OmicsBench v1 发布：784 项组学分析任务评测模型能力
研究团队发布 OmicsBench v1，从八个既有基准中汇总 784 项分子数据分析任务，覆盖空间组学、单细胞转录组、表观基因组、变异分析、微生物监测和蛋白功能。
#单细胞
Kenny WorkmanAI 评分7070
公众号：单细胞天地AI 评分6767 scFlowReport 发布单细胞下游分析统一工作流
韩国建国大学和釜山国立大学医院团队在《Biomolecules》发表 scFlowReport，一个配置驱动的单细胞 RNA-seq 下游分析工作流，代码开源于 https://github.com/ibclab-hub/scFlowReport。
Nucleic Acids ResearchAI 评分6060 HRD 数据库发布 1.0 版，整合人类生殖与发育多组学资源
人类生殖与发育数据库 HRD 发布 1.0 版，整合了生殖、妊娠和发育相关的公开多组学数据。该版本收录 814 条组学记录，包括 432 条 bulk 转录组、144 条单细胞或单核转录组、156 条表观基因组、52 条代谢组和 30 条蛋白质组记录，另有 702 条临床试验记录、293 条暴露与结局关联和 779 个先证 SNP 及其表型关联。
Nucleic Acids ResearchAI 评分6262 EvoNiche 数据库发布，整合 91 套空间与单细胞转录组数据解析肿瘤生态位
EvoNiche 数据库发布，整合 91 套配对的空间与单细胞转录组数据集，覆盖 35 种癌症类型。数据库包含 712 张组织切片、1 953 708 个空间 spot 和 58 个单细胞数据集共 2 945 536 个细胞，识别出 5609 个空间生态位，并重建组织水平和细胞水平的时空轨迹。
Science AdvancesAI 评分4747 CellDiffusion：通过精准推断细胞间关联增强 scRNA-seq 数据整合
CellDiffusion 是一个无监督图模型，通过扩散过程传播细胞特征、学习细胞间注意力网络，在整合 scRNA-seq 数据时自适应识别跨批次对应细胞群并进行细胞特异性校正。该模型在包括人子宫内膜在内的多个数据集上验证，生成的细胞嵌入在跨批次对齐细胞的同时保留固有细胞类型与发育轨迹，并提升了标签转移、聚类和轨迹推断等分析。
PLOS Computational BiologyAI 评分6262 CLIMB 与 CLIFF 框架通过单细胞到 bulk 转录组映射计算解卷积药物敏感性
作者提出 CLIMB 和 CLIFF 两步机器学习框架，将 bulk RNA-seq 解卷积为细胞类型组成与表达，再把 bulk 药物敏感性测量解析为细胞亚型和单细胞特异的图谱。
BMC BioinformaticsAI 评分3131 连续免疫组成在小儿白血病纵向模型中保留超越粗粒度生态背景标签的信息
研究用贝叶斯框架在连续时间 Ornstein–Uhlenbeck 模型中检验协调后的单细胞免疫组成是否比粗粒度生态背景标签携带更多纵向信息。重新处理两个 ScPCA 白血病项目后，104 名可评估参与者中 k=2 聚类可复现；在 99 名 B-ALL 参与者中分出 73 例 TNK 主导与 26 例 B/髓系偏移，但原始组成与中心对数比赋值一致性差。
Bluesky：Dr. Ahna Skop (@ahnaskop.bsky.social)AI 评分4242 Waldo：对同一细胞进行活细胞成像与单细胞测序的基因条码方法
一种名为 Waldo 的基因条码方法可对显微镜下观察到的同一批细胞先做活细胞成像、再做单细胞测序。相关预印本已发布在 bioRxiv，作者称其目标是让研究者能测序显微实验中关注的那一个细胞。
Bioinformatics AdvancesAI 评分5252 Cis-TERN：整合scRNA-seq与scATAC-seq推断细胞拟时序的图方法
Cis-TERN 是一种基于图的拟时序推断方法，整合 scRNA-seq 与 scATAC-seq 数据，在两类细胞间构建有向二部图，边权由近端或远端染色质可及性决定，再通过网络扩散为所有细胞赋予连续拟时序分数。
BioinformaticsAI 评分5858 Seumetry 发布开源 R 工具包，衔接 Seurat 分析高维流式与质谱流式数据
Seumetry 是一个开源 R 工具包，把流式与质谱流式数据的专用分析方法与 Seurat 的单细胞 RNA 测序分析能力结合起来。它提供高级质控、可视化和细胞群体丰度与蛋白表达的差异分析，作者用自建的人肠道不同层免疫细胞数据集验证其能识别不同免疫细胞群体，并在公开数据集上与人工门控结果一致。
Bioinformatics AdvancesAI 评分5252 RT-SRFM：面向发育单细胞时间序列的潜动力学框架
研究提出 RT-SRFM，一个面向发育单细胞转录组时间序列的分阶段潜动力学框架，将最优传输引导的速度学习、分解式群体增长建模、形状细化与监督式生物学读出整合在同一潜空间中，并通过八阶段课程训练提升局部传输精度、质量校准、命运一致性与长时程推演稳定性。
Bluesky：David A Knowles (@davidaknowles.bsky.social)AI 评分6060 RNA fingerprinting 方法正式发表，可解读单细胞扰动实验
David A Knowles 宣布 RNA fingerprinting 方法正式发表，该方法利用大型参考数据集解读单细胞扰动实验，并在分析中考虑基线异质性、扰动强度、离群点和相关结构。
NY Genome CenterAI 评分6060 NYGC 等机构在 Cell 出版社期刊提出 RNA fingerprinting 计算方法
NYGC、纽约大学和哥伦比亚大学的研究团队在 Cell 出版社期刊提出 RNA fingerprinting，一种把基因活性模式与其潜在成因联系起来的计算方法。帖子给出了论文链接和 NYGC 的新闻解读页面，作者标注为 @satijalab 和 @david_a_knowles。
Rahul SatijaAI 评分6767 Rahul Satija 团队在 Cell 发表 RNA fingerprinting 方法
Rahul Satija 与 David Knowles 在 Cell 发表 RNA fingerprinting 方法，利用已知因果扰动的 Perturb-seq 实验，推断新数据集中驱动细胞反应的因素。论文链接为 https://www.cell.com/cell/abstract/S0092-8674(26)01119-0。
Matthias Mann LabAI 评分7272 SPARCS 平台在 Cell 发表：结合激光显微切割与全基因组 CRISPR 筛选
SPARCS 平台在 Cell 发表，将 AI 图像分析、自动激光显微切割与全基因组 CRISPR 筛选结合，可从大型突变文库中按细胞形态分离目标细胞并用质谱做蛋白组分析。Matthias Mann Lab 转述称，该平台用于发现复杂细胞表型背后的基因，论文 DOI 为 10.1016/j.cell.2026.09.021。
GigaScienceAI 评分5555 MCMNA：单细胞水平构建帕金森病多尺度转录组网络模型
研究团队提出基于 metacell 的多尺度网络分析方法 MCMNA，用于系统解析帕金森病黑质 snRNA-seq 数据中的细胞类型特异基因调控结构。该方法通过 metacell 聚合缓解单细胞数据的稀疏性，构建稳健的基因调控网络，并结合基因共表达模块、metacell 差异表达与贝叶斯因果网络，推断候选驱动基因及其层级关系。作者称该多尺度网络模型可为疾病机制研究和治疗靶点优先级排序提供框架。
Elham AziziAI 评分5858 SHERLOCK 结合表征学习与因果推断分析单细胞扰动效应
Elham Azizi 团队发布 SHERLOCK，将单细胞扰动的表征学习与下游转录效应的因果推断结合，并有理论可识别性结果支撑。该工作由 @mingZedh、Josh Myers、@joselmcfaline 与 @elhamazizi 共同完成，作者称其为团队最新工作，并附有介绍链接 https://lnkd.in/g34C6UpQ。
Cell Reports MethodsAI 评分6262 研究团队开发结核分枝杆菌基因表达报告系统，在单细胞层面解析宿主环境中的表达动态
Aylan 等开发了一套针对结核分枝杆菌（Mtb）的报告系统，可在感染过程中可视化细菌的基因表达。结果显示，Mtb 在免疫细胞内呈现多种基因表达模式，且这些模式受细菌所处胞内环境的影响。该研究以方法开发为核心，论文发表于 Cell Reports Methods。
Seurat：GitHub Releases精选AI 评分7272 Seurat v5.6.0 发布，新增线程控制并加速核心分析步骤
Seurat 发布 v5.6.0，新增 setThreads 和 getThreads 控制支持的 C++ 内核与 uwot UMAP 后端线程。
推荐理由：新版本把归一化、降维、聚类和整合等常用步骤改为多线程 C++ 实现，并修复了 BPCells 磁盘型数据的打分问题，做单细胞分析的读者可据此判断是否升级。
Cell SystemsAI 评分6262 研究系统评估人类早期发育 blastoid 模型的转录组
Long 等人整合人类胚胎发育过程的单细胞转录组构建参考，并用互补指标评估四种 blastoid 协议。分析揭示了不同协议在细胞身份、发育时序和谱系结构上的差异，为比较和改进 blastoid 模型提供了系统依据。
Bluesky：Adlung Lab (@adlunglab.com)AI 评分3232 CytoVI 深度生成模型发表于 Nature Methods，用于流式与质谱细胞术数据整合
CytoVI 深度生成模型正式发表于 Nature Methods，可整合流式细胞术、质谱细胞术与 CITE-seq 数据，并预测缺失标志物、发现疾病相关细胞状态。Adlung Lab 称将试用该方法并鼓励课题组采用。
Cell GenomicsAI 评分4242 通过跨物种比较浓缩骨髓细胞类型特异性转录特征
作者提出一个框架，通过同时要求细胞类型特异性保守和跨多物种 scRNA-seq 数据集表达保守，来提取浓缩的标志基因特征。来自四种小鼠物种的骨髓微环境与造血祖细胞特征，能在两个外群灵长类物种中稳健解析细胞身份，捕获高度保守且具生物学意义的信息。
GigaScienceAI 评分5252 分子锚定的空间转录组框架实现 CA1–Sub 精确分区并解析阿尔茨海默病区域转录变化
研究提出一个分子锚定的空间转录组框架，用 Stereo-seq 与 snRNA-seq 参考定义 CA1 与 Sub 的可复现分子分区。
Scanpy：GitHub ReleasesAI 评分3838 Scanpy 1.13.0a2 发布
Scanpy 发布 1.13.0a2 预发布版本。原文未披露该版本的具体功能变更、修复内容或数据与代码公开情况。
Scanpy：GitHub ReleasesAI 评分2020 Scanpy 1.12.4 发布
Scanpy 发布 1.12.4 版本，为这一单细胞分析工具的补丁更新。原文未披露具体修复内容与新增功能。
Rahul Satija精选AI 评分7878 Seurat 5.6 公测版发布，提升核心流程速度与内存表现
Seurat 5.6 公测版发布，针对核心工作流的速度、内存和可扩展性做了大幅改进，尤其面向大规模数据集。作者团队称过去几个月用编码智能体重写了 Seurat 核心流程，把部分步骤从 R 迁移到 C++ 并优化代码，部分场景提速 10 倍以上且输出一致。安装说明见 https://github.com/satijalab/seurat/discussions/10449。
推荐理由：Seurat 5.6 公测版针对大数据集重写核心流程，做单细胞分析的读者可据此判断是否试用。
Scanpy：GitHub ReleasesAI 评分4242 Scanpy 1.13.0a1 发布
Scanpy 发布 1.13.0a1 版本。该版本为 GitHub Releases 上的预发布版本，具体更新内容原文未列出。
Stephen Quake精选AI 评分8080 Universal Cell Embedding 模型基于 3600 万细胞训练，可研究训练集外物种
Stephen Quake 介绍 Universal Cell Embedding 模型，该模型在来自多种物种和组织的 3600 万细胞数据集上训练，可研究远超训练集范围的生物体。相关成果来自 Rosen 等人的 Nature 论文，DOI 为 10.1038/s41586-026-10689-z。
推荐理由：Universal Cell Embedding 在 3600 万细胞上训练，可外推到训练集之外的物种，为跨物种细胞研究提供参考。
Seurat：GitHub ReleasesAI 评分2222 Seurat v5.5.0 发布：新增 BPCells 回归支持与多项可视化参数
Seurat 发布 v5.5.0，为 BPCells 的 IterableMatrix 在 ScaleData 中新增 vars.to.regress 与 latent.data 支持。
Matthew StephensAI 评分4242 Matthew Stephens 实验室用主题模型分析单细胞数据
Matthew Stephens 分享了其实验室近期关于将主题模型应用于单细胞数据并解读结果的工作，附有 bioRxiv 预印本链接。
Nicolas AltemoseAI 评分5858 Jop Kind 组将 DamID 扩展至修饰蛋白与 DNA 互作及单细胞多组学
Jop Kind 团队提出一种新方法，把 DamID 扩展到在体内定位 DNA 与翻译后修饰蛋白之间的相互作用，并与 RNA-seq 联合使用，甚至可用于单细胞。该工作以预印本形式发布在 bioRxiv，链接为 https://www.biorxiv.org/content/10.1101/2021.10.26.465688v1。
Matthew StephensAI 评分4242 用NMF改进主题模型拟合
Matthew Stephens 实验室提出用 NMF 改进主题模型拟合，指出两者密切相关但 NMF 更易拟合，相关实现已集成在 fastTopics 中，适合将 NMF 或主题模型应用于单细胞数据的研究者。
Matthew StephensAI 评分5858 Matthew Stephens 实验室发文主张弃用 scRNA-seq 的 dropout 术语
Matthew Stephens 实验室与 Abhishek Sarkar 在 bioRxiv 发布预印本，主张在 scRNA-seq 分析中弃用 dropout 这一术语，认为它带来的混淆多于它解决的问题。作者在帖中未展开具体论证与数据，仅给出预印本链接并附 #dropthedropout 话题标签。