跳转至

Nat. Methods — Vol 23 Issue 10 · 2026-10-13

  • 共 12 篇 · Nature Methods
  • 目录核对 ⚠️ 疑似漏 17 篇(对照 OpenAlex 29 篇):10.1038/s41592-026-03045-6、10.1038/s41592-026-03235-2、10.1038/s41592-026-03187-7、10.1038/s41592-026-03195-7、10.1038/s41592-026-03227-2 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。

本期《Nature Methods》第 23 卷第 10 期共 12 篇论文,整体上以计算生物学与实验方法学的应用型工作为主,统计方法学的新颖性普遍有限。若按主题聚类,可大致分为三条主线:一是基于深度生成模型的单细胞与空间组学数据整合与去噪(CytoVI、ResolVI、scEGFlow、IRIS),二是面向基因组与空间组学的工具开发(NanoTS、SVPG、Spatial-ATAC-Hi-C、CCI-seq),三是实验成像与力学测量平台(SPIFFI、CFM、bioAFM 评论)。其中前两条主线在方法上共享概率建模与深度学习框架,但均未涉及渐近理论或效率界等传统统计推断问题。

最突出的主线是单细胞与空间组学中的概率生成建模。CytoVI 与 ResolVI 均基于变分自编码器架构,分别处理抗体数据与空间转录组中的噪声和批次效应,前者还整合了差异表达检验与细胞注释;scEGFlow 则用条件流匹配加能量梯度校正实现扰动响应预测,强调推理时无需重训练即可适应新条件;IRIS 通过迁移学习将体外扰动图谱映射到体内信号历史推断。这四篇在建模策略上高度同源(scvi-tools 生态或流匹配),但各自针对的数据类型与任务不同,适合作为深度学习在生物数据中应用的横向比较素材。另一条主线是基因组与空间组学的工具开发,NanoTS 与 SVPG 分别聚焦长读长 SNP 检测与泛基因组结构变异识别,均以基准测试优于现有方法为主要卖点,但方法学细节披露有限;Spatial-ATAC-Hi-C 与 CCI-seq 则属于实验与计算结合的平台型工作,前者同时解析染色质构象与可及性,后者通过组合索引捕获细胞互作网络,统计贡献集中在数据预处理而非推断。

若您关注因果推断或半参数效率,本期并无直接相关论文;但若对高维数据中的批次校正、分布偏移适应或图结构数据的高效更新感兴趣,CytoVI、ResolVI 与 scEGFlow 的概率建模思路可作参考,SVPG 的泛基因组图扩充策略对大规模图算法设计有一定启发。对于偏向应用统计的读者,建议优先浏览 CytoVI、ResolVI 与 scEGFlow 三篇,以了解当前深度学习在单细胞数据中处理噪声与扰动的典型范式;其余实验平台类论文(SPIFFI、CFM、Spatial-ATAC-Hi-C)更适合作为领域背景阅读。

其他 (other, 12 篇)

1. 10.1038/s41592-026-03224-5 — CytoVI: deep generative modeling of antibody-based single cell data

  • 作者: Florian Ingelfinger, Nathan Levy, Can Ergen, Artemy Bakulin, Alexander Becker, Pierre Boyeau et al.
  • 期刊/来源: Nature Methods
  • 机构: Heidelberg University · University Medical Center Freiburg · Weizmann Institute of Science · University of Würzburg · University of California, Berkeley · University Hospital of Basel · University of Freiburg
  • 分类: vol 23 · issue 10 · pp 2054-2065
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 CytoVI,一个基于深度生成模型的概率框架,用于统一分析基于抗体的单细胞数据(流式细胞术、质谱流式、CITE-seq)。模型整合了细胞嵌入、缺失测量插补、差异蛋白表达检验和细胞自动注释,并处理技术噪声、批次效应和平台差异。方法上采用变分自编码器架构,并借鉴 scvi-tools 生态的建模策略。在包含 350 种蛋白的 B 细胞成熟图谱中识别出与免疫球蛋白类别转换相关的蛋白,并在 B 细胞非霍奇金淋巴瘤患者队列中发现疾病相关的 T 细胞状态。对您而言,本文属于计算生物学应用,其概率建模和批次校正思路或可迁移至您关注的纵向或高维数据场景,但方法学新颖性有限。
  • 关键技术: deep generative model, variational autoencoder, batch effect correction, data imputation, differential expression testing
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学入门读物,面向统计学家展示深度生成模型在单细胞数据中的实际应用。作为 gateway reading,它清晰呈现了数据结构和建模目标,但统计方法深度有限。您的武器库(如高维统计、非参数方法)足以理解其核心,但无需深入跟进。若您对 scRNA-seq 或高维生物数据感兴趣,可作为入门材料,但不必花时间精读全文。

2. 10.1038/s41592-026-03212-9 — ResolVI: addressing noise and bias in spatial transcriptomics

  • 作者: Can Ergen, Nir Yosef
  • 期刊/来源: Nature Methods
  • 机构: University of Würzburg · University of California, Berkeley · Weizmann Institute of Science
  • 分类: vol 23 · issue 10 · pp 2003-2014
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对亚细胞分辨率空间转录组学数据中的分子分配错误问题,提出了一种名为 resolVI 的概率模型。该模型作为分割算法的下游模块,通过变分推断学习一个潜变量表示,显式建模并校正分子错配、批次效应及其他干扰因素。resolVI 基于 scvi-tools 框架实现,能够生成误差校正后的细胞状态表示,在区分细胞状态、识别空间表达细微变化以及跨数据集整合分析等任务上表现优于现有方法。方法的核心是概率生成模型与深度学习的结合,但并未涉及传统统计推断的渐近理论或效率界。对您而言,本文属于计算生物学应用,与您的主要统计兴趣(如因果推断、高维理论)无直接交集,但可作为了解空间转录组学数据结构和噪声来源的入门材料。
  • 关键技术: variational inference, probabilistic generative model, batch effect correction, deep learning, spatial transcriptomics
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学入门读物,面向对空间转录组学数据建模感兴趣的统计学家。作为入门材料,它清晰展示了数据生成过程中的噪声和偏差来源,以及概率模型如何用于校正,但方法本身不涉及您武器库中的核心工具(如 U-统计量、半参数理论)。因此,本文适合快速浏览以了解领域背景,但无需深入精读。

3. 10.1038/s41592-026-03213-8 — Reconstructing signaling histories of single cells via perturbation screens and transfer learning

  • 作者: Nicholas T. Hutchins, Miram Meziane, Claire Lu, Maisam Mitalipova, David S. Fischer, Pulin Li
  • 期刊/来源: Nature Methods
  • 机构: Whitehead Institute for Biomedical Research · Massachusetts Institute of Technology · Broad Institute · University of Vienna · Medical University of Vienna
  • 分类: vol 23 · issue 10 · pp 1973-1983
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个整合实验与计算的框架 IRIS,用于从高通量体外信号扰动图谱中学习可迁移的信号响应特征,并高精度、高时间分辨率地推断体内细胞类型所经历的信号活动与历史。作者在人类多能干细胞上构建了信号扰动图谱并训练神经网络模型 IRIS,将其应用于小鼠胚胎单细胞图谱,揭示了组合信号编码使用的全局特征,识别了生物学上有意义的异质性,并重建了不同发育谱系中的信号历史。该框架表明多种细胞类型共享保守的信号响应特征,为在体内绘制复杂信号相互作用提供了可扩展的解决方案,以指导靶向干预和细胞命运工程。对您而言,本文属于 Nature Methods 的跨学科入门读物,其核心价值在于展示如何将体外扰动数据与体内单细胞图谱结合进行迁移学习,而非提供可直接迁移的统计方法。
  • 关键技术: neural network, transfer learning, single-cell RNA-seq, perturbation atlas, signaling history reconstruction
  • 为什么对您有用: 本文属于 Nature Methods 的跨学科旗舰期刊文章,作为科普式入门读物,其数据与建模层面(单细胞图谱、迁移学习)对统计学家有一定吸引力,但方法学上以神经网络为主,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接重叠。您的武器库(如非参数统计、高维渐近)足以理解其建模框架,但缺乏深度方法学贡献,因此不值得投入全文精读,仅可作为了解单细胞信号推断领域的背景阅读。

4. 10.1038/s41592-026-03237-0 — Resolving cell–cell interaction networks and their molecular logic in complex tissues

  • 作者: Lei Tang, Kang Tian, Xiaolei Fu, Yingjia Xu, Jincheng Wu, Jinsong Zhang et al.
  • 期刊/来源: Nature Methods
  • 机构: Center for Life Sciences · State Key Laboratory of Membrane Biology · Tsinghua University · King Center · Peking University · Beijing Chao-Yang Hospital, Capital Medical University
  • 分类: vol 23 · issue 10 · pp 2042-2053
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 CCI-seq,一种结合细胞团块组合索引与单细胞测序的高通量方法,用于无偏捕获组织中的细胞-细胞相互作用网络。方法在近端连续体上识别已知相互作用及小鼠肾、肠的精细细胞组织,并在 Apc-KO 肠中揭示异常相互作用与空间组织破坏。应用于人类结直肠癌时,识别出与临床分类相关的亚型特异性相互作用。基于单细胞 RNA 测序骨架,CCI-seq 实现深度转录组覆盖,可分析相互作用引发的分子状态,发现相互作用细胞关联特定转录程序(如肾离子转运、Apc-KO 绒毛抗原呈递、结直肠癌 NF-κB 炎症激活)。该方法为大规模细胞互作网络及其分子功能影响提供了可扩展平台。
  • 关键技术: combinatorial indexing, single-cell RNA sequencing, cell clump sorting, spatial organization inference, transcriptomic profiling
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学/方法学论文,作为跨学科入门读物:它清晰展示了单细胞测序数据的生成与初步分析流程,但统计方法(如网络推断、聚类)并非核心创新。您的武器库(如高维统计、U-统计量)足以理解其数据分析,但无需深入方法学;作为了解生物医学数据结构的背景阅读有价值,但非直接相关。

5. 10.1038/s41592-026-03260-1 · arXiv — Generalizable perturbation prediction

  • 作者: Lin Tang
  • 期刊/来源: Nature Methods
  • 机构: Zhejiang University · Beijing Institute for General Artificial Intelligence · Chengdu University
  • 分类: vol 23 · issue 10 · pp 1939-1939
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 scEGFlow,一个用于单细胞扰动响应预测的能量引导流匹配框架。现有方法依赖训练时固定的映射,难以在推理时校准分布偏移或适应新扰动条件;scEGFlow 通过条件流匹配建模从对照状态到扰动状态的连续转变,并利用条件特异性能量梯度对预测进行校正和引导,无需重训练即可灵活调整。在成像表型和转录组图谱等多个基准上,scEGFlow 在重建已见和未见扰动条件下的响应分布方面优于现有方法,并保持细胞流形几何和群体异质性。尤其在新条件下仅有少量测量细胞时,scEGFlow 能显著提升预测精度,并准确重现扰动诱导的基因表达上下调模式。该工作为单细胞扰动建模提供了模块化、可泛化且可引导的解决方案,属于计算生物学方法创新。
  • 关键技术: flow matching, energy-based guidance, conditional generative modeling, single-cell perturbation prediction, distribution shift adaptation
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学入门读物,而非直接推进您的主要兴趣。作为统计学家,您可能对其中的生成模型与分布偏移校准问题感兴趣,但方法核心(流匹配与能量引导)与您的因果推断或高维统计工具库无直接交集。武器库中的非参数统计和 M-估计理论或可帮助理解其分布匹配的估计性质,但整体上属于跨学科广度阅读,值得花时间读全文以了解单细胞数据建模的前沿。

6. 10.1038/s41592-026-03225-4 — NanoTS: a deep learning tool for accurate SNP calling in nanopore long-read transcriptome data

  • 作者: Zelin Liu, Feng Wang, Robert Wang, David W. Wu, Nicole DeBruyne, Kelsey Keith et al.
  • 期刊/来源: Nature Methods
  • 机构: Children's Hospital of Philadelphia · University of Pennsylvania
  • 分类: vol 23 · issue 10 · pp 1968-1972
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 NanoTS,一个基于深度学习的工具,用于从纳米孔长读长转录组数据中准确检测单核苷酸多态性(SNP)。针对直接 RNA 和 cDNA 测序数据,NanoTS 在至少五个支持读段的 SNP 上分别达到 F1 分数 0.980 和 0.966,优于现有方法,尤其在等位基因不平衡变异上改进显著。作者还展示了 NanoTS 在孟德尔疾病致病性变异检测和基因分型中的临床潜力。方法上,NanoTS 利用深度学习模型整合序列上下文和碱基质量信息,但未提供详细的架构或训练细节。该工具为长读长转录组变异检测提供了实用方案,但方法学创新有限,主要贡献在于应用和工具开发。
  • 关键技术: deep learning, SNP calling, nanopore long-read sequencing, transcriptome analysis, genotype calling
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学网关阅读,但作为统计学家,其方法学内容(深度学习在测序数据中的应用)与您的主要兴趣(如高维统计、统计计算)关联较弱。作为入门读物,它清晰展示了深度学习在基因组学中的应用场景和数据特点,但未涉及您熟悉的统计推断或计算复杂度问题。武器库足以理解其基本思路,但无需深入阅读全文。

7. 10.1038/s41592-026-03219-2 — SVPG: a pangenome-based structural variant detection approach and rapid augmentation of pangenome graphs with new samples

  • 作者: Tao Jiang, Heng Hu, Runtian Gao, Shuqi Cao, Zhongjun Jiang, Murong Zhou et al.
  • 期刊/来源: Nature Methods
  • 机构: Harbin Institute of Technology · Zhejiang A & F University · Northeast Forestry University
  • 分类: vol 23 · issue 10 · pp 1984-1993
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 SVPG,一种基于单倍型解析的泛基因组参考图进行结构变异(SV)检测的方法,并支持快速将新样本加入泛基因组图。方法核心是利用泛基因组图作为参考,通过长读段比对和路径一致性分析来识别 SV,相比传统线性参考方法能更准确地检测个体特异、稀有和体细胞 SV。在多种测序技术和覆盖度下,SVPG 在基准测试中优于现有 SV 检测工具。在 20 个样本的基准中,泛基因组图扩充速度比传统策略快近十倍。该方法主要面向基因组学应用,统计方法学贡献有限,但对处理大规模图结构数据的高效算法设计有一定参考价值。对您而言,本文属于 Nature Methods 的跨学科入门读物,其图结构数据的高效更新策略可能对您在高维统计计算中的图算法有所启发。
  • 关键技术: pangenome graph, structural variant detection, haplotype-resolved reference, graph augmentation, long-read sequencing
  • 为什么对您有用: 本文属于 Nature Methods 的跨学科入门读物,作为统计学家可了解基因组学中图结构数据的高效处理问题。武器库中的图论/树宽工具(如用于 U-统计量计算)可能对分析此类图算法的计算复杂度有启发,但核心方法并非统计推断,因此仅作为广度阅读,不值得深入跟进。

8. 10.1038/s41592-026-03217-4 — Spatial chromatin architecture and accessibility co-profiling of mammalian tissues

  • 作者: Ping Wang, Juan Wang, Qixuan Wang, Mark W. Youngblood, Yang Cheng, Bo Tao et al.
  • 期刊/来源: Nature Methods
  • 机构: Northwestern University · Yale University · The University of Texas at San Antonio Health Science Center · Robert H. Lurie Comprehensive Cancer Center of Northwestern University · Duke Medical Center
  • 分类: vol 23 · issue 10 · pp 2015-2028
  • 相关性 3/10 · novelty: application
  • 摘要: 本文介绍 Spatial-ATAC-Hi-C,一种基于微流控的空间组学平台,可在组织切片上同时解析三维基因组结构和染色质可及性。作者将其应用于小鼠和人类大脑,揭示了神经元和非神经元群体在原生组织环境中的染色质构象和基因调控程序差异。在胶质母细胞瘤和星形细胞瘤样本中,该方法检测到空间分辨的三维基因组改变、拷贝数变异和结构变异,并关联到临床相关的致癌事件和克隆异质性。技术核心在于微流控芯片实现的空间条形码与 Hi-C 和 ATAC-seq 的联合建库,从而在保留组织空间信息的同时获得全基因组尺度的染色质互作和可及性数据。该工作为空间基因调控研究提供了新工具,但属于实验方法学进展,不涉及新的统计推断或计算理论。
  • 关键技术: spatial omics, Hi-C, ATAC-seq, microfluidics, copy number variation detection
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学入门读物,作为统计学家可了解空间组学数据的生成流程和数据结构,但方法学上无直接可迁移的统计技术。武器库足以理解其数据分析流程,但无需深入统计方法。作为跨学科广度阅读可快速浏览,不值得投入全文精读。

9. 10.1038/s41592-026-03196-6 — SPIFFI enables single-shot super-resolution and multidimensional imaging

  • 作者: Wei Guo, Lely Feletti, Aleksandra Radenovic
  • 期刊/来源: Nature Methods
  • 机构: École Polytechnique Fédérale de Lausanne
  • 分类: vol 23 · issue 10 · pp 2077-2086
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 SPIFFI,一种基于偏振诱导荧光涨落成像的多通道偏振方法,用于单次曝光的超分辨成像和六维信息提取。该方法利用偏振检测下更小的点扩展函数以及多通道间的偏振依赖空间涨落,实现即时分辨率增强,无需多帧采集,从而提升活细胞体积超分辨成像的可行性。SPIFFI 可与现有基于涨落的方法无缝集成,用于进一步后处理和分辨率提升。作者在固定和活细胞上展示了其捕捉快速亚细胞动态和高通量多维成像的能力。该方法为实时超分辨成像提供了实用且稳健的平台。
  • 关键技术: polarization-induced fluorescence fluctuation imaging, single-shot super-resolution, multichannel polarimetric imaging, point spread function engineering
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学网关阅读,非方法学直接相关。作为统计学家,可关注其成像数据中的噪声模型和涨落分析,但武器库(如非参数统计、U-统计量)难以直接切入。作为入门读物,其数据采集和图像重建流程清晰,但统计方法细节有限,不值得深入阅读。

10. 10.1038/s41592-026-03216-5 — CFM: confinement force microscopy—a dynamic, precise and stable microconfiner for traction force microscopy in spatial confinement

  • 作者: Fatemeh Abbasi, Katharina Rieck, Matthias Brandt, Maja Matis, Eva Kiermaier, Timo Betz
  • 期刊/来源: Nature Methods
  • 机构: University of Bonn · University of Münster · University of Göttingen · Friedrich-Alexander-Universität Erlangen-Nürnberg · Universitätsklinikum Erlangen
  • 分类: vol 23 · issue 10 · pp 2066-2076
  • 相关性 2/10 · novelty: application
  • 摘要: 本文介绍了一种名为 confinement force microscopy (CFM) 的新型微约束平台,用于在空间受限条件下进行活细胞成像和牵引力显微镜测量。该方法允许对细胞施加的约束水平、时间和频率进行可编程控制,从而实时测量细胞对微环境施加的牵引力。利用 CFM,作者发现细胞对约束的响应分为两个阶段:由细胞体和细胞核受压引起的快速被动应力上升,以及随后与增强的收缩性、细胞内压力积累和起泡相关的主动应力增加。研究还表明,ROCK 和肌球蛋白 II 的抑制均能减少应力产生,但对起泡的影响不同。总体而言,CFM 为研究组织样环境中的动态力学适应提供了一种多功能方法。
  • 关键技术: traction force microscopy, microconfiner platform, live-cell imaging, programmable confinement, force measurement
  • 为什么对您有用: 本文属于 Nature Methods 的通用科学入门读物,而非方法学直接可迁移的论文。它展示了生物力学中一个有趣的测量问题,但统计内容有限,主要涉及图像处理和力重建,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接关联。作为跨学科广度阅读,其数据建模(力场重建)可能对统计计算有兴趣,但整体方法学新颖性不高,不值得深入阅读。

11. 10.1038/s41592-026-03214-7 — A FAIR road to a bioAFM databank

  • 作者: Jean-Luc Pellequer, Sebastian Aguayo, Andrea Alessandrini, David Alsteens, Toshio Ando, Audrey Beaussart et al.
  • 期刊/来源: Nature Methods
  • 机构: Centre National de la Recherche Scientifique · Commissariat à l'Énergie Atomique et aux Énergies Alternatives · CEA Grenoble · Institut de Biologie Structurale · Pontificia Universidad Católica de Chile · University of Modena and Reggio Emilia · UCLouvain · Kanazawa University 等
  • 分类: vol 23 · issue 10 · pp 1927-1931
  • 相关性 2/10 · novelty: survey
  • 摘要: 本文是一篇评论文章,旨在推动建立原子力显微镜(AFM)数据的高质量数据库 bioAFM-DB。作者概述了该项目的现状、面临的挑战以及可能的行动方案。文章强调了数据共享和标准化的重要性,以促进生物AFM领域的可重复性和合作。作为Nature Methods的评论,它主要面向领域内的实验科学家,而非统计方法学家。对于统计研究者而言,本文缺乏具体的数据分析或建模细节,方法学新颖性有限。
  • 关键技术: data sharing, data standardization, databank infrastructure
  • 为什么对您有用: 本文属于gateway-reading范畴,但作为统计学家,其数据维度(AFM数据的结构、噪声、异质性)可能引发兴趣,然而文章未提供足够的数据或模型细节,难以评估统计方法的潜在应用。武器库(如高维统计、U统计量)在此场景下暂无直接切入点,且本文非入门级读物,因为其内容高度领域特定。因此,不值得花时间读全文。

12. 10.1038/s41592-026-03238-z — Author Correction: OrthoFinder: improved phylogenetic orthology inference with enhanced accuracy and scalability

  • 作者: David M. Emms, Yi Liu, Laurence Belcher, Jonathan Holmes, Steven Kelly
  • 期刊/来源: Nature Methods
  • 机构: University of Oxford
  • 分类: vol 23 · issue 10 · pp 2110-2110
  • 相关性 0/10 · novelty: minor
  • 摘要: 这是一篇作者更正,针对 Nature Methods 上发表的 OrthoFinder 软件论文,指出最初版本中图 2 有误,现已更正。该更正不涉及任何新的方法或结果,仅是对已发表内容的修正。对于统计研究者而言,本文没有方法学内容,也不涉及数据分析或建模问题。因此,它不属于任何研究兴趣领域,也不值得深入阅读。
  • 为什么对您有用: 本文是纯粹的出版更正,无任何方法学或数据内容,与所有研究兴趣均无关联。作为 gateway reading 也不合适,因为没有任何可学习的统计或计算内容。建议忽略。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论