千个人类可解释的潜在特征，涵盖结合位点、结构基序和功能域等数百个已知生物学概念；相比之下，直接检查单个神经元的对齐程度显著更低，表明PLM以叠加方式表示大多数概念。实验表明，更大的PLM（650M参数）捕获的可解释概念远多于小模型（8M参数），且模型还学习到与现有注释不对应的连贯概念。作者提出利用语言模型自动解释SAE学习的新潜在特征的流程，并展示了这些特征在填补蛋白质数据库缺失注释和定向引导蛋白质序列生成中的应用。作为社区资源，发布了交互式可视化平台InterPLM和代码。本文属于应用方法学贡献，对您作为统计研究者而言，可作为了解机器学习可解释性前沿的入门读物，但方法论转移性有限。
关键技术: sparse autoencoders, protein language models, interpretable latent features, superposition hypothesis, ESM-2
为什么对您有用: 本文属于Nature Methods上的应用方法学论文，作为gateway reading，其可读性高、生物学问题清晰、数据与模型结构明确，适合统计研究者了解深度学习可解释性领域。但核心方法（SAE训练与特征解释）与您的primary interests（因果推断、高维统计、U统计量等）无直接技术连接，武器库中缺乏稀疏编码/可解释性相关工具，暂不可做后续工作。

8. 10.1038/s41592-025-02824-x — Highly multiplexed 3D profiling of cell states and immune niches in human tumors¶

作者: Clarence Yapp, Ajit J. Nirmal, Felix Zhou, Alex Y. H. Wong, Juliann B. Tefft, Yi Daniel Lu et al.
期刊/来源: Nature Methods
机构: Harvard University · Center for Systems Biology · Brigham and Women's Hospital · Southwestern Medical Center · The University of Texas Southwestern Medical Center
分类: vol 22 · issue 10 · pp 2180-2193
相关性 0/10 · novelty: application
摘要: 本文介绍了一种高多重循环免疫荧光方法（3D CyCIF），用于三维组织成像，并应用于人类肿瘤样本。传统组织病理学依赖4-5微米的薄切片，但作者发现薄切片中几乎没有完整的细胞，这降低了细胞表型分析和相互作用分析的准确性。该方法对8-10倍厚的切片进行三维循环免疫荧光成像，能够准确评估肿瘤、免疫和基质细胞中多种蛋白标记物的形态。高分辨率共聚焦成像在保留的组织环境中生成细胞图像，细节水平此前仅限于细胞培养。精确的细胞膜成像使得检测和绘制细胞-细胞接触及免疫细胞微环境中的近分泌信号复合物成为可能。本文主要是一项技术方法学贡献，展示了三维空间生物学在肿瘤免疫微环境研究中的应用潜力。
关键技术: Cyclic Immunofluorescence (CyCIF), 3D tissue imaging, confocal microscopy, multiplexed protein profiling, cell-cell contact mapping
为什么对您有用: 本文属于Nature Methods上的通用科学方法论文，作为gateway reading，它清晰阐述了三维组织成像如何解决薄切片中细胞不完整的问题，并展示了数据生成和分析的维度（高多重蛋白标记、空间结构）。对于统计学家而言，本文暴露了一个有趣的建模问题：如何从三维空间点模式数据中推断细胞-细胞接触和信号复合物的统计显著性，这涉及空间统计和网络分析。武器库中的非参数统计和软件工具可用于开发此类分析流程，但本文本身不提供可直接迁移的方法，属于值得一读的跨学科入门材料。

9. 10.1038/s41592-025-02846-5 — Uncovering hidden protein modifications with native top-down mass spectrometry¶

作者: Jack L. Bennett, Tarick J. El-Baba, Konstantin C. Zouboulis, Carla Kirschbaum, Haigang Song, Frances I. Butroid et al.
期刊/来源: Nature Methods
机构: University of Oxford · CRUK/MRC Oxford Institute for Radiation Oncology
分类: vol 22 · issue 10 · pp 2127-2137
相关性 0/10 · novelty: application
摘要: 本文介绍 precisION，一个用于原生自上而下质谱数据的交互式开源软件包，旨在检测、定位和量化完整蛋白质复合物中‘隐藏’的翻译后修饰。该方法采用数据驱动的片段级开放搜索策略，能够发现未表征或低丰度的修饰，弥补了现有方法在捕获修饰与相互作用之间关键联系方面的不足。作者将 precisION 应用于四个治疗相关靶点（PDE6、ACE2、骨桥蛋白 SPP1 和 GABA 转运蛋白 GAT1），发现了此前未记录的磷酸化、糖基化和脂质化修饰，并解析了 GAT1 冷冻电镜图中先前无法解释的密度。作为开放获取工具，precisION 为解释复杂蛋白质碎片数据提供了直观手段，有望推动整合结构生物学、分子病理学和药物开发。本文是方法学贡献，但属于生物信息学/质谱分析领域，与统计推断的核心兴趣无直接方法学关联。
关键技术: native top-down mass spectrometry, fragment-level open search, proteoform identification, interactive software package
为什么对您有用: 本文属于 Nature Methods 上的方法学论文，作为跨学科通识阅读有一定价值，但核心是质谱数据分析软件，不涉及因果推断、高维统计或半参理论等主要兴趣方向。武器库中无直接可攻工具，属于暂不可做范畴。

10. 10.1038/s41592-025-02847-4 — Single-cell multi-omic detection of DNA methylation and histone modifications reconstructs the dynamics of epigenomic maintenance¶

作者: Christoph Geisenberger, Jeroen van den Berg, Vincent van Batenburg, Buys de Barbanson, Anna Lyubimova, Joe Verity-Legg et al.
期刊/来源: Nature Methods
机构: Royal Netherlands Academy of Arts and Sciences · LMU Klinikum · Oncode Institute · Ludwig-Maximilians-Universität München · Hubrecht Institute for Developmental Biology and Stem Cell Research · University of Oxford · Ludwig Cancer Research · Ningbo University Affiliated Hospital 等
分类: vol 22 · issue 10 · pp 2042-2051
相关性 0/10 · novelty: application
摘要: 本文开发了 scEpi2-seq，一种能够在单细胞和单分子水平同时检测 DNA 甲基化和组蛋白修饰（如 H3K27me3）的技术。该方法填补了此前无法在同一细胞中联合测量这两种表观遗传标记的空白，从而可以直接研究它们之间的相互作用。在 FUCCI 细胞周期报告系统细胞系中的应用揭示了局部染色质环境如何影响 DNA 甲基化的维持。在小鼠肠道中的分析则展示了 H3K27me3 与 DNA 甲基化在细胞类型特化过程中的表观遗传互作。研究还发现差异甲基化区域存在独立于 H3K27me3 的细胞类型调控，表明 CpG 甲基化在兼性异染色质中作为额外的调控层。作为一篇方法学论文，其核心贡献在于实验技术而非统计方法，对您而言可作为了解单细胞多组学数据生成前沿的入门读物。
关键技术: single-cell multi-omics, DNA methylation profiling, histone modification profiling, scEpi2-seq, FUCCI cell cycle reporter
为什么对您有用: 本文属于 Nature Methods 上的方法学论文，作为 gateway reading 适合了解单细胞表观遗传学数据生成的前沿。技术武器库中的非参数统计和因果推断工具与此无直接接口，但作为拓宽科学视野的读物有价值。值得花时间读全文以理解数据结构和噪声来源，但暂不可做后续方法学跟进。

Maintained by 陈星宇 · Homepage · Source on GitHub