Nat. Methods — Vol 22 Issue 12 · 2026-08-01¶

共 9 篇 · Nature Methods
目录核对 ⚠️ 疑似漏 38 篇（对照 OpenAlex 47 篇）：10.1038/s41592-025-02899-6、10.1038/s41592-025-02867-0、10.1038/s41592-025-02784-2、10.1038/s41592-025-02901-1、10.1038/s41592-025-02951-5 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》第22卷第12期的9篇论文整体上呈现两条主线：一是将深度学习工具链（自动微分、基础模型）引入传统生物成像与神经科学建模，二是实验方法学上的硬件与化学流程创新。前者集中在计算与统计方法层面，后者则多为生物工程或化学流程的突破，统计方法学含量较低。

最突出的主线是可微分仿真与基础模型在生物图像和神经科学中的应用。Jaxley 利用 JAX 的自动微分和 GPU 并行，将传统 biophysical 神经元模型的参数拟合从手工调参转向梯度下降优化，效率提升数个数量级，并展示了训练大规模形态学网络执行计算机视觉任务的能力。CellSAM 和 Nicheformer 则分别代表基础模型在细胞分割和单细胞空间组学中的落地：前者基于 SAM 通过目标检测器自动定位细胞并生成掩码，实现多模态零样本泛化；后者在 dissociated 与空间转录组数据上联合预训练，捕获细胞空间上下文表征，并通过 linear probing 和 fine-tuning 在下游任务中表现优异。这三篇共同展示了深度学习工具链如何降低传统生物建模与图像分析的门槛，其中 Jaxley 的可微分仿真框架对统计/因果研究者而言，可能提供将物理模型与数据驱动优化结合的新思路。

另一条主线是成像与检测技术的分辨率与通量提升。HR-IMC 通过过采样和点扩散函数反卷积，将成像质谱流式的分辨率从1 µm提升至350 nm以下，无需硬件改造；Nondestructive X-ray tomography 则结合低温样品台和定制非刚性断层重建算法，在超高辐射剂量下实现亚40 nm各向同性分辨率，无需物理切片。这两篇均依赖计算后处理或重建算法，但核心贡献在实验流程而非统计方法。其余论文如 FX-Cell、LEVA、Multiplexed ultrasound imaging 均为实验方法学创新，统计方法学含量较低；Author Correction 为勘误，无阅读价值。

对于因果推断/半参数效率/高维方向的研究者，本期最贴近的论文是 Jaxley（可微分仿真与参数优化，可类比于因果结构学习中的梯度方法）和 Nicheformer（自监督预训练与空间上下文表征，可类比于高维协变量下的表征学习）。CellSAM 和 HR-IMC 中的反卷积与分割方法也涉及统计建模，但更偏向计算机视觉与信号处理。其余论文统计方法学含量有限，可跳过。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1038/s41592-025-02895-w — Jaxley: differentiable simulation enables large-scale training of detailed biophysical models of neural dynamics¶

作者: Michael Deistler, Kyra L. Kadhim, Matthijs Pals, Jonas Beck, Ziwei Huang, Manuel Gloeckler et al.
期刊/来源: Nature Methods
机构: Bernstein Center for Computational Neuroscience Tübingen · Tübingen AI Center · University of Tübingen · Hertie Institute for Clinical Brain Research · IMEC · VIB-KU Leuven Center for Microbiology · Neuroelectronics Research Flanders · KU Leuven 等
分类: vol 22 · issue 12 · pp 2649-2657
相关性 7/10 · novelty: application
摘要: 本文介绍 Jaxley，一个基于 JAX 的可微分生物物理神经元模型仿真框架。核心贡献在于利用自动微分和 GPU 加速，使得大规模 biophysical 模型的参数可以通过梯度下降进行优化，从而高效匹配电压或双光子钙成像记录。与现有方法相比，Jaxley 在参数拟合效率上可提升数个数量级。此外，Jaxley 支持训练 biophysical 模型执行计算任务，例如训练一个具有 100,000 参数的形态学详细神经元网络解决计算机视觉任务。该工作将深度学习工具链（自动微分、GPU 并行）引入传统计算神经科学，显著降低了构建数据或任务约束的 biophysical 模型的门槛。对于您而言，本文是统计计算方向的一个优秀 gateway reading，展示了如何将自动微分和 GPU 加速应用于复杂科学仿真问题，其软件设计模式（基于 JAX 的模块化仿真）对您开发统计计算软件有直接参考价值。
关键技术: automatic differentiation, GPU acceleration, gradient descent optimization, biophysical neuron models, JAX framework
为什么对您有用: 本文属于 Nature Methods 的通用科学 gateway reading。作为统计计算方向的入门读物，它清晰展示了自动微分和 GPU 加速如何解决传统仿真中的计算瓶颈，武器库中的 'software development' 和 'high-dimensional asymptotics' 可帮助您理解其优化收敛性。该文值得花时间读全文，因为其软件架构（模块化、可微分仿真）对您开发统计计算软件有直接启发，且问题本身（大规模 biophysical 模型参数估计）具有统计推断的趣味性。

其他 (other, 8 篇)¶

1. 10.1038/s41592-025-02879-w — CellSAM: a foundation model for cell segmentation¶

作者: Markus Marks, Uriah Israel, Rohit Dilip, Qilin Li, Changhua Yu, Emily Laubscher et al.
期刊/来源: Nature Methods
机构: California Institute of Technology · Howard Hughes Medical Institute
分类: vol 22 · issue 12 · pp 2585-2593
相关性 6/10 · novelty: application
摘要: 本文提出 CellSAM，一个基于 Segment Anything Model (SAM) 的通用细胞分割基础模型。核心方法是用一个目标检测器 CellFinder 自动定位细胞，然后通过 prompt engineering 引导 SAM 生成分割掩码。模型在哺乳动物细胞、酵母和细菌的多种成像模态数据上达到人类水平性能，并展现出强大的零样本泛化能力。通过少量样本的 few-shot 学习可进一步提升性能。论文展示了 CellSAM 在多种生物图像分析工作流中的应用，并提供了在线部署版本。作为 Nature Methods 的方法学论文，本文在数据侧（多模态、多物种、大规模）和模型侧（基础模型微调、prompt engineering）都有清晰的阐述，适合统计学家作为生物图像分析领域的入门读物。
关键技术: Segment Anything Model (SAM), prompt engineering, object detection, zero-shot generalization, few-shot learning, cell segmentation
为什么对您有用: 本文属于 general science / Nature Methods 的 gateway reading。对于统计学家而言，(a) 文章对生物图像分割问题、数据结构和模型架构的阐述清晰，不依赖深奥的生物学背景；(b) 底层问题（细胞分割）是一个有明确统计维度的任务——分割掩码的 UQ、不同模态间的迁移学习、few-shot 学习的理论理解等；(c) 武器库中的 nonparametric statistics 和 minimax bounds 可用于分析分割模型的泛化误差，但核心机器（SAM 的 transformer 架构、prompt engineering）不在当前武器库中，属于暂不可做方向。值得花时间读全文作为拓宽视野的入门材料。

2. 10.1038/s41592-025-02814-z — Nicheformer: a foundation model for single-cell and spatial omics¶

作者: Alejandro Tejada-Lapuerta, Anna C. Schaar, Robert Gutgesell, Giovanni Palla, Lennard Halle, Mariia Minaeva et al.
期刊/来源: Nature Methods
机构: Helmholtz Zentrum München · Technical University of Munich · Max Planck Institute of Psychiatry · Institut für Schlaganfall- und Demenzforschung · Ludwig-Maximilians-Universität München
分类: vol 22 · issue 12 · pp 2525-2538
相关性 6/10 · novelty: application
摘要: 本文提出 Nicheformer，一个基于 transformer 的基础模型，在人类和小鼠的 dissociated single-cell 与 targeted spatial transcriptomics 数据上联合预训练。预训练语料 SpatialCorpus-110M 包含超过 5700 万 dissociated 细胞和 5300 万空间解析细胞，覆盖 73 种组织。模型通过自监督学习捕获细胞的空间上下文表征，在下游任务（空间组成预测、空间标签预测）中通过 linear probing 和 fine-tuning 表现优异。关键发现是：仅用 dissociated 数据训练的模型无法恢复空间微环境的复杂性，凸显多尺度整合的必要性。Nicheformer 还能将 dissociated 细胞的空间上下文预测出来，从而将空间信息迁移到 scRNA-seq 数据集。本文是空间单细胞分析领域的方法学贡献，但作为 Nature Methods 的 gateway reading，对统计学家而言数据结构和模型框架（transformer 预训练 + 空间上下文表征）具有可读性和启发性。
关键技术: transformer foundation model, self-supervised pretraining, spatial transcriptomics, single-cell RNA-seq, linear probing / fine-tuning
为什么对您有用: 本文属于 general science (Nature Methods) 的 gateway reading。对于统计学家而言，(a) 文章对空间转录组数据结构和预训练框架的阐述清晰，不假设深度领域知识，适合入门；(b) 数据规模（1.1 亿细胞）和模型架构（transformer）本身具有统计计算挑战性，但文章未深入讨论计算-统计权衡或不确定性量化，因此作为方法学迁移的价值有限；(c) 武器库中 'software development' 和 'high-dimensional asymptotics' 可帮助理解其 embedding 空间的统计性质，但核心 transformer 预训练机制不在当前武器库内，属于暂不可做方向。值得花时间读全文以拓宽视野，但不建议作为 follow-up 工作的起点。

3. 10.1038/s41592-025-02889-8 — High-resolution imaging mass cytometry to map subcellular structures¶

作者: Alina Bollhagen, James Whipman, Ricardo Coelho, Viola Heinzelmann-Schwarz, Francis Jacob, Bernd Bodenmiller
期刊/来源: Nature Methods
机构: University of Zurich · ETH Zurich · Life Science Zurich · University of Basel · University Hospital of Basel · Zurich University of Teacher Education
分类: vol 22 · issue 12 · pp 2601-2608
相关性 6/10 · novelty: application
摘要: 本文提出高分辨率成像质谱流式技术（HR-IMC），通过过采样结合点扩散函数反卷积，将传统IMC的1 µm分辨率提升至350 nm以下，达到接近光学显微镜的水平。该方法无需硬件改造，仅通过数据采集和计算后处理实现超分辨。在卵巢癌患者来源细胞中，HR-IMC成功解析了核焦点和线粒体网络等亚细胞结构，并可视化化疗药物诱导的细胞器扰动。作为一篇方法学论文，其核心贡献在于将高度多重（multiplex）的IMC分析从细胞尺度推进到亚细胞尺度，为组织微环境中的空间生物学研究提供了新工具。对您而言，本文属于Nature Methods上的技术方法论文，可作为跨学科入门阅读，了解计算成像方法如何通过统计/计算手段突破物理分辨率极限。
关键技术: oversampling, point-spread function deconvolution, imaging mass cytometry, subcellular resolution, multiplexed imaging
为什么对您有用: 本文属于Nature Methods上的方法学论文，适合作为gateway reading。它展示了计算反卷积（deconvolution）这一统计/计算技术如何解决实际成像问题，与您的统计计算兴趣有弱连接。武器库中的'软件开发和逆问题'可帮助理解其算法实现，但核心贡献在生物学成像而非统计方法创新，属于暂不可做方向。

4. 10.1038/s41592-025-02891-0 — Nondestructive X-ray tomography of brain tissue ultrastructure¶

作者: Carles Bosch, Tomas Aidukas, Mirko Holler, Alexandra Pacureanu, Elisabeth Müller, Christopher J. Peddie et al.
期刊/来源: Nature Methods
机构: The Francis Crick Institute · Paul Scherrer Institute · European Synchrotron Radiation Facility · University College London · École Polytechnique Fédérale de Lausanne · Board of the Swiss Federal Institutes of Technology
分类: vol 22 · issue 12 · pp 2631-2638
相关性 5/10 · novelty: application
摘要: 本文提出了一种结合低温样品台、定制非刚性断层重建算法和航空航天级环氧树脂的X射线纳米断层成像方案，突破了高剂量辐射导致组织变形的瓶颈。在超过1.15×10^10 Gy的辐射剂量下，小鼠脑组织样本仍保持结构完整，实现了亚40 nm各向同性分辨率，无需物理切片即可识别轴突束、树突和突触。通过体积电子显微镜验证，X射线成像后组织超微结构未受损。该方法将X射线断层成像应用于毫米级生物样本的高分辨率三维成像，成像时间缩短至数天。对您而言，这是一篇Nature Methods上的多学科前沿技术论文，可作为了解生物成像领域最新实验技术和数据处理流程的入门读物。
关键技术: nonrigid tomographic reconstruction, cryogenic sample stage, X-ray nanotomography, volume electron microscopy validation
为什么对您有用: 本文属于general science（Nature Methods）范畴，作为gateway reading，其清晰阐述了成像数据获取与重建的挑战（辐射损伤、非刚性形变），并展示了实验与算法的协同设计，适合作为生物成像领域的入门读物。武器库中的非参数统计和逆问题知识可用于理解其重建算法的正则化思想，但核心贡献在实验技术而非统计方法，暂不可做直接的方法学跟进。

5. 10.1038/s41592-025-02900-2 — FX-Cell: a method for single-cell RNA sequencing on difficult-to-digest and cryopreserved plant samples¶

作者: Xin Ming, Mu-Chun Wan, Zheng-Da Zhang, Hao-Chen Xue, Ya-Qi Wu, Zhou-Geng Xu et al.
期刊/来源: Nature Methods
机构: Center for Excellence in Molecular Plant Sciences · ShanghaiTech University · University of Chinese Academy of Sciences · Henan University · Chinese National Human Genome Center at Shanghai · Shanghai Academy of Agricultural Sciences · University of Missouri–St. Louis · University of Georgia 等
分类: vol 22 · issue 12 · pp 2551-2562
相关性 2/10 · novelty: application
摘要: 本文提出 FX-Cell 方法及其衍生方案（FXcryo-Cell 和 cryoFX-Cell），旨在解决植物单细胞 RNA 测序中难消化组织及冷冻样本的原生质体制备瓶颈。通过优化固定缓冲液并抑制 RNA 降解，该方法在高温下实现高效细胞壁消化，同时保持高质量单细胞状态，且能在 -80°C 长期储存后仍适用，避免了使用不能代表可翻译 mRNA 库的细胞核。研究成功构建了水稻分蘖节、野生稻根茎及玉米田间生长冠根的高质量细胞图谱，并准确重建了植物急性伤口反应的单细胞分辨率响应。该工作属于实验方法学创新，核心贡献在于生物化学流程而非统计或计算建模。对您而言，本文是 Nature Methods 上的方法学论文，属于 general science 的 gateway reading，但其中不涉及因果推断、高维统计或计算复杂性等您的主要兴趣方向，且无数据建模或统计推断问题可供方法学迁移。
关键技术: single-cell RNA-seq, protoplast isolation, fixation buffer optimization, cryopreservation
为什么对您有用: 本文属于 Nature Methods 上的实验方法学论文，作为 general science 的 gateway reading，其科学问题（植物单细胞基因组学）有趣且叙述清晰，但无数据建模或统计推断维度。您的武器库（非参数统计、高维渐近、因果推断等）与此无直接接口，暂不可做任何 follow-up。

6. 10.1038/s41592-025-02914-w — Light-induced extracellular vesicle and particle adsorption¶

作者: Colin L. Hisey, Xilal Y. Rima, Jacob Doon-Ralls, Chiranth K. Nagaraj, Sophia Mayone, Kim Truc Nguyen et al.
期刊/来源: Nature Methods
机构: Northwestern University · The Ohio State University · The Ohio State University Wexner Medical Center · Nationwide Children's Hospital · Vanderbilt University Medical Center · Vanderbilt University
分类: vol 22 · issue 12 · pp 2609-2621
相关性 2/10 · novelty: application
摘要: 本文提出光诱导细胞外囊泡与颗粒吸附（LEVA）技术，用于无标记、可扩展、可调谐地固定细胞外囊泡（EVs）和颗粒（EPs）于表面。LEVA 利用光敏聚合物涂层在光照下改变表面粘附性，实现对 EVP 的空间图案化，无需荧光标记或化学修饰。研究展示了 LEVA 在 GFP-EV 标准品、常规与生物反应器培养的 EV、DiFi 外泌体及大肠杆菌 EV 等多种样本上的适用性，并用于单 EV 荧光成像、细胞迁移模拟迁移体轨迹及细菌 EV 介导的中性粒细胞聚集等生物学实验。该方法解决了现有技术无法同时满足无标记、高通量和空间可控性的瓶颈。对您而言，这是一篇 Nature Methods 上的方法学论文，属于多学科旗舰期刊的入门级阅读，但内容与您的统计研究兴趣无直接关联。
关键技术: light-induced immobilization, label-free patterning, extracellular vesicle adsorption, photopolymer coating
为什么对您有用: 本文属于多学科旗舰期刊（Nature Methods）的入门级阅读，作为 gateway reading 评分： (a) 对局外人可读性中等——方法描述清晰但生物医学背景知识较多； (b) 科学问题阐述较好——解释了 EVP 研究的重要性和现有技术局限； (c) 数据/建模维度弱——本文是纯实验方法，无统计推断或计算模型； (d) 科学兴趣广度一般——对非生物医学研究者吸引力有限。综合判断，不值得花时间读全文。

7. 10.1038/s41592-025-02825-w — Multiplexed ultrasound imaging of gene expression¶

作者: Nivin N. Nyström, Zhiyang Jin, Marisa E. Bennett, Ruby Zhang, Margaret B. Swift, Mikhail G. Shapiro
期刊/来源: Nature Methods
机构: California Institute of Technology · Howard Hughes Medical Institute
分类: vol 22 · issue 12 · pp 2594-2600
相关性 2/10 · novelty: application
摘要: 本文开发了两种新型声学报告基因（ARGs），通过理性蛋白设计和定向进化，使其具有不同的声压响应曲线，从而首次实现基因表达的多重超声成像。在体外实验中，该方法成功区分了不同细菌种类和细胞状态；在体内实验中，应用于小鼠胃肠道中益生菌亚群和肿瘤定殖细菌的成像。该工作类似于荧光蛋白波长变体对光学显微镜的贡献，为超声成像提供了多通道信号能力。作为Nature Methods上的方法学论文，本文主要贡献在生物工程和成像技术，而非统计方法。对您而言，本文可作为跨学科入门阅读，了解超声成像中的信号分离问题，但统计方法学含量较低。
关键技术: acoustic reporter genes, directed evolution, multiplexed imaging, pressure-response profiling
为什么对您有用: 本文属于Nature Methods上的方法学论文，作为跨学科入门阅读，可了解超声成像中的信号分离与多重检测问题。武器库中的非参数统计和软件工具可帮助理解其信号处理流程，但核心贡献在生物工程而非统计方法，暂不可做后续统计方法研究。

8. 10.1038/s41592-025-02979-7 — Author Correction: 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 12 · pp 2686-2686
相关性 0/10 · novelty: minor
摘要: 本文是Nature Methods上已发表论文的作者更正（Author Correction），仅修正图2d中染色质修饰图例的颜色标注错误：将原本均标注为H3K36me3的绿色和紫色分别更正为H3K36me3（绿色）和H3K9me3（紫色）。不涉及任何新的方法、数据或理论结果。对您而言，这是一条纯粹的勘误通知，无任何统计方法学内容或可迁移的分析模式，不值得阅读全文。
为什么对您有用: 本文是勘误通知，无任何统计方法学内容。不涉及您任何primary或secondary interest方向，也不包含可迁移的数据或模型。无需阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub