文章核心观点 - 空间转录组学是生命科学领域的关键前沿技术，其价值在于将分子表达、组织结构与细胞命运整合到同一坐标系中进行理解，当前的核心挑战已从获取数据转变为将数据转化为可解释的机制和可发表的图表 [1] - 未来的行业竞争焦点在于构建可解释的空间坐标系、建立“位置-互作-信号-表型”的证据链，以及生成高质量的科研成果图表 [1] - 本课程旨在成为科研加速器，通过系统教学帮助学员将空间数据分析能力沉淀为可复用、可扩展、可发表的能力与作品 [1] 课程特色 - 提供全流程系统教学，涵盖从数据结构、质量控制、注释到出图的完整流程，并配套R/Python代码模板 [6] - 提供一对一指导，针对学员自己的数据提供迁移指导，确保学完能直接上手课题 [6] - 结合AI赋能与Nature正文拆解，不仅讲解代码运行，更深入理解代码背后的生物学意义，并将论文图表拆解到输入、参数、输出和验收标准级别 [7] - 进行源码级系统学习，目标是让学员从“能跑代码”到“能修改代码”，理解作者代码仓库结构和逻辑，并能迁移到自己的项目 [7] - 采用直播授课、录屏回看与长期答疑相结合的模式，配备完整资料包，并提供课程结束后的一对一指导答疑 [7] 课程时间与结构 - 第一期课程时间为2026年1月10日至2026年2月，为期一个月 [8] - 课程安排在每周五、周六、周日晚19:00-22:00，共包含十三节课，其中九节为课程精讲，四节为答疑和总结 [8] 课程核心模块内容 - **模块一：AI+Nature文章思路解读**：教授如何利用Deepseek高效阅读与评价Nature多组学生信文章，拆解其叙事框架，并利用ChatGPT将论文范式迁移到自身课题 [9] - **模块二：空间转录组数据全流程处理**：涵盖数据读入、质量控制、基础可视化、过滤归一化、降维聚类、构建空间邻接图、空间统计（如邻域富集、共现、空间自相关）以及基于深度学习的细胞分割 [10][12][14] - **模块三：Nature论文图表复现**：课程核心是逐一复现目标Nature论文的Fig.1至Fig.5，具体包括： - Fig.1：复现展示小鼠小肠中CD8 T细胞空间定位与转录状态动态变化的图表 [5] - Fig.2：复现展示空间生态位驱动作用的图表，包括UMAP与空间图对比、基因空间相关性分析、表达卷积热图及代表性基因核密度图 [16][18][20][22] - Fig.3：复现空间互作网络、细胞因子梯度及CellChat机制整合的图表，包括细胞连接组、相互作用网络、邻域分析热图及信号通路强度热图 [24][25][26][28] - Fig.4：复现CRISPR扰动验证解析CXCR3决定绒毛分布机制的图表，包括基因表达气泡图、趋势曲线、空间定位验证及扰动效果量化 [30][32][33] - Fig.5：复现使用人类回肠数据进行跨物种验证的图表，包括细胞类型分离关系、多尺度组织展示、特征基因集变化、空间梯度表达程序及细胞互作信号分析 [34][35][37][39] 课程费用与支持 - 课程费用为3880元/人，包含直播授课、录屏回看、一对一指导答疑以及完整的讲义、代码、数据资料包 [41] - 提供团体报名优惠 [41] - 配备七名全职答疑助理，提供从早上八点到晚上十二点、全年无休的一对一答疑服务，以保障学习效率 [41] 主讲老师背景 - 主讲老师张振华为中山大学博士，目前于东京大学从事医学人工智能研究，在单细胞多组学、空间转录组与机器学习领域有6年深耕经验 [45] - 已培养学员超过3万人，指导学员发表CNS主刊文章15篇、一区及子刊90余篇，并参与多项国家级科研项目申报，个人发表SCI论文24篇 [45] 课程预期收获 - 学员将能够完成Nature论文正文中每一个图表的1:1精确复现，对齐坐标范围、统计口径、颜色映射等细节，达到“复现到一模一样”的水平 [45] - 学员将真正掌握空间转录组顶刊研究的核心方法体系，包括构建可计算坐标系、生成加权空间密度图、进行空间信号推断、构建空间互作网络以及设计空间扰动验证思路 [46] - 课程旨在解决科研人员常见痛点，即图表制作缺乏论文质感、结果难以串联成机制链条，帮助学员将自己的空间数据转化为可解释、可发表的高质量研究成果 [46]

研究背景与行业痛点 - 当前主流的空间转录组学技术大多局限于二维平面观测，难以还原器官内部基因表达的连续梯度、细胞微环境的立体分布以及精细的细胞互作网络[2] - 通过堆叠2D切片来近似三维结构的方法，因高昂成本和有限通量，不得不对Z轴采样密度做出妥协，导致切片间存在不可忽视的物理间距（例如100微米，相当于缺失约5-10层细胞的信息），最终数据在Z轴上呈现高度稀疏的采样状态[2] 核心研究成果 - 复旦大学与中国科学院计算技术研究所团队于2025年12月31日在《Nature Methods》发表研究，发展了一种名为SpatialZ的全新计算框架[3] - 该框架基于细胞微环境连续性假设，融合最优传输理论，能在稀疏的真实切片间生成虚拟切片，实现从离散2D切片到密集3D图谱的重构[3] - 利用该框架，研究团队基于公开数据集构建了包含超过3800万个细胞基因表达和三维坐标的数字鼠脑，这是首个具有单细胞分辨率的空间三维大脑参考系[3] SpatialZ技术框架与原理 - 框架受到单细胞测序中“伪时间”概念启发，提出生物组织在3D空间上应遵循细胞微环境连续性原则[5] - 其四步级联算法包括：1）空间对齐；2）通过切片Wasserstein重心优化在Z轴间隙中预测细胞物理坐标分布；3）基于空间梯度的加权采样策略推断细胞状态；4）利用多尺度细胞上下文解码器建模细胞微环境，加权合成基因表达谱[5] 模型验证与性能 - 利用具有原生三维信息的小鼠视觉皮层STARmap数据测试显示，SpatialZ精准还原了稀疏采样中缺失的中间层信息，其生成的虚拟切片在基因表达与空间分布模式上与真实切片高度一致[6] - 在结构更复杂、采样更稀疏的小鼠下丘脑视前区MERFISH数据集上测试表明，重构后的图谱精准还原了特定脑区标记基因在Z轴上的连续梯度变化，并显著优化了下游分析任务效果[7] 应用成果与功能 - 研究团队利用129张稀疏小鼠大脑切片，构建了国际首个单细胞分辨率的3D虚拟鼠脑器官，包含超过3800万个细胞的高维组学信息和3D空间坐标[8] - 依托该数字器官，SpatialZ提供了数字切片模块，允许研究者从任意角度解析基因表达梯度，并实现了3D空间搜索功能，能将不同实验室产出的脑组织切片精准定位至全脑参考图谱的特定解剖坐标[8] 技术泛化能力与前景 - SpatialZ的底层逻辑具有强大泛化能力，可轻松扩展至空间蛋白组学、空间代谢组学乃至空间多组学数据[9] - 将该方法应用于人类乳腺癌组织的成像质谱流式数据，成功解析三维肿瘤微环境，并通过伪三维合成切片纠正了真实实验中的表达异常，证明了其作为一种模态无关的通用计算工具的潜力[9] - 该工作为构建跨模态、跨器官、跨物种的综合性三维空间图谱创造了新的可能，并有望在发育生物学、神经科学、肿瘤学等领域催生新发现[10]

课程内容概览 - 课程涵盖单细胞基础分析、空间转录组分析及机器学习多组学分析三大模块 [25][27][29][32][34][39][43][47][49][50][52][53] - 单细胞基础分析包括数据质控、批次效应去除、细胞注释、差异基因分析、轨迹分析等12个核心环节 [25][27] - 空间转录组分析包含Stereo-seq、Visium HD等前沿技术及Banksy、BayesSpace等20余种算法应用 [4][6][7][8][11][15][16][17][18][20][22][23] - 机器学习多组学课程涉及代谢组、蛋白组、宏基因组、转录组的AI分析及网络药理学、分子对接等12个专题 [39][43][45][47][49][50][52][53] 技术方法深度 - 空间转录组技术解析多篇CNS顶刊文章源码，包括Nature Genetics的squidpy/scanpy系统分析、Science的反卷积算法及Cell的Cell2location模型 [2][4][6][8] - 单细胞进阶分析涵盖SCENIC转录调控、inferCNV拷贝数变异、scATAC-seq联合分析等16项高阶技术，复现Nature、Cell等顶刊分析方法 [32][34][36][39] - 机器学习多组学整合Deepseek AI工具，实现代谢组/蛋白组/宏基因组数据的三维网络可视化及多组学联合分析框架构建 [39][52][53] 师资与成果展示 - 主讲教师为东京大学医学AI研究员，具备6年单细胞多组学研究经验，指导学员发表CNS主刊8篇、一区及子刊90余篇 [55] - 培训平台拥有6年行业积淀，学员成果包括10篇Cell/Nature/Science主刊及90余篇子刊文章，提供一对一包教包会服务 [57][59][61][72] - 团队与广东省生信学会、中科院等机构合作举办线下培训专场，覆盖肿瘤标志物大会、粤港澳生信年会等权威平台 [62][65][67][68] 课程特色与服务 - 提供两轮学习机会及永久答疑服务，课程视频无时间限制，支持自测数据实战分析 [29][40][71][72] - 费用支持对公汇款及信用卡支付，可开具会务费、技术服务费等票据，多人报名享有优惠 [74][75] - 每批次仅招收50人以保证教学质量，同期开设机器学习班与空间转录组班，连报有额外优惠 [75]

核心观点 - 美国加州大学旧金山分校与艾伦研究所团队联合开发出名为CellTransformer的AI模型 绘制出包含1300个脑区及亚区的目前最精细小鼠脑图 为探索大脑工作机制开辟新方向 [1] 技术原理与创新 - 模型核心采用Transformer架构 该架构与ChatGPT等大模型技术原理相同 擅长理解上下文关系 [3] - CellTransformer通过分析空间中相邻细胞之间的关系 根据细胞的“邻里结构”来预测其分子特性 从而构建精细大脑组织图谱 [3] - 新图谱完全依托数据生成 边界由细胞和分子特征自动界定 而非依赖人工经验判断 是迄今动物脑中最精确、最复杂的数据驱动型图谱之一 [3] 研究成果与意义 - 图谱以前所未有的精细度揭示大脑结构 使科学家能将功能、行为和疾病状态与更小、更具体的细胞区域相对应 [1] - 模型不仅能准确再现海马体等已知脑区 还能在中脑网状核等理解不足的区域中发现新的、更细分的亚区 [3] - 全新脑区划分基于数据而非人工标注 揭示了大量未知区域 这些区域很可能对应着尚未探索的脑功能 [4] 应用潜力与前景 - CellTransformer的算法具有组织通用性 可应用于其他器官系统甚至癌组织 [4] - 模型可借助空间转录组学数据揭示健康与疾病中的生物机制 为药物开发和疾病治疗提供新工具 [4]

研究核心发现 - 研究在《Nature Genetics》发表 通过单细胞多组学和空间转录组学分析 发现了一种由PRRX1驱动的GPR116⁺周细胞亚群 该亚群发挥免疫抑制作用并促进食管鳞状细胞癌的肿瘤转移和免疫逃逸 [2][3] - 该发现为食管鳞状细胞癌的诊断提供了生物标志物 并为其治疗提供了潜在策略 [2][3][7] 研究技术与规模 - 研究团队利用了单细胞多组学技术 分析了16个样本共117169个细胞 [5] - 同时使用了空间转录组学技术 分析了5个样本共195366个细胞 [5] 作用机制 - GPR116⁺周细胞的富集受到转录因子PRRX1的调控 该发现在周细胞特异性Prrx1基因敲除小鼠模型中得到了证实 [6] - 从机制上 GPR116⁺周细胞通过分泌EGFL6 与癌细胞表面的整合素β1结合 从而激活NF-κB信号通路 促进肿瘤转移进程 [6] - 在动物模型中 阻断整合素β1能够有效抑制肿瘤转移 并显著改善免疫治疗响应 [6] 临床意义与应用前景 - 研究证实血清中的EGFL6水平可作为多种肿瘤诊断和预后的无创生物标志物 [6] - 该研究描绘了食管鳞状细胞癌促转移肿瘤微环境的空间分辨率图谱 揭示了GPR116⁺周细胞的重要生物学和临床意义 为转移性癌症的治疗提供了潜在的创新策略 [6]

研究核心突破 - 开发出名为CellTransformer的AI模型，绘制出包含1300个脑区及亚区的目前最精细小鼠脑图 [1] - 该成果以前所未有的精细度揭示大脑结构，使科学家能将功能、行为和疾病状态与更小、更具体的细胞区域相对应 [1] - 新模型的核心是Transformer架构，与ChatGPT等技术原理相同，擅长分析空间中相邻细胞之间的关系以预测分子特性 [1] 技术方法与优势 - 新图谱完全依托数据生成，边界由细胞和分子特征自动界定，而非依赖人工经验判断 [1] - 与以往主要依据细胞类型划分的大脑图谱不同，新成果聚焦于脑区结构本身，是迄今动物脑中最精确、最复杂的数据驱动型图谱之一 [1] - 该模型能准确再现已知脑区，并在理解不足的区域中发现新的、更细分的亚区，如同从标出国家的地图升级为能看城市的地图 [2] 应用潜力与影响 - 这一全新的脑区划分完全基于数据，揭示了大量未知区域，这些区域很可能对应着尚未探索的脑功能 [2] - CellTransformer的算法具有组织通用性，可应用于其他器官系统甚至癌组织 [2] - 该技术可为借助空间转录组学数据揭示健康与疾病中的生物机制，为药物开发和疾病治疗提供新工具 [2]

研究背景与核心发现 - 全球已有超过10亿人受到肥胖困扰，腹部脂肪异常是引发胰岛素抵抗、糖尿病、心血管疾病乃至癌症风险的"隐形杀手"[6] - 减重能迅速改善健康危机，使血糖平稳、血压下降、血管恢复弹性，但科学界此前未能破解脂肪组织内部的具体变化机制[6] - 伦敦帝国理工学院研究团队通过单细胞核测序技术分析70人超过17万个脂肪细胞，首次绘制肥胖状态下脂肪组织的"病变地图"及减重后的逆转过程[7] 脂肪组织重塑全景图 - 研究构建了迄今最全面的脂肪组织单细胞图谱，涵盖171,247个细胞，样本来自25名极度肥胖者和24名健康瘦者[8] - 分析显示肥胖脂肪组织中免疫细胞大量涌入，成熟脂肪细胞比例明显降低，而减重能有效缓解这些病理变化[8] 巨噬细胞的"记忆效应" - 肥胖状态下脂肪组织巨噬细胞比例从14%飙升至31%，主要为脂质相关巨噬细胞，经典单核细胞也显著增加[10] - 减重后巨噬细胞数量显著减少（从31%降至18%），炎症相关基因表达明显下调，但代谢激活状态未完全逆转，暗示存在"表观遗传记忆"[10] - 肥胖组织中CD4 T细胞、CD8 T细胞、NK细胞和B细胞比例均增加，减重后这些细胞比例下降且激活基因表达减弱[10] 脂肪细胞代谢"重启" - 研究鉴定出8种成熟脂肪细胞亚型，肥胖者体内"应激型"和"纤维化型"显著增多，"脂质合成型"明显减少[12] - 减重后应激型脂肪细胞比例大幅降低，脂质合成型细胞比例恢复正常，脂肪细胞全局代谢通量显著增强[12] - 肥胖导致脂肪细胞肥大，上调细胞骨架张力和纤维化相关基因；减重后细胞体积缩小，这些基因表达降低[12] 多细胞"应激生态位"的消退 - 脂肪前体细胞中"应激型"APCs在肥胖者中比例上升，高表达缺氧相关基因HIF1A；减重显著减少应激型和促纤维化型APCs[14] - 血管系统出现"应激型"亚群，高表达促血管病变和纤维化基因；减重能显著降低这些应激型血管细胞的比例[14] - 空间组学鉴定出5种组织生态位，其中"应激生态位"富含应激型细胞并释放大量促炎信号；减重可有效逆转这些异常信号网络[15] 衰老程序的"逆时针" - 减重能显著下调多种细胞类型中的衰老标志物，降低衰老评分，减少p21阳性细胞，这些"逆龄"变化在代谢细胞、前体细胞和血管细胞中尤为显著[17] - 减重能有效"关闭"以AP-1家族和Krüppel样因子为核心的转录因子网络，重启细胞健康程序[17] 研究意义与行业前景 - 这项开创性研究揭示了减重改善健康的分子机制，为未来开发模拟减重效应的药物干预提供了全新思路[18]

文章核心观点 - 2025年10月1日，国际顶尖学术期刊《自然》和《细胞》集中上线了多篇由华人学者主导或参与的重要研究论文，其中《自然》期刊上线的18篇论文中有8篇来自华人学者，《细胞》期刊上线的2篇论文均来自华人学者 [2] 生命科学与医学研究 - 俄亥俄州立大学李子海教授团队发现蛋白质毒性应激反应驱动T细胞衰竭和免疫逃逸的机制 [2] - 麻省理工学院研究揭示饮食中的半胱氨酸通过CD8+ T细胞来源的IL-22增强肠道干细胞特性 [5][6] - 耶鲁大学王思远团队开发出RAEFISH空间转录组学新技术，首次实现全基因组覆盖（小鼠22000个基因，人类23000个基因）和单分子分辨率 [16][19] - 崖州湾国家实验室田志喜团队通过对8105份大豆种质资源的研究，揭示了大豆驯化、传播和改良的基因选择轨迹，首次提出存在两个独立的大豆驯化中心 [20][23][24] 基础科学研究 - 牛津大学刘小龙团队提出了拟杆菌门外膜蛋白生物发生的新范式 [6] - 哈佛大学研究团队实现了通过非对称多体回波在固态传感器中进行信号放大 [7] - 加州理工学院钱璐璐教授团队在DNA逻辑电路和神经网络中实现了热可充电计算 [8] - 伦斯勒理工学院等机构合作实现了远距离外延生长技术 [12] - 哈佛大学团队在金刚石中氮空位中心系综实现了自旋挤压 [14] 疾病与发育研究 - 剑桥大学张新和团队研究发现自闭症的多基因和发育特征因诊断年龄而异 [10]

研究背景与意义 - 拟南芥作为模式植物在过去半个世纪中塑造了大部分植物生物学知识[2] - 尽管拟南芥在植物生物学家中享有盛誉但其完整生命周期的许多细节始终成谜[2] - 美国索尔克生物研究所科学家建立了首个覆盖拟南芥整个生命周期的遗传图谱[2] 技术方法与突破 - 研究利用高精度的单细胞和空间转录组学技术系统记录了从种子萌发到成熟植株期间40多万个细胞的基因表达模式[2][5] - 单细胞RNA测序是构建细胞图谱的核心工具通过检测RNA分子精准识别特定细胞中激活的基因及其表达水平[3] - 团队将单细胞RNA测序与空间转录组学相结合突破了传统方法破坏组织空间结构的局限实现了从碎片化图谱向全景式地图的跨越[4] - 空间转录组学的最大优势在于保留了植物组织的原始结构无需破坏细胞空间排列即可在整个器官甚至整株植物中精确定位基因表达[5] 研究成果与发现 - 研究构建了覆盖拟南芥10个关键发育阶段从地下种子到开花成年植株的完整基因表达图谱[5] - 图谱揭示了单一生物体内细胞类型的惊人多样性以及发育过程中基因调控网络的动态演变[5] - 研究首次系统揭示了调控植物发育的复杂动态分子机制识别出大量在特定细胞类型中特异表达的新基因[5] - 新技术引导团队发现了此前未知的参与种荚发育的新基因[5] 应用前景与影响 - 这一公开资源将为未来研究植物细胞类型发育阶段及其对环境压力的响应提供前所未有的信息支持[2] - 研究成果有望显著推动植物生物技术农业和环境科学的发展[2] - 团队新开发了用户友好型网络应用程序使全球植物科学界可轻松查询和使用这一生命周期图谱[6] - 资源旨在深化对植物细胞发育机制的理解助力解析植物如何应对遗传变异和环境压力推动植物生物学作物改良与生态适应研究的未来发展[6]

研究背景与方法 - 研究采用单核RNA测序和空间转录组学两项前沿技术，以创建脂肪组织的详细“地图”，实现对细胞类型、基因表达和空间位置的精确解析[6] - 研究设计涵盖三组人群：24名健康瘦体型者以及25名减肥手术前后的肥胖受试者，实现横向与纵向对比分析[7] - 研究共剖析70人、超过17万个细胞，识别出20余种不同的细胞状态[7] 肥胖对脂肪组织细胞构成的影响 - 肥胖导致脂肪组织细胞平衡被打破，免疫细胞尤其是巨噬细胞数量激增，占比从健康瘦人的14%飙升至31%[7][8] - 成熟脂肪细胞比例在肥胖状态下下降，表明肥胖压力下脂肪细胞大量死亡[7] - 巨噬细胞中的脂质相关巨噬细胞是主力，分为适应性LAMs和炎症性LAMs两类亚型[8] - 炎症性LAMs的数量与个体胰岛素抵抗水平正相关[8] 减肥手术后的细胞层面变化 - 减肥手术使肥胖者的体重指数从平均45.2降至35.2，空腹胰岛素和胰岛素抵抗指数显著改善[7] - 减肥后巨噬细胞总数明显减少，但炎症性LAMs的“促炎印记”并未彻底改变，为肥胖反弹提供了解释[8] - 减肥后“压力型”脂肪细胞的比例从55%骤降至14%，同时脂肪细胞启动“无效循环”代谢机制[9] 细胞衰老与减肥的抗衰老效应 - 研究发现肥胖与细胞衰老直接关联，“压力型”脂肪细胞高表达关键衰老标志物p21，实为衰老细胞[9][10] - 减肥后p21阳性细胞几乎被清除，是一种高效的天然“清除衰老细胞疗法”[10] - 随着衰老细胞被消灭，SASP因子的表达显著下降，减肥被提升为细胞层面的“抗衰老”革命[10] 组织微环境与未来治疗启示 - 空间转录组学揭示肥胖脂肪组织中存在典型的“压力微环境”，由多种压力型细胞通过特定信号分子形成恶性循环[11] - 研究强调理解脂肪组织障碍必须从“生态系统”层面整体把握，减肥能重塑细胞构成并改变其交流信号[11] - 研究为未来治疗策略提供新靶点，未来肥胖干预有望突破“能量负平衡”模式，发展清除衰老细胞或“再教育”免疫细胞的新疗法[12]