Nat. Methods — Vol 23 Issue 8 · 2026-10-16¶
- 共 1 篇 · Nature Methods
- 目录核对 ⚠️ 疑似漏 28 篇(对照 OpenAlex 29 篇):10.1038/s41592-025-02925-7、10.1038/s41592-026-03156-0、10.1038/s41592-026-03186-8、10.1038/s41592-026-03153-3、10.1038/s41592-026-03152-4 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 8 期仅收录一篇论文,主题聚焦于计算生物学中的信号推断与细胞间通讯分析。该文提出 SecAct 框架,核心任务是从空间、单细胞及 bulk 转录组数据中推断 1,170 种人类分泌蛋白的信号活性,属于典型的监督学习与特征映射方法,而非传统统计推断或因果建模。其技术路线包括预计算信号特征(基于 37 种癌症类型的 1,258 个空间转录组样本)、抗分泌蛋白治疗的转录组验证,以及交互式模块用于解析细胞间通讯。应用层面,作者在 54 个癌症免疫治疗队列(5,174 名患者)中识别肿瘤免疫相关分泌蛋白,并通过体内实验验证 LY86 的抗肿瘤作用。
从方法学角度看,该工作可归入“基于转录组特征的监督学习与信号推断”主线,其亮点在于将大规模空间转录组数据转化为可解释的信号活性评分,并整合了跨队列验证与实验干预。对于统计或因果方向的研究者,本文的参考价值在于:其一,展示了如何利用预训练特征(而非从头估计)来降低高维转录组数据的推断复杂度;其二,通过抗分泌蛋白治疗的转录组响应作为“伪干预”验证预测准确性,这为观察性数据中的机制推断提供了一种间接验证思路。不过,该方法本质上是相关性映射,未涉及因果识别或半参数效率问题,且信号活性的定义依赖于预计算特征库,可能受训练样本分布影响。
若需快速把握本文与统计推断的关联,建议优先关注其信号活性评分的构建逻辑(如何从转录组特征到蛋白活性)、跨队列泛化性评估(5,174 名患者的异质性处理),以及 LY86 验证实验中的统计设计(如多重比较校正、效应量估计)。对于纯方法论读者,本文更偏向应用型工具,而非新统计理论;但对于从事空间转录组或细胞通讯分析的统计合作者,其框架可作为特征工程与验证流程的参考模板。
其他 (other, 1 篇)¶
1. 10.1038/s41592-026-03172-0 — Inference of secreted protein signaling activities in intercellular communication¶
- 作者: Beibei Ru, Lanqi Gong, Emily Yang, Seongyong Park, George Zaki, Kenneth Aldape et al.
- 期刊/来源: Nature Methods
- 机构: National Institutes of Health · National Cancer Institute · Center for Cancer Research · Frederick National Laboratory for Cancer Research
- 分类: vol 23 · issue 8 · pp 1553-1563
- 相关性 4/10 · novelty:
application - 摘要: 本文提出 SecAct,一个从空间、单细胞和 bulk 转录组数据推断 1,170 种人类分泌蛋白信号活性的计算框架。该模型利用预计算的细胞间信号特征,这些特征基于 37 种癌症类型的 1,258 个空间转录组样本训练得到。通过抗分泌蛋白治疗的转录组数据验证了 SecAct 预测分泌蛋白活性抑制的准确性。对于空间和单细胞转录组数据,SecAct 提供交互式模块来分析分泌蛋白介导的细胞间通讯。在 54 个癌症免疫治疗队列(5,174 名患者)中应用 SecAct,识别出与肿瘤免疫相关的分泌蛋白,并通过体内实验验证了 LY86 的抗肿瘤调控作用。该方法本质上是基于转录组特征的监督学习与信号推断,属于生物信息学应用,而非新的统计理论或方法。
- 关键技术:
supervised learning,signature-based inference,spatial transcriptomics,single-cell transcriptomics,bulk transcriptomics - 为什么对您有用: 本文属于 Nature Methods 的通用科学入门读物,而非方法学论文。作为统计学家,可将其视为生物信息学应用的入门案例,了解转录组数据结构和信号推断的常见做法。武器库中的非参数统计和因果推断工具可能有助于理解其推断假设,但本文未提供新的统计方法,因此作为入门读物价值有限,不值得深入阅读。
Maintained by 陈星宇 · Homepage · Source on GitHub