摘要:主要基于近来空间蛋白质组技术在深度和广度方面的提升(主要是multiplexing能力的提升;通过多轮标记、barcoding以及空间分辨质谱等),及其在各种图谱计划中的应用,从而为生物系统复杂性及其生理病理机制带来新见解[1]。
空间蛋白质组。
主要基于近来空间蛋白质组技术在深度和广度方面的提升(主要是multiplexing能力的提升;通过多轮标记、barcoding以及空间分辨质谱等),及其在各种图谱计划中的应用,从而为生物系统复杂性及其生理病理机制带来新见解[1]。
作者们认为后续要提升对海量数据的处理能力、质控、常规实验室对其的可及性、以及更多模态的整合等[1]。
此外,Nature Methods还评选出年度技术观察,主要有:
1. 更“高内涵”的CRISPR筛选。
2. 引入免疫细胞的类器官。
3. 全身的生物力学模型来解析运动控制机制,并帮助机器人开发。
4. 亚细胞水平的空间蛋白质组。
5. 场景/细胞器依赖的蛋白互作。
6. 新算法进一步基于Cryo-ET解析生物大分子的异质性与动态。
7. 更多维度/在体的3D基因组。
8. 细胞谱系追踪与命运决定。
Comment(s):
稍有意外,毕竟过去一年空间蛋白质组在方法和生理/病理见解上没有根本的突破,仍然受限于抗体质量与质谱的灵敏度。
大模型/基石模型正在已经在肿瘤识别[2]、功能DNA序列生成[3]、单细胞多模态整合与分析[4]、细胞相似性比对与搜索[5]等方面崭露头角,也是非常值得后续观察的技术。
Nature | 拉曼加持AI的系统10s准确识别胶质瘤浸润
Science | 基因组基石模型预测与生成多组分系统
Nature Methods | 有望通用分析单细胞多模态数据的single-cell GPT
Nature | 新工具跨平台/系统搜索类似的单细胞
参考文献:
[1] “Method of the year,” Nat. Methods, vol. 5, no. 1, p. 1, 2008, doi: 10.1038/nmeth1153.
[2] A. Kondepudi et al., “Foundation models for fast, label-free detection of glioma infiltration,” Nature, no. March, Nov. 2024, doi: 10.1038/s41586-024-08169-3.
[3] E. Nguyen et al., “Sequence modeling and design from molecular to genome scale with Evo,” Science (80-. )., vol. 386, no. 6723, p. eado9336, Nov. 2024, doi: 10.1126/science.ado9336.
[4] H. Cui et al., “scGPT: toward building a foundation model for single-cell multi-omics using generative AI,” Nat. Methods, Feb. 2024, doi: 10.1038/s41592-024-02201-0.
[5] G. Heimberg et al., “A cell atlas foundation model for scalable search of similar human cells,” Nature, 2024, doi: 10.1038/s41586-024-08411-y.
相关链接:
来源:康柏教育