1821794690
聊聊Sci

Advertise on podcast: 聊聊Sci

Rating
★★★★★
5
from
2 reviews
Categories
Country
United States
This podcast has
1769 episodes
Language
Chinese
Publisher
淼淼Elva
Explicit
No
Date created
2025/06/20
Latest episode
2026/11/14
Average duration
23 min.
Release period
1 days

Description

聊聊Science和Nature!

Unlock 聊聊Sci podcast Email contact info,
Listeners & Audience details

Email contact information

Direct podcast contact details

Listeners

Audience numbers & engagement insights

Audience details

Podcast Insights

Podcast episodes

Check latest episodes from 聊聊Sci podcast


1768-基于空间分辨CRISPR筛选的表型分析平台
2026/11/14
这篇文章介绍了SPARCS(空间解析CRISPR筛选)技术,这是一个结合了显微成像、机器学习和自动化激光显微切割的创新平台,能够实现对数千万细胞的大规模前向遗传筛选。通过该技术,研究人员可以精准分离出具有特定细胞形态或亚细胞定位异常的单个突变细胞,并利用单细胞基因型分析与质谱蛋白质组学进行多模态深度表型分析。文章展示了该平台在基因组规模上成功用于解析自噬形成与STING免疫信号通路的调控机制,并发现了如EI24和GPHR等关键调控因子。 References: Schmacke N A, Mädler S C, Wallmann G, et al. SPARCS enables scalable recovery of complex image-based phenotypes for genetic screening[J]. Cell, 2026. 前往小宇宙评论区与主播互动
1767-ArchMap单细胞参考图谱分析平台
2026/11/14
ArchMap 是一个基于网络的开源平台,旨在消除传统单细胞数据分析中的计算门槛,实现无代码的查询与参考映射功能。该平台整合了来自多个组织的大型单细胞参考图谱,并结合了 scArches 迁移学习框架以及 KNN 和 XGBoost 等先进的分类器工具。通过内置的自动化流程,研究人员能够便捷地完成细胞类型注释、不确定性量化分析以及多组学数据共享。此外,平台还借助 CELL×GENE 插件提供强大的可视化支持,有效帮助科研人员高效识别疾病相关的细胞状态并评估映射质量。 References: Lotfollahi M, Bright C, Skorobogat R, et al. ArchMap is a web-based platform for reference-based analysis of single-cell datasets[J]. Nature Genetics, 2026: 1-5. 前往小宇宙评论区与主播互动
1766-阿尔茨海默病中人类小胶质细胞的可塑性
2026/11/14
该研究通过分析大量人类和小鼠脑部髓系细胞,全面绘制了阿尔茨海默病及衰老过程中人类小胶质细胞和血管周围巨噬细胞的细胞分类图谱。研究人员识别出13个不同的细胞亚群,并重点揭示了与疾病相关的GPNMB亚群在阿尔茨海默病病理进展中的关键作用。通过整合单细胞转录组学与全基因组关联分析,该工作阐明了遗传风险与细胞变化之间的因果中介机制。此外,研究还鉴定了如MITF等核心上游转录调控因子,证明其在小胶质细胞吞噬功能中发挥着不可或缺的神经保护作用。这些发现为深入理解大脑免疫细胞的动态演变以及探索潜在的治疗靶点提供了重要的机制见解。 References: Lee D, Vicari J M, Porras C, et al. Plasticity of human microglia and brain perivascular macrophages in aging and Alzheimer’s disease[J]. Nature Genetics, 2026, 58(9): 2152-2163. 前往小宇宙评论区与主播互动
1765-流式细胞术的数据驱动门控策略推断方法
2026/11/13
这篇文章介绍了一种名为 ConvexGating 的全新 人工智能工具,旨在自动为单细胞流式细胞术数据推导可解释的 分选策略。该方法通过模仿人工圈门过程,利用 启发式标记选择 和 随机梯度下降 优化凸多边形边界,有效弥补了计算聚类分析与物理细胞分离之间的差距。文章指出,该算法能够处理从常规 FACS 到高维 CITE-seq 的各种标记面板,并在生成低污染的已知及未知细胞群策略方面超越了现有的反向圈门工具。此外,研究人员还通过单细胞测序成功在实验中 验证了该方法,证明其在靶细胞回收率和纯度平衡上表现卓越。 References: Friedrich V D, Mai K, Hofer T P, et al. ConvexGating infers gating strategies from clusters in single cell cytometry data[J]. Nature communications, 2026, 17(1): 9975. 前往小宇宙评论区与主播互动
1764-单细胞基础模型的全景综述:设计原则、应用与开放挑战
2026/11/13
单细胞基础模型(scFMs)作为生物学与人工智能交叉的前沿领域,通过整合跨组织、条件和模态的海量单细胞图谱数据,正在推动生物分析从特定任务向通用框架转变。这些模型利用先进的数据标记化策略和多元神经网络架构(如Transformer、状态空间模型及图神经网络),在捕获复杂基因调控网络和多组学关联方面展现出巨大潜力。尽管在模型规模化、微扰预测以及跨物种泛化等方面仍面临挑战,但它们在表征学习、发育轨迹模拟及临床疾病分层等下游应用中表现优异。随着多模态预训练范式、虚拟细胞世界模型及AI体细胞基础设施的不断完善,这类模型正逐渐超越传统描述性统计,成为加速生物学发现和实现精准医疗的核心引擎。 References: Jiang S, Fang Z, Zhang Y, et al. The Landscape of Single-Cell Foundation Models: Design Principles, Applications, and Open Challenges[J]. 2026. 前往小宇宙评论区与主播互动
1763-虚拟细胞建模的自主科学智能体
2026/11/13
CellForge 是一个开创性的多智能体人工智能系统,能够自主完成单细胞基因组学中从文献检索、模型假设生成、代码编写到实验验证的完整科研闭环。该系统将模型架构设计本身视为一个科学假设,通过数据建模、细胞生物学和深度学习专家智能体之间的批评式讨论,为遗传、化学和细胞因子等多种扰动预测任务量身定制可执行的深度学习模型。在对基因敲除、药物反应及染色质可及性等六个单细胞扰动数据集的测试中,该系统生成的架构表现出极强的竞争力,其研究计划的科学合理性也得到了盲测专家的高度认可。 References: Gerstein M, Tang X, Chen J, et al. AI Scientists for Building Virtual-Cell Models[J]. 2026. 前往小宇宙评论区与主播互动
1762-持续时间混合输运的轨迹回放生成模型
2026/11/12
本文提出了一种名为轨迹重放(Trajectory Replay)的连续时间生成模型持续学习框架,旨在解决模型在适应新数据时发生灾难性遗忘的难题。该方法通过在全路径上对历史速度场和新任务速度场进行回归,避开了传统生成重放所需的完整轨迹模拟,从而大幅减少了累积误差和计算成本。文章从理论上证明了该优化目标的总体最优解能够恢复历史概率路径与新任务概率路径的密度加权混合,并通过稳定-可塑性系数精确控制两者的权衡。结合平均流蒸馏(Mean Velocity Distillation)技术,该框架仅需极少网络评估即可访问历史轨迹。在单细胞基因表达、显微图像生成以及多任务图像基准测试等多个领域的实验表明,该方法在保持历史任务记忆的同时,能够高效适应新数据,性能显著优于现有的生成重放和蒸馏基线。 References: Palma A, Jones C, Cinquin T, et al. Trajectory Replay: Continuous-Time Mixture Transport for Lifelong Generative Models[J]. arXiv preprint arXiv:2610.26749, 2026. 前往小宇宙评论区与主播互动
1761-化学扰动转录组资源整合与基准评测
2026/11/12
本文介绍了 Chem-PerturBridge 这一大型、经过标准化的多数据集资源,它整合了跨多种技术的数万种化合物和数百万个转录组样本,用于评估小分子扰动效应。文章指出,尽管直接比对不同数据集中的基因表达对数折叠变化(logFC)往往表现出较弱的同质性,但其方向一致性更为稳定。此外,利用该统一资源进行预训练可以显著提升机器学习模型在预测未见化合物反应时的表现。通过结合标准化处理、基准测试和表征学习,该研究为连接小分子化合物与细胞机制提供了一个强大且可重用的计算平台。 References: Szałata A, Novitskaia O, Shulman M, et al. Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects[J]. arXiv preprint arXiv:2605.31522, 2026. 前往小宇宙评论区与主播互动
1760-肿瘤微环境中的趋向因子景观
2026/11/12
研究人员通过空间转录组学技术,全面绘制了小鼠实体瘤微环境中趋化因子景观的空间分布特征。研究发现,趋化因子及其受体在肿瘤核心与间质之间呈现高度结构化的表达模式,并由特定细胞群(如CCR7⁺树突状细胞和间质纤维母细胞)精准调控。实验表明,这些趋化因子网络不仅构建了组织微环境的整体架构,还通过间质细胞的滞留机制调控T细胞向肿瘤核心的浸润。深入解析这些空间动态有助于阐明肿瘤免疫逃逸的细胞逻辑,并为优化癌症免疫治疗策略提供了重要的理论支撑。 References: Altenburger L M, Patil A, Jobst J, et al. Chemokine Landscapes of the Tumor Microenvironment[J]. bioRxiv, 2026: 2026.08. 08.743563. 前往小宇宙评论区与主播互动
1759-双重向量量化空间转录组解码细胞与微环境代码
2026/11/11
本文介绍了一种名为 SQUINT 的图向量量化变分自编码器(VQ-VAE),它能够直接从空间转录组学数据中同时学习独立的细胞代码本和微环境代码本。该模型通过结合多层残差向量量化、空间邻接损失、跨切片对比损失以及批次协变量,克服了传统方法无法同时兼顾细胞内在特性与外部空间背景的局限性。在多项基准测试中,SQUINT 在细胞类型识别和微环境表征方面表现优异,或与现有领先方法不相上下,同时实现了极具优势且高效率的跨切片数据整合。此外,该研究所生成的离散词汇表支持基因表达的重构与空间插值,并通过基于代码分布相似性的方式,为查询到参考图谱的快速映射提供了可靠途径。 References: Birk S, Merchant A, Vahidi A, et al. Learning Discrete Cell and Niche Codes from Spatial Transcriptomics Using Dual Residual Vector Quantization[J]. bioRxiv, 2026: 2026.08. 07.743490. 前往小宇宙评论区与主播互动
1758-构建优化单细胞参考图谱的 scAtlasTb 工具包
2026/11/11
本文介绍了 scAtlasTb(单细胞图谱工具箱),这是一个旨在支持人类细胞图谱大规模构建的模块化开源框架。该工具箱通过结合数据预处理、量化评估、可扩展基准测试以及可视化功能,解决了构建高质量参考图谱时过程不一、标准不统一的难题。研究人员利用该框架对肺部、视网膜和外周血单核细胞(PBMC)等大型数据集进行了案例研究,系统优化了质量控制、批次效应校正、特征选择以及数据整合策略。最终,scAtlasTb 将图谱构建过程转变为一个证据驱动且可重复的优化流程,显著提升了单细胞基因组学数据分析的准确性与生物学洞察力。 References: Mueller M F, Cujba A M, Romanovskaia D, et al. Building optimized single-cell reference atlases with scAtlasTb[J]. bioRxiv, 2026: 2026.07. 30.741695. 前往小宇宙评论区与主播互动
1757-基于空间转录组学的人类组织多尺度建模与表征
2026/11/11
TERRA是一个基于多尺度空间转录组的自监督基础模型,它利用包含1.12亿个人类细胞的庞大数据集进行预训练,能够在无需特定任务微调的情况下实现零样本泛化。该模型通过创新的空间标记化方案,在单细胞分辨率下同时捕捉基因、细胞以及局部微环境三个嵌套尺度的表征,并能有效模拟基因敲除等计算机模拟扰动。在实际应用中,TERRA成功绘制了人类胚胎胰腺的发育轨迹、预测了肾脏中免疫检查点阻断疗法引起的损伤特征,并系统揭示了跨组织巨噬细胞的空间原型。总体而言,该模型突破了传统方法局限于特定数据集的局限,为组织生物学研究和临床应用提供了一个强大且可迁移的通用计算框架。 References: Birk S, Sanian M V, Vahidi A, et al. Multi-scale modeling of human tissues from spatial transcriptomics with TERRA[J]. BioRxiv, 2026: 2026.07. 29.741565. 前往小宇宙评论区与主播互动
1756-人类基因组的生物学信息神经网络架构
2026/11/10
全基因组多基因风险评分的研究提出了一种名为“全基因组神经网络(OGM)”的创新架构,该架构受生物学全基因组遗传模型启发,以基因本体论作为生物学归纳偏置。该模型能够在大规模生物样本库中利用个体基因型和协变量进行端到端训练,有效捕捉非加性遗传效应及基因间的非线性相互作用。通过对模型的系统级、变异级和变异交互级进行可解释性分析,研究证实了其在跨种族泛化、多标签疾病预测以及多模态数据整合方面的卓越性能。此外,该架构还展现出强大的迁移学习能力,能够无缝应用于独立的单细胞数据集以恢复核心免疫生物学规律。 References: Upmeier zu Belzen J, Arnoldt L, Hollmann N, et al. An interpretable omnigenic neural network architecture for the human genome[J]. medRxiv, 2026: 2026.07. 28.26359187. 前往小宇宙评论区与主播互动
1755-布鲁卡区的大脑多模态细胞图谱
2026/11/10
本研究通过结合单核多组学与空间转录组学技术,对人类幼年及成年大脑中布罗卡区与运动皮层进行了高分辨率的分子与细胞图谱分析。研究发现,这些语言和运动相关脑区在发育过程中表现出独特的细胞组成动态、层特异性基因表达以及细胞间通讯模式,特别是胶质细胞和特定中间神经元亚型的重要作用。此外,通过整合基因组学数据,研究人员识别了与神经发育障碍相关的细胞易损性,并揭示了人类进化过程中基因调控区域的特殊演变对语言能力形成的重要贡献。 References: Moriano J, Mukhtar T, Lee J T H, et al. A multimodal interrogation of Broca’s area in the pediatric and adult human brain[J]. bioRxiv, 2026: 2026.07. 22.739934. 前往小宇宙评论区与主播互动
1754-跨疾病、模态与时间的健康风险统一预测架构
2026/11/10
本文介绍了一种名为RisQ的多模态Transformer框架,用于全面学习人类健康的共享结构并预测多种疾病的风险。该模型能够整合遗传、生活环境、生理指标以及长期的临床病史等多维数据,通过自然语言和时间标记对上千种疾病进行任意时间跨度的风险评估。研究表明,通过在英国生物样本库(UK Biobank)的大规模数据上训练并在外部独立队列中验证,RisQ 的预测性能和泛化能力均超越了传统的单一疾病模型及其他多疾病预测框架。此外,该框架不仅能有效识别特定疾病的危险因素,还能实现跨疾病的风险分层,为揭示复杂的生物学关联提供了有力支持。 References: Hager P, Roth B, Buehler N, et al. Learning the shared structure of human health across diseases, modalities, and time[J]. medRxiv, 2026: 2026.07. 07.26357373. 前往小宇宙评论区与主播互动

Podcast reviews

Read 聊聊Sci podcast reviews


5 out of 5
2 reviews

Podcast sponsorship advertising

Start advertising on 聊聊Sci relevant audience podcasts


What do you want to promote?