跳到正文
今天10月20日周二14 条
  1. Phys.org47

    人脑类器官植入活体小鼠后,动物福利评估为何更难

    一篇评论文章讨论将人脑类器官植入活体小鼠后动物福利评估面临的困难。文章援引近期发表于 Nature 的研究:研究者通过基因改造使小鼠部分脑区不发育,再把由人类干细胞培养的脑类器官移植到空出的位置,类器官随时间与小鼠神经系统整合;接受移植的小鼠在短期记忆任务(如走迷宫)上与健康对照表现相当,研究者未观察到行为改变或智力提高的迹象。

    推荐理由:围绕人脑类器官移植小鼠后动物福利指标是否仍可解读展开论证,为神经类研究伦理评估提供一条可迁移的推理路径。

  2. Anthony Gitter58

    Anthony Gitter 质疑 DRYLAB-Bench 生物安全风险评分可解释性

    Anthony Gitter 表示读过 DRYLAB-Bench 后认为其提出的 Biosecurity Risk Score 不可解释,核心只是一个经过截断和归一化等调整的 z-score。他引用的介绍称,该基准用 ProteinGym 与 ViroGym 的 187,695 条深度突变扫描测量为设计打分,在 30 个生物安全场景中评估 agentic LLM 的迭代突变设计,并报告工具使用使汇总 BRS 从 0.359(S0)升至 0.475(S2)。

    推荐理由:作者从统计构造角度质疑 DRYLAB-Bench 生物安全风险评分的可解释性,适合关注 AI 生物安全评测指标设计的读者。

  3. BioSpace22

    多特异性药物设计新挑战:结合臂越多,分子选择越复杂

    随着双特异性之后三特异性、T 细胞衔接器、NK 衔接器与双激动剂等格式增多,多特异性药物开发的核心难题已从候选发现转向分子选择。Twist Bioscience 与 Invenra 就后者 B-Body® 双特异性抗体平台达成共同独家供应许可协议,Adimab 则通常引导合作方选择 IgG 样/Fab 型多特异性以利于生产。

  4. BioSpace72

    amylin是否本应从一开始就成为减重药物的主要靶点

    BioSpace 汇集分析师与药企高管的观点,讨论amylin靶点在减重治疗中的位置,认为它可能比GLP-1更耐受,并可作为GLP-1应答不佳患者的补充。诺和诺德的amylin/GLP-1复方CagriSema已提交FDA申请,分析师预计本季度出决定;REDEFINE-1中68周减重22.7%。

    推荐理由:借多位分析师和药企高管的观点,梳理amylin靶点在减重药物中的位置,以及CagriSema、eloralintide、petrelintide的临床数据差异。

  5. Matthew Herper15

    Theranos 吹哨人评霍尔姆斯新片《You Can See Everything》

    Theranos 吹哨人 Tyler Shultz 撰文批评新片《You Can See Everything》,称 Elizabeth Holmes 仍在撒谎,影片虽艺术性出色,却未走出其公寓之外记录事实。Shultz 指出片中 Holmes 展示的装置并非当年真正讨论的那台设备,并称自己在影院几乎要起身大喊。Matthew Herper 看完影片后基本认同 Shultz 的观点。

10月19日周一
  1. Asimov Press18

    《A Recipe for Cells》:Asimov Press 发布关于细胞如何运作的互动连载书

    Asimov Press 发布互动连载书《A Recipe for Cells》,探讨细胞如何由分子构成并运作。文章以 E. coli 为例拆解细胞组成:约 70% 为水,干重中蛋白质占 55%、DNA 仅占 3%,单个细胞约有 200 万个蛋白质。文中还引用 2002 年研究,显示遗传相同的 E. coli 细胞荧光表达标准差可达均值的 40%。

  2. 公众号:E药经理人58

    Treg产业元年峰会在北京举行,诺奖得主与产业界共议调节性T细胞疗法前景

    2026年10月,调节性T细胞(Treg)领域峰会在北京举行,2025年诺贝尔生理学或医学奖得主坂口志文与弗雷德·拉姆斯德尔首度联袂来华,与免疫学家、跨国药企和Biotech研发负责人、投资人同台讨论Treg疗法。

    推荐理由:峰会汇集诺奖得主与产业方,梳理Treg从机制认知到首款FDA获批产品的产业化路径与待解难题。

  3. MedCity News30

    医疗 AI 不该只盯着诊断:Infinitus Systems 专家谈分诊基础设施

    Infinitus Systems 医学信息学家 Michael Choma 提出,医疗 AI 的注意力过度集中在诊断,而更急需建设的是分诊(triage)能力。他以自身双重视力就诊经历说明,分诊决定患者何时、去何处就医,LLM 驱动的对话式 AI 代理在排班、用药咨询等场景中必须能识别紧急情况并即时转接。

  4. Bluesky:Stephen Turner (@stephenturner.us)42

    Stephen Turner 推荐短文《What Counts as Impact?》,讨论 AI 生成论文与科研评价

    Stephen Turner 推荐了一篇约 5 分钟可读完的短文《What Counts as Impact?》,该文认为数论文数量和影响因子一直是有缺陷的替代指标,生成式 AI 让这一问题更严重。他提到自己周末也写了相关想法,并引用一段关于 AI 生成论文激增、这为何是全新问题以及如何评价生物学科学的观点,同时指向 PLOS Biology 的一篇文章。

    推荐理由:借一篇短文讨论生成式 AI 加剧论文数量与影响因子考核的问题,并延伸到生物学科学评价该怎么改。

  5. Bluesky:Ran Blekhman (@blekhman.bsky.social)58

    Ran Blekhman 在 PLOS Biology 谈 AI 生成论文激增与生物学评价

    Ran Blekhman 在 Bluesky 发帖介绍其在 PLOS Biology 发表的文章,讨论 AI 生成论文激增为何构成一类全新问题,以及对生物学领域科学评价方式的影响。文章的核心论点是,在生成式 AI 时代,写出一篇论文不再意味着真的做过科学研究,因此需要重新考虑如何回应 AI 生成论文的涌入。

    推荐理由:文章把 AI 生成论文的激增当作科研评价体系的新问题,讨论生物学研究究竟为了什么。

  6. 公众号:返朴40

    停用 SSRI 比戒海洛因还难?争议背后是抗抑郁药安全停药的临床盲区

    返朴梳理了美国卫生与公众服务部部长小罗伯特·肯尼迪关于停用 SSRI 比戒海洛因还难的言论及其学界反驳,指出抗抑郁药停药问题长期缺乏研究。

    推荐理由:文章梳理了 SSRI 停药反应的发生率争议与双曲线减量法,为理解抗抑郁药安全停药这一临床盲区提供了机制与证据层面的背景。

  7. 公众号:生信人22

    陈孝平院士/张万广团队系统综述B细胞抗癌机制与治疗进展

    华中科技大学同济医学院附属同济医院陈孝平院士、张万广团队在Signal Transduction and Targeted Therapy发表综述,系统梳理肿瘤浸润B细胞(TIBs)的分类、双重功能、信号通路与治疗进展。综述整合单细胞测序与临床队列证据,指出在19种癌症的69项报告中,50.0%显示CD20+ TIBs具阳性预后效应,并总结靶向TIBs的临床前与临床试验。

  8. Hani Goodarzi18

    Arc 研究所创始人谈机构实验与领导力

    Arc 研究所研究员 Hani Goodarzi 在 Arc 工作三年后表示,希望更多类似 Arc 的机构出现,并总结了 Arc 的八条建所原则,包括资助人而非项目、建设共享全栈平台、优先工具开发并奖励工具开发者、多学科同处一地、对大学保持开放、把研究还给研究者、思考论文之外的路径、保持运营模式透明。

  9. Bluesky:Victor de Lorenzo (CNB, Madrid) (@vdlorenzo.bsky.social)22

    Luria-Delbrück 实验并非无懈可击:并非所有突变都先于选择压力存在

    Victor de Lorenzo 指出,教科书中的 Luria-Delbrück 实验存在问题:并非所有突变都在选择压力之前自发产生,部分突变会在选择本身带来的诱变压力之后出现。该实验由 1969 年诺贝尔生理学或医学奖得主 Max Delbrück 参与建立,用于证明突变先于选择自发产生。

10月18日周日
  1. MedCity News36

    抗生素已经存在,但系统无法将其送达患者

    抗菌药物耐药(AMR)的核心困境不只是新药管线不足,更在于已获批的抗生素和噬菌体制剂常因监管路径割裂、缺乏定价先例、采购停滞和紧急进口机制耗时数周而无法跨国送达患者。文章主张将监管依赖与互认、储备抗菌药的预谈判准入与定价框架、响应时间匹配临床现实的常设紧急准入机制,以及把抗菌药物可及性纳入国家基础设施规划作为优先方向。

10月17日周六
  1. Bluesky:Wolfgang Huber (@wkhuber.bsky.social)58

    Wolfgang Huber 追问生物学研究的目标是什么

    Wolfgang Huber 在 Bluesky 发帖追问生物学研究的目标是什么,并引用一篇 PLOS Biology 文章的观点:评估体系曾把论文当作衡量领域进展的主要指标,这一代理指标本身就有缺陷,生成式 AI 已将其彻底击穿。他由此提出,面对 AI 生成结果的研究领域需要先明确说清自身的研究目标。

    推荐理由:借 PLOS Biology 文章讨论生成式 AI 如何击穿以论文当进展指标的旧评估体系,并追问生物学研究的目标本身。