Author: Marie - 1ban.news

婷 翻译 对这两名男孩来说，输液前的生活意味着无休止的癫痫发作循环。每天数十次发作，急诊室就诊，药物能缓解风暴但从未真正阻止它们。其中一个年幼的男孩从未独立行走过一步。另一个眼看着自己的世界在抽搐中缩小，痉挛抹去了他已经达到的发育里程碑。 然后，一次专为他们打造的静脉注射治疗到来了。 如今，两名男孩已完全或几乎不再发作。其中一名男孩第一次独立走过了一个房间。这种治疗不像现有药物那样,,暴力压制广泛的神经回路来抑制癫痫，而是深入他们自身脑细胞的基因指令集，翻转了一个写错的句子。 这项由华盛顿大学希望神经疾病中心的研究人员于7月25日在《自然·医学》上报告的方法，是首个临床证明：基因疗法可以为患者的独特突变定制设计，并安全递送至人脑以治疗癫痫。它代表了医学对这类疾病认知的根本转变：不再是需要终身用药管理的病症，而是需要在源头纠正的基因拼写错误。 分子层面的手术精度 这两名男孩携带SCN2A基因突变，该基因编码一种在神经元表面形成钠通道的蛋白质。钠通道如同分子大门，打开和关闭以控制带电离子流入细胞。当神经元放电时，这些通道打开；当它们关闭时，细胞重置。在这两名男孩中，突变使一个SCN2A基因拷贝过度活跃。通道打开时间过长，钠离子涌入神经元，使其不受控制地放电，结果是大脑陷入癫痫发作活动的循环。 大多数癫痫药物通过抑制整个大脑的兴奋性起作用。它们是钝器，影响每一个神经元、每一个钠通道、每一个突触。患者常忍受从嗜睡、头晕到认知迟缓和情绪紊乱等各种副作用，许多人从未实现完全控制发作。对于困扰这些男孩的严重发育性和癫痫性脑病，标准治疗常常完全失败。 华盛顿大学团队走了一条不同的路。他们没有寻找能广泛抑制神经放电的分子，而是设计了一种只靶向过度活跃的SCN2A拷贝的基因沉默剂。人类继承每个基因的两个拷贝，一个来自父亲，一个来自母亲。在这些男孩中，一个拷贝是健康的，另一个携带导致癫痫发作的突变。该疗法使用无害的腺相关病毒载体递送短发夹RNA，特异性识别并降解突变基因拷贝产生的信使RNA，同时不触碰健康拷贝。 这是基因手术，而非药理学。不健康的拷贝被关闭，好的拷贝继续产生正常的钠通道。导致癫痫发作的失衡被纠正，大脑的其他部分不受干扰。 “我们正在从一刀切的方法转向真正个性化的策略，”与希望神经疾病中心有关联的研究首席研究员表示。”我们不是广泛治疗癫痫发作的症状，而是在每个患者个体的DNA水平上治疗病因。” 首个人体概念验证 该疗法在两名SCN2A功能获得性突变且对常规抗癫痫药物无反应的儿童中进行了测试。两人均接受了单次静脉输注定制设计的载体。治疗耐受性良好，研究期间未报告严重不良事件。 两名男孩的癫痫发作频率均显著下降。其中一人实现了近乎完全无发作。另一人虽经多年物理治疗却从未能独立行走，治疗后首次在无辅助下迈出了脚步。这一运动里程碑不仅仅是临床测量值，而是那种能够改变一个家庭日常生活的变化。 这些结果仍是初步的。两名患者数量很少，长期持久性和安全性需要在更大规模的试验中确定。但这项研究的目的从来不是在大范围人群中证明疗效，而是要证明这一概念可行：针对特定人类突变设计、制造并递送至大脑的定制基因疗法能够产生可衡量的临床获益。 这一门槛现已跨越。 “这是一个里程碑，”研究人员写道，”证明个性化基因组医学可以应用于严重癫痫，这些患者的突变个体罕见但总体破坏性巨大。” 理念的转变 这项工作的意义超越了SCN2A。有数百个基因与癫痫相关，许多通过类似于这些男孩的功能获得机制导致疾病。每个突变都很罕见，有时是单个患者或家庭所独有。传统的药物开发模式要求大量患有相同疾病的人群来证明将疗法推向市场的成本合理性，无法解决这些基因异常者的问题,,他们被遗忘了。 个性化基因治疗颠覆了这一等式。如果你能对患者基因组进行测序，识别致病变异，并设计针对该变异的沉默构建体，那么治疗就不再受有多少其他人共享相同诊断的限制。患者成为自己的临床试验。 这就是这项工作的核心范式转变。几十年来，癫痫治疗遵循着一条熟悉的路径：试一种药，再试另一种，添加第三种，考虑手术切除癫痫灶，然后接受某些患者无论如何都无效的现实。本文所展示的方法将癫痫重新定义为需要分子层面修复的基因问题，而非需要药理学管理的电路紊乱。 技术障碍仍然巨大。每种定制疗法都必须经过设计、细胞模型测试、在良好生产规范条件下制造，并在到达患者前进行安全性评估。时间和成本不容忽视。但华盛顿大学团队已证明这一流程是可行的，而回报,,以孩子第一次独立行走来衡量,,很难反驳。 未来展望 研究人员已计划将该方法扩展到其他癫痫基因以及更多SCN2A突变患者。更长期的随访对于确定疗效是否持续以及是否会出现迟发性副作用至关重要。该技术也为治疗由单基因过度活跃引起的其他神经系统疾病打开了大门，从某些形式的帕金森病到遗传性运动障碍。 但这项研究最直接的教训很简单。两个患有毁灭性疾病、被传统医学视为难治的男孩，接受了为其独特生物学构建的疗法，然后好转了。其中一个走了起来。 这就是那种能改变整个领域格局的结果。癫痫个性化基因治疗的时代已经开启。 参考文献： Kim-McManus, O. et al. Nature Medicine (2026). DOI： 10.1038/s41591-026-04527-y

能够完成这项工作的量子计算机将不会看起来像Google、IBM或Quantinuum正在建造的那些。它们不会是通用机器。它们将从底层开始为特定任务而架构，而这种哲学上的差异可能是当今量子计算中最重要的思想。 经典极限 经典计算机面临一个基本的扩展问题。N个粒子的量子系统需要一个以2^N增长的希尔伯特空间。存储50个相互作用粒子的完整量子状态需要PB级的经典内存。对于100个粒子，需求变得天文数字。粒子物理学家关心的问题涉及远远超过100个自由度。 当前的方法如格点QCD将时空离散化到网格上，并通过大规模蒙特卡洛模拟计算可观测量。这些方法产生了显著的结果，但它们在实时动力学、非平衡过程以及依赖于完整量子态的现象方面存在困难。量子计算机在与它们模拟的系统相同的定律支配的量子比特上运行，避免了这种指数级爆炸。一台50量子比特的机器原则上可以表示一个在经典计算机上需要PB级内存的状态。 通用陷阱 量子计算中的主流叙事是通用性：经过误差校正的通用处理器可以运行任何量子算法。这是一种以经典计算机为模型的愿景。但物理学界越来越怀疑这是否是他们问题的正确路径。 一台通用量子计算机需要每个逻辑量子比特数千个物理量子比特来进行误差校正，需要通用门集，并且需要在所有操作中保持极低的错误率。每增加一个通用性都使机器更难建造。詹金森的工作提出了一种替代方案：设计一台专门用于模拟因果量子场论的量子计算机。你可以针对目标理论的对称性和相互作用进行优化，接受受限的门集，并优先考虑与问题匹配的连接模式。 这与AI范式相反，在AI范式中，更大的通用模型吸收了所有任务。在粒子物理学的量子模拟中，规模是不够的。一台更大的通用量子计算机可能比一台更小的专用计算机更差，因为物理学与机器原生操作之间的映射会引入来自翻译层和从未为当前方程设计的电路编译的开销。 作为设计原则的因果性 这正是詹金森的因果形式化与硬件设计直接相关的地方。标准量子场论是用费曼图和时间顺序微扰理论来表述的，这种框架在厚厚的数学机制中模糊了因果性。詹金森的方法在概率层面而非振幅层面运作，它自然地产生延迟传播子，只允许影响向前传播的数学对象。 与量子计算的关联是微妙但强大的。量子场论的显式因果表述可能更自然地映射到量子计算机的操作上，因为理论和机器都尊重相同的时间箭头。在传统表述中，模拟粒子散射过程需要构建完整的时间演化算子，然后投影到最终状态。在因果形式化中，计算围绕相互作用的因果顺序进行结构化，这正是量子电路的工作方式：操作按顺序发生，每个门作用于量子比特，信息向前流动。 如果这种联系成立，那就意味着物理理论的结构和模拟机器的结构是对齐的。这种对齐是罕见且有价值的。这就像是将一部小说翻译成一种没有”时间”一词的语言，与用因果性本身就是语法的语言来写小说之间的区别。 詹金森和他的合作者已经证明，这种因果形式化再现了粒子散射和安鲁效应（一个加速观察者会将空旷空间感知为温暖粒子浴的预测）的已知结果。下一步是确定该形式化所需的计算原语，然后询问原生实现这些原语的量子处理器会是什么样子。 理论与时空交汇处 这种方法最雄心勃勃的应用之一位于量子信息论与广义相对论之间的边界。几十年来，物理学家一直在努力理解当量子力学和引力被迫共存时会发生什么。这种张力的最著名症状是黑洞信息悖论，它询问当物质落入黑洞并且黑洞随后通过霍金辐射蒸发时，信息是否丢失。 量子信息论为以数学精度提出这些问题提供了一种语言。纠缠熵、互信息和量子误差校正的概念已被证明对于理解时空本身的结构非常有用。时空可能从一个更基本的量子系统的纠缠结构中涌现的想法，被称为ER=EPR猜想及其变体，是现代理论物理学中最具挑衅性的想法之一。 实验上测试这些想法几乎是不可能的。黑洞很遥远，量子引力效应很微小，探测普朗克尺度所需的能量超出了任何人造加速器的能力。但是，一台被架构用于模拟弯曲时空上量子场论（包括黑洞几何结构的因果结构）的量子计算机，可以作为一个实验室，用于那些否则将纯属数学的想法。 詹金森的论文已经朝这个方向迈出了一步，回顾了在史瓦西度规（非旋转黑洞的最简单模型）中各种轨迹上的粒子探测器的响应。一台专用量子模拟器可以将这种分析扩展到远超出解析可处理的范围，探索动态时空、奇点附近以及存在视界的情况下的量子场行为。 前路 用于粒子物理学的特定架构量子计算的愿景仍处于早期阶段。还没有人建造过一个围绕因果量子场论从零开始设计的量子处理器。数学形式化与工程现实之间的鸿沟是巨大的，涵盖了量子比特技术、误差缓解、门保真度以及需要模拟的自由度数量等问题。 但方向是明确的，它代表了对量子计算机用途的根本性重新思考。它们不仅仅是更快的经典计算机。它们不是有朝一日将取代所有现有硬件的通用问题解决者。它们是可以被调整以模仿其他物理系统的物理系统，而对于给定问题最强大的量子计算机，很可能是其架构呼应了该问题结构的计算机。 对于粒子物理学来说，这意味着建造说因果性语言、粒子相互作用语言、时空几何语言的机器。这意味着接受一台针对模拟夸克禁闭优化的量子计算机可能对运行RSA加密毫无用处，而这并非失败。这是一个特性。 在AI世界中，口号一直是：无限扩展的通用模型将把所有任务吸收到自身中。量子世界讲述了一个不同的故事。在这里，架构就是命运。最终能够从第一原理模拟质子的机器不会是一个通用神谕。它将是一个精细调谐的仪器，像CERN的粒子探测器一样精心设计，而它的设计将编码它注定要发现的物理学。 婷 翻译

一代人以来最重要的食品政策立法于2026年7月24日通过了参议院卫生、教育、劳工和养老金委员会的审议，其两党投票结果甚至令资深国会观察人士感到意外。2026年《儿童糖尿病减少法案》（S.5026）不会禁止任何食品，不会对任何成分征税，也不会强制规定份量或配方。它所做的事情可以说更为激进：它迫使食品公司在其销售的每一个包装正面，以清晰且显著的方式说出真相。 该法案由参议员桑德斯与众议员唐·拜尔（民主党，弗吉尼亚州）、斯科特·彼得斯（民主党，加利福尼亚州）和迈克·劳勒（共和党，纽约州）共同提出，要求在加糖饮料、含高甜度甜味剂食品、超加工食品以及高添加糖、高饱和脂肪或高钠产品上标注警示标签。这些产品将被禁止面向儿童投放广告。美国国立卫生研究院（NIH）将获得新资金用于研究超加工食品的健康影响，而美国疾病控制与预防中心（CDC）将启动一项全国性的公共教育宣传活动。 该法案核心的政策机制出奇地简单。这是一项信息强制令，要求生产者在销售点以消费者无法轻易忽视的标准化格式披露其产品的特定事实。从公共卫生角度来看，这与要求美国香烟包装上印有警示标签的逻辑相同。从经济角度来看，这是对经济学家所称的”信息不对称”的纠正，即食品制造商相对于缺乏时间、专业知识或注意力来解读配料表和营养成分表的消费者所拥有的结构性优势。 标签系统的设计 该法案规定了四类强制性警告，每一类都有必须在包装正面显示的特定措辞。加糖饮料将印有：”饮用含添加糖的饮料可能导致肥胖、2型糖尿病和蛀牙。不建议儿童饮用。”含高甜度甜味剂的食品将警告：”含有高甜度甜味剂。不建议儿童食用。”超加工食品将注明：”食用超加工食品和饮料可能导致体重增加，从而增加肥胖和2型糖尿病的风险。”而高添加糖、高饱和脂肪或高钠产品将带有简单的营养成分标签：”高[营养成分名称]。” 视觉设计要求同样具体。每个标签必须出现在矩形边框或八角形（这种形状在智利、墨西哥和其他采用包装正面警示系统的国家产生了强烈效果）内。标签必须占据包装正面的至少5%，使制造商无法将其缩小到不可见。 警示标签与其他所有方式的区别 要理解为什么该法案代表了对过去食品政策的背离，需要看看此前的做法。几十年来，食品行业一直倾向于由其控制的自愿标签系统。最常见的是多国食品公司自愿采用的”每日指南摄入量”（GDA）标签。GDA标签按份量列出卡路里、脂肪、糖和盐占每日摄入量的百分比。它们看起来信息丰富，但它们是围绕一个几乎不适合实际美国人的2000卡路里饮食设计的，并且完全将认知负担放在消费者身上，让他们自行判断14克饱和脂肪是多还是少。 该行业还采用了自愿性的”健康”标识，这是食品生产商可以将其应用于符合协商营养标准的产品的一种标志。不符合条件的产品则完全没有标记，消费者无法区分勉强未达标的产品和本质上属于糖果类的产品。 警示标签颠覆了这一逻辑。它们不是用自愿性徽章来奖励好的产品，而是用强制性信号来标记有问题的产品。不对称性发生了转变。什么都不做的制造商会在货架上留下警示标签。移除它的唯一方法是将产品配方调整到警告阈值以下，这正是智利在2016年采用八角形警告系统后发生的情况。发表在《柳叶刀》和《公共科学图书馆·医学》上的研究发现，智利消费者减少了对标有标签产品的购买，而食品公司则对数千种产品进行了重新配方，以避免携带这些标记。 法案所解决问题的规模 S.5026的公共卫生依据建立在连食品行业都难以质疑的数据之上。超过21%的美国儿童现在患有肥胖症。每五名儿童中就有一人有发展为2型糖尿病的风险。在青少年中，每三人中就有一人的血糖水平符合前糖尿病的标准。CDC预测，如果不进行干预，年轻人中2型糖尿病的患病率在未来40年内可能增加近700%。 在这些统计数据的背后，是食品系统精心设计的一种饮食现实。超加工食品，即由精制物质和添加剂制成的工业配方产品，几乎不含完整食品成分，约占美国成年人消耗卡路里的55%，在儿童中所占比例更高。这些产品是为适口性和货架稳定性而设计的，而非为了代谢健康。 超加工食品消费与慢性疾病之间的联系是营养流行病学中最有力的发现之一。2019年NIH一项具有里程碑意义的随机对照试验发现，与卡路里、糖、脂肪和纤维相匹配的全食品饮食相比，超加工饮食的人每天多摄入约500卡路里，并相应地增加了体重。随后的观察性研究将高超加工食品摄入与心血管疾病、2型糖尿病、某些癌症和全因死亡风险的增加联系起来。 政治格局与MAHA因素 这样一项范围广泛的法案在两党投票中通过委员会审议，反映了政治格局的转变。食品行业仍然是一股强大的游说力量——美国食品杂货制造商协会、美国饮料协会及其盟友贸易团体已花费数千万美元反对警示标签立法。但”让美国再次健康”（MAHA）运动在两大政党中都获得了影响力，为十年前在政治上不可想象的干预措施创造了空间。 MAHA的诉求吸引了进步派公共卫生倡导者和关注儿童慢性疾病的保守派家长的支持。该运动将包装正面标签列为其标志性议题之一，认为家长应该在不解读配料表或安装第三方应用程序的情况下，在杂货店获得清晰的信息。这一联盟消除了警示标签代表政府过度干预的论点，将辩论重新聚焦于透明度和家长权利。 下一步走向 该法案现在将提交参议院全体会议审议。如果获得通过，众议院需要审议相应的配套立法，随后将由协商委员会协调分歧。7月24日的委员会投票表明该法案势头正盛。 各项规定将在数年内分阶段实施，给制造商时间重新设计包装和调整产品配方。广告禁令将单独生效，联邦贸易委员会（FTC）将有权对电视、数字平台和校内广告中向儿童营销标注食品的行为实施限制。 批评者认为，仅靠警示标签无法解决肥胖和糖尿病危机，他们是对的。标签在边缘层面而非根本上改变行为。它们没有解决食品荒漠、新鲜农产品的成本、食品供应的集中化，以及推动制造商走向廉价、超适口配方的结构性激励问题。但同样的论点也曾被用来反对香烟警示标签。香烟警示标签并没有消除吸烟，但配合税收、广告限制和戒烟计划，它确实促进了吸烟率的持续下降。 警示标签所做的是恢复现代食品系统所失去的一部分信息平衡。它们在三秒钟内告诉购物者，原本需要三十秒的营养学培训才能解读的配料表信息。它们创建了一个公共记录——在货架上可见，在社交媒体上可分享，在新闻中可报道——记录了哪些产品带有制造商宁愿保持隐晦的风险。它们为其余的政策机构——FDA、CDC、NIH、各州卫生部门——提供了一个可以依赖的基础。 2026年《儿童糖尿病减少法案》并不假装一包薯片上的标签就能逆转一代人的代谢损伤。但它标志着美国第一次认真地尝试为对其所售产品诚实的食品系统建设信息基础设施。仅此一点，就是一个值得关注的警告弹。 婷 翻译

物理定律不在乎尺度大小。描述水滴从叶面落下的方程，同样可以描述横扫大陆的雷暴。尺度改变，物理不变。这一被称为尺度不变性的原理，在距离地球2.25亿公里（1.4亿英里）的远方，借助NASA已故的伟大MAVEN探测器之力，得到了又一场壮观的新验证。 本月发表在《自然·通讯》上的一项研究中，由加州大学伯克利分校空间科学实验室的许少遂领导的团队报告称，驱动地球极光的同一种磁力引擎，传奇的邓吉循环，也在火星上运行。它并非像在地球上那样以行星尺度运行，而是在散布于火星南半球数十个微型竞技场中运行，每个竞技场的规模相当于一个小国家，而非整个星球。 这一发现改写了科学家们对火星极光的认知。它还表明，只要有恒星风遇到磁场的地方，无论该磁场包裹的是整个行星还是仅仅一片古老地壳，邓吉循环都可能是一种普遍现象。 全尺度邓吉循环 要理解MAVEN发现了什么，首先需要了解地球如何产生自己的光之秀。邓吉循环以1961年提出该理论的英国物理学家詹姆斯·邓吉命名，描述了太阳风（一股持续从太阳吹出的带电粒子流）与行星磁场之间的相互作用。 在地球上，太阳风在昼侧压缩磁场，将其拉伸成夜侧的一条长磁尾。该磁尾两侧的磁力线啪地合拢并重新连接。这向磁尾注入能量，加速电子沿螺旋路径下降至高层大气，在那里与氧和氮碰撞，产生北极光和南极光。 在MAVEN的最终篇章之前，这一过程被认为在地球类行星中基本上为地球所独有。 火星与磁场的幽灵 现今的火星没有全球性磁场。其液态铁核在数十亿年前冷却并凝固，关闭了曾经产生保护性磁层的内部发电机。但该发电机留下了一个幽灵。 大约40亿年前，当发电机仍活跃时，它磁化了火星地壳的大片区域。当发电机停止后，这些区域仍然保留了磁性印记，就像磁铁移除后冻结的铁屑。其结果是在南半球形成了一片地壳磁异常拼图，产生微弱但可测量的磁场，一直延伸到太空。 “火星地壳磁场形成了局部的、可以称之为微型磁层的结构，”许少遂解释道。”它们彼此并不相连。每一个都是自己小小的磁保护气泡，可能从地表向上延伸数百公里。” 多年来，行星科学家知道这些微型磁层能够产生极光。哈勃空间望远镜和火星快车号都探测到来自南部高地的紫外极光光芒。但这些光芒背后的机制仍不确定。磁重联是一个候选机制，但此前没有人能够证明它特别遵循了邓吉循环。 “我们知道火星上存在磁重联，但没有预料到它会像邓吉循环一样，”许少遂说。 MAVEN的最后馈赠 答案来自一艘早已超出预期寿命多年的航天器。MAVEN（火星大气与挥发物演化探测器）于2014年9月抵达火星。其主要任务是研究火星大气如何逃逸到太空，帮助科学家理解火星如何从一个温暖、湿润的世界转变为今天寒冷沙漠的过程。 MAVEN携带了一套为此类工作设计的仪器：用于测量磁场的磁通门磁力仪，用于追踪入射电子的太阳风电子分析仪，以及用于测量离子能量和组成的超热与热离子组成仪器（简称STATIC）。这些仪器共同为许少遂团队提供了诊断正在进行的重联过程所需的一切。 通过分析MAVEN多次飞越南半球地壳磁场上空的数据，该团队观测到了微型邓吉型重联的特征。太阳风磁力线接近火星，遇到局部的局地壳磁场，并与之重联。重联将能量注入每个地壳区域下游的微型磁尾，加速电子降落到稀薄的火星大气中，产生局域极光。 整个过程几乎精确地反映了地球的邓吉循环，但尺度压缩了三个数量级。地球的磁尾在行星后方延伸数十万公里，而火星上一个地壳磁场区域后方的微型磁尾可能仅延伸数百公里。地球的极光椭圆覆盖整个大陆，而火星的邓吉循环极光是局域的光芒，对于一个假想的火星天空观测者来说，它们将呈现为南半球天空中的孤立光斑。 普适机制 这一发现的意义远远超出火星本身。如果邓吉循环在地壳磁场上以亚行星尺度运行，那么它很可能在任何恒星风遇到任意大小磁障碍的地方运行。这包括像木卫三这样拥有自身固有磁场的卫星。还可能包括系外行星系统，在那里恒星风与行星磁场之间的相互作用很难直接观测，但现在可能变得更容易预测。 “这个过程在如此不同的尺度上运行，告诉我们关于磁重联如何运作的一些根本性东西，”许少遂说。”它不是行星现象。它是一种等离子体现象，在任何条件合适的地方都会发生。” 邓吉循环的普适性也有助于解释多年来困扰火星研究者的一个谜题。航天器此前曾在火星探测到极光，但时间和地点并不总是与简单的粒子沉降模型一致。新的结果表明，火星上同时存在多种极光机制。一些极光来自直接的电子撞击。另一些则遵循邓吉循环，来自重联驱动的加速，其时间取决于地壳磁场和太阳风的局部走向，一个不断变化的组合。 MAVEN的遗产 《自然·通讯》上的这篇论文是MAVEN最后几项重大发现之一。该探测器于2025年12月与地球失去联系，此前已在轨运行超过11年，几乎是其计划任务寿命的三倍。NASA于2026年6月宣布该任务结束。但MAVEN在过去十多年中收集的数据仍在不断产生新的科学成果。 “这是一个非凡的成果，改变了我们对火星极光的看法，也是理解尽管受相同基本物理规律支配，为何火星与地球演化如此不同的又一步重要进展，”科罗拉多大学博尔德分校MAVEN首席研究员香农·库里说。 这一演化问题是MAVEN所做一切工作背后更深层的背景。地球和火星起始于相似的原材料：两者都在内太阳系形成，两者在早期历史中都有液态水，两者都受到相同太阳风的影响。但地球保留了其磁场、大气和海洋，而火星则失去了全部三者。这一发现为这个谜题增添了新的一块，显示即使是部分、局域的磁场也足以以与完整行星磁场相同的基本方式与太阳风相互作用。两个世界之间的差异不是种类上的，而是程度上的。 噪声中的模式 在物理学中，尺度不变性往往指向更深的真理。当相同的方程支配着规模截然不同的现象时，这通常意味着这些方程捕捉到了某种本质。邓吉循环在地球上以行星尺度运行、在火星上以微型磁层尺度运行，表明磁重联是那些本质过程之一，对于恒星与行星之间的相互作用，其基础性如同引力之于天体运动本身。 火星人不会看到绿色和红色的光帘在天空中舞动。他们的大气太稀薄，成分也大不相同。但如果有人站在晴朗的火星夜晚的南部高地上，在恰当的时刻仰望天空，他们会看到一片光辉，一个局域的、不断演化的紫外光斑，由与照亮地球天空的同一台无形引擎驱动。 尺度改变，物理不变。MAVEN花了11年时间来证明这一点，而凭借这最后的发现，它离开时让行星科学变得更加丰富。 婷 翻译

20世纪70年代，美国各地医院的产房里出现了一种无声而可怕的模式，新生儿陆续感染单纯疱疹病毒（HSV），后果往往致命。数十年来，医生们对传播途径感到困惑：大多数病例中，病毒并非在分娩过程中由母亲传给婴儿。一定有其他原因。 破解这一谜团的人是伯纳德·罗伊兹曼（Bernard Roizman），芝加哥大学的病毒学家。他用20年时间在分子层面拆解单纯疱疹病毒，绘制其基因组图谱，纯化其DNA，在很少有科学家相信这一切能够实现的年代。他的发现为医学带来了一门全新的学科，分子流行病学，并挽救了无数婴儿的生命。 罗伊兹曼，科学博士，芝加哥大学约瑟夫·雷根斯坦杰出服务荣誉教授，于2026年4月13日在芝加哥去世，享年96岁。他重塑了病毒学，将其从一门描述性科学转变为分子科学。但在他的所有成就中，最能体现其遗产的，或许是他将一项发现从实验室带进医院的那一刻。 指纹 分子流行病学的核心理念简洁而优雅。罗伊兹曼及其团队发现，单纯疱疹病毒的基因序列在非亲属个体之间存在显著差异，但在被感染的相关个体之间几乎完全相同。换言之，每一株HSV都携带独特的遗传签名，这一签名会完整地从一名感染者传递给下一名感染者。这些，实际上就是遗传指纹。 如今，利用病原体遗传学追踪传播路径已成为常规做法。我们在COVID-19大流行期间实时见证了这项技术的应用。基因组流行病学如今已是公共卫生领域的标准工具。但在罗伊兹曼首次描述这一现象时，它堪称革命性，他为传染病调查人员提供了一种以法医学精度追踪病毒从一个人宿主传播到另一个人宿主的方法。 而他心中恰好有一个具体的问题等待着这项技术。 产房调查 罗伊兹曼利用他的遗传指纹技术，分析了医院产房中感染新生儿的HSV分离株。结果令人不安：导致不同婴儿发病的病毒毒株并非来自他们的母亲。这些毒株彼此完全相同，暗示存在一个共同的、非母体的传播源。 罪魁祸首是医院工作人员。罗伊兹曼证明，护士在不经意间通过双手将病毒从一名婴儿携带给另一名婴儿，仅仅因为在接触不同患者之间没有彻底洗手。 他的研究结果发表于《新英格兰医学杂志》，直接推动了医院感染控制措施的改革。手部卫生规程得到强化，员工培训计划得以实施。其结果是，院内新生儿HSV感染率显著下降，这是一场实实在在的公共卫生胜利，直接源于一项基础病毒学研究。 罗伊兹曼没有研发药物，也没有测试疫苗。他完成了一件更难且更重要的任务：用无可辩驳的分子证据推动行为改变。他将实验台与病床连接起来，婴儿因此得以存活。 HSV生物学的奠基人 分子流行病学工作虽意义重大，却仅代表罗伊兹曼长达70年职业生涯中的一个篇章。他首先也是最重要的，是全世界研究单纯疱疹病毒的最高权威，HSV是一种复杂的DNA病毒，感染了绝大多数人类种群，并在神经系统中建立终身潜伏。 20世纪50年代末，当罗伊兹曼进入这一领域时，人们对HSV的分子生物学几乎一无所知。他率先开创了纯化HSV DNA及表征其独特结构的方法。随后，他绘制了整个病毒基因组的图谱，并定义了其84个基因中许多基因的功能。他还揭示了病毒如何劫持宿主细胞机器，这一过程对理解病毒病理学和潜在的治疗干预都至关重要。在他鉴定的基因中，有一个编码了一种酶，该酶后来成为抗病毒药物的靶点。 格伦·兰德尔（Glenn Randall）曾是罗伊兹曼的研究生，现任芝加哥大学微生物学教授。他告诉《柳叶刀》杂志：”他兼具强烈的好奇心与原创性。衡量一位伟大科学家的标准，是看他们在本领域之外的影响力。就伯纳德而言，这包括分子流行病学、大型基因组操作以及溶瘤治疗。” 在职业生涯后期，罗伊兹曼将病毒本身转化为治疗工具。他改造了HSV，去除了其损害中枢神经系统的能力，同时保留了选择性感染并摧毁癌细胞的能力。这些改造后的病毒成为溶瘤病毒疗法的基础，该癌症治疗领域目前正在临床试验中接受检验。罗伊兹曼还证明，改造后的HSV可作为载体将外源基因输送到细胞中，从而推动了基因治疗的前景。 从难民到雷根斯坦教授 罗伊兹曼通往科学巅峰的道路充满了不可预测。他于1929年出生于罗马尼亚的基希讷乌。第二次世界大战期间，他的家族为躲避不断逼近的军队穿越东欧，经历了流离失所、物资匮乏和濒临饥饿，最终于1947年搭乘”撒丁尼亚号”轮船抵达美国，定居费城。 在爱上科学之前，他曾想成为一名作家。他在2015年的一篇自传文章中写道：”我的抱负戛然而止，因为为了加快大学学业，我选修了微生物学课程。那是我的第二次一见钟情，第一次属于我的妻子。” 他于1950年与贝蒂（Betty）结婚，夫妇二人共同走过70年婚姻，始终感情深厚。他在天普大学获得学士和硕士学位，之后于1956年获得约翰·霍普金斯公共卫生学院科学博士学位。在约翰·霍普金斯大学任教并在巴黎巴斯德研究所工作一年后，他于1965年加入芝加哥大学，担任微生物学副教授。此后他在那里工作了52年，成为约瑟夫·雷根斯坦杰出服务教授。 在整个职业生涯中，罗伊兹曼发表了超过650篇经过同行评审的论文。他于1979年当选美国国家科学院院士，并入选美国艺术与科学院、美国国家医学院，同时也是中国工程院外籍院士。 代代相传 对于罗伊兹曼来说，衡量遗产的标准不在于论文和奖项，而在于人。他培养了100多名研究生和博士后研究员，其中许多人此后在美国、欧洲和亚洲建立了自己的研究项目。从60岁生日开始，每五年一次，他过去的学生们都会回到芝加哥大学，举办以他名义举行的科学研讨会。 罗伊兹曼曾说：”真正持久的不是科学报告，而是那些我可能影响了其教育的几代科学家。” 2021年，罗伊兹曼夫妇在芝加哥大学捐资设立了”伯纳德与贝蒂·罗伊兹曼教授席”。沙巴娜·卡德尔（Shabaana Khader）博士是首位获得这一荣誉的教员。卡德尔说：”伯纳德不仅是微生物学和病毒学领域的巨人，也是芝加哥大学的坚定守护者。他对发现和指导的热情塑造了几代科学家。” 罗伊兹曼于2017年退休，但从未停止工作。他一直从事病毒学的教学和指导学生，直至生命尽头。他的侄女莱斯利·费舍尔（Leslie Fisher）说：”尽管他的身体状况逐渐变得虚弱，但他对科学的热情从未减退，直到生命的最后阶段，他始终保持着与工作和同事的智力交流。” 他的儿子亚瑟（Arthur）仍在世。妻子贝蒂于2021年去世，儿子奈尔斯（Neils）于2017年因癌症去世。 伯纳德·罗伊兹曼留下了一个被彻底改变的病毒学领域，一套已成为全球疫情调查核心工具的方法，以及几代继承他科学精神的学者。但他最切实的遗产或许是这样：成千上万名婴儿安然度过了生命最初几周，因为一位病毒学家拒绝止步于实验台，而是沿着证据一路走进了医院病房。 婷 翻译 参考文献 1. Matt Wood, “Bernard Roizman, ScD, pioneering virologist, 1929-2026,” University of Chicago Biological Sciences Division, April 20, 2026. […]

空间转录组学为生物学家提供了他们数十年来一直渴望的能力：观察一片组织切片，并以全基因组精度查看每个位置哪些基因被激活。这项技术从发育生物学到癌症研究的众多领域都具有变革意义，揭示了细胞如何组织成组织，肿瘤如何重塑其微环境，以及器官如何在发育过程中形成。 但有一个问题。大多数空间转录组学平台并不捕获单细胞。它们捕获的是斑点，小的圆形或方形组织区域，每个区域包含一到十几个细胞。单个斑点处测量的RNA是位于该处的所有细胞类型的混合信号。例如，位于肿瘤和血管边界的斑点可能包含癌细胞、内皮细胞和免疫细胞的混合物。要理解其中的生物学意义，需要解开这种混合物，这一过程称为反卷积。 多年来，反卷积的标准方法在概念上很简单：引入一个单独的参考数据集（通常来自单细胞RNA测序），该数据集能显示每种细胞类型的转录特征。然后利用该参考来分解空间数据，为每个斑点分配每种细胞类型的比例。当拥有来自完全相同组织和条件的高质量配对参考时，这种方法效果很好。 但这是一个很大的”条件”。 参考难题 配对单细胞参考的生成成本高昂且耗时。它们需要将组织解离成单个细胞，这一过程会破坏空间背景，并可能引入偏差。许多重要的组织样本，临床活检、存档的FFPE标本、稀有的发育样本，根本无法与来自同一标本的新鲜单细胞数据集配对。 即使存在参考，也可能不是良好的匹配。单细胞和空间转录组学平台具有不同的捕获效率、基因检测率和偏差。来自不同捐赠者、疾病阶段或实验室的参考会引入难以与真实组织生物学区分的生物变异。标记基因列表是一种常见的变通方法，但它们较为粗糙，会遗漏微妙的细胞状态，并且在陌生组织中完全失效。 这造成了一个先有鸡还是先有蛋的问题。需要知道存在哪些细胞类型才能分析空间数据，但又需要空间数据才能理解存在哪些细胞类型。参考不是有益的补充，而成为了限制空间转录组学研究范围的先决条件。 RETROFIT：无需参考的反卷积 今天发表在《自然·通讯》上的一项新方法打破了这种依赖。该方法名为RETROFIT（空间转录组学中细胞类型混合物的免参考反卷积），是一种贝叶斯框架，直接根据测序测量结果本身工作，无需在反卷积阶段使用任何外部参考。 由宾夕法尼亚州立大学团队（Roopali Singh、Xi He、Xinyue Wang、Adam Keebum Park、Ross Cameron Hardison、Xiang Zhu和Qunhua Li）开发的RETROFIT将免参考性质视为核心设计约束，而非需要绕过的限制。 核心见解是数学性的。空间转录组学数据集中的每个斑点都记录了一个基因表达值向量，同时在成百上千个斑点上测量数千个基因。如果有足够的斑点和足够的基因，数据本身的结构就包含分离细胞类型所需的信息。不同的细胞类型表达不同的基因组合，这些组合模式在原始数据矩阵中留下统计特征。挑战在于如何提取它们。 RETROFIT将其构建为贝叶斯非负矩阵分解问题。它将空间转录组学数据矩阵分解为两个较小的矩阵：一个捕获细胞类型特异性基因表达谱（每种细胞类型的特征），另一个捕获每个斑点处每种细胞类型的比例（每种细胞类型的位置）。贝叶斯方法为模型提供了一种处理不确定性的原则性方式，具有模糊混合的斑点会被标记出来，而非过度自信地分配，非负约束确保解在生物学上是可解释的：没有负的表达值或负的比例。 该方法使用结构化随机变分推理算法，能够高效扩展到典型空间转录组学数据集的规模，这些数据集可能包含数千个基因和数万个斑点。 至关重要的是，RETROFIT的架构将反卷积步骤与细胞类型标记步骤分开。该方法首先仅从空间数据中学习潜在的细胞类型成分。只有在识别出这些成分之后，它才会选择性地使用外部信息（单细胞参考或标记基因列表）来为其发现的成分分配生物学名称（例如”CD4+ T细胞”、”肝细胞”）。这种两阶段设计意味着核心分解永远不会受到参考偏差的污染。参考在使用时只是一个标签，而非拐杖。 性能表现 宾夕法尼亚州立大学团队对RETROFIT与免参考和基于参考的替代方法进行了广泛测试。在已知真实细胞类型组成的人造模拟中，RETROFIT优于现有的免参考方法。更重要的是，即使基于参考的方法获得完美匹配的参考，RETROFIT也达到或超过了它们的性能。 最后这一结果令人震惊。它表明基于参考的反卷积尽管广受欢迎，可能正在引入误差而非消除误差，来自平台效应、细胞类型覆盖不完全或生物学状态不匹配的误差。RETROFIT通过立足于正在分析的数据来避免所有这些问题。 在不完美的参考（基于参考的方法最难以应对的现实情况）下，优势变得更加明显。当团队引入不匹配的参考（模拟使用来自不同捐赠者的公共参考代替配对参考的常见场景）时，基于参考的性能大幅下降。RETROFIT的性能则保持不变。 无需图谱即可观察精细结构 最具说服力的演示可能来自Visium HD数据。10x Genomics发布的Visium HD代表着空间转录组学分辨率的一次飞跃，将标准的55微米斑点替换为接近单细胞尺度的连续2微米特征。但即使在更高分辨率下，单个像素仍然可能包含细胞类型的混合物，Visium HD更精细的结构引入了新的数据稀疏性挑战，考验着反卷积方法的极限。 RETROFIT在Visium HD数据上表现出色，无需单细胞参考或标记基因即可恢复精细的空间模式。该方法识别出空间上连贯的细胞类型域，特定细胞类型占主导的区域，与已知的组织解剖结构相匹配，所有结果完全源自空间表达数据的结构。 这对于越来越多采用高分辨率空间平台的研究人员来说尤其有价值。无需匹配的scRNA-seq参考即可分析Visium HD数据的能力消除了一个主要入门障碍，并加速了从组织切片到生物学洞见的转化。 广泛适用性 RETROFIT不限于任何单一平台。该团队在多种空间转录组学技术上展示了其有效性，包括Slide-seq（使用条形码微珠）和10x Visium平台。该方法能够处理不同斑点大小、不同捕获效率以及不同平台特有的各种基因检测率，无需重新调整参数。 该方法现已作为名为”retrofit”的Bioconductor R软件包提供，包含模拟和真实数据的完整文档和教程。这使得在Bioconductor生态系统中工作的广大计算生物学家社区可以访问使用。 新的前进道路 RETROFIT的发表并不会使基于参考的反卷积过时。当存在高质量、配对的单细胞参考时，基于参考的方法仍然是强大的工具。但RETROFIT改变了默认假设。研究人员不再需要问”我是否有足够好的参考来分析我的空间数据？”，而是可以问”我的空间数据本身揭示了什么？”并在之后添加参考进行生物学解释。 这一转变恰逢其时。空间转录组学正在迅速扩展，进入临床实验室、发育生物学，以及植物生物学和微生物学等配对单细胞参考稀少或根本不存在的领域。一种跨平台和分辨率工作的免参考方法使空间转录组学成为一种更民主的技术，任何拥有组织切片和测序仪的实验室都可以使用。 对于日益壮大的绘制基因表达空间组织的科学家群体，RETROFIT提供了一种简单而强大的能力：无需事先知道在寻找什么，就能看到存在什么。 Reference: Singh, R., He, X., Wang, X., […]

人工智能现在能够以媲美放射科医生的精度解读医学扫描图像，从可穿戴设备数据预测疾病发作，并驱动虚拟助手实时对症状进行分诊。其临床潜力是巨大的。但一个更深层的问题困扰着卫生政策：问题不在于AI能否诊断癌症，而在于谁控制着使之成为可能的数据。 保险公司、制药巨头和金融机构拥有强大的商业动机，希望获取通过AI系统流动的大量健康数据。而旨在阻止它们的治理框架却仍然是碎片化的、不一致的，在某些地方甚至根本不存在。 2026年7月24日发表在《柳叶刀》上的一份世界报告研究了医疗保健领域AI的新兴治理框架，其发布正值一个关键时刻。包括世界卫生组织和联合国在内的多个国际机构今年已经发布了重要的政策文件。但监管雄心与现实保护之间的差距正是患者数据泄露的漏洞所在。 “核心矛盾几乎可以说是残酷的，”阿姆斯特丹大学健康数据伦理研究员玛丽安娜·沃斯博士说，她为世卫组织2026年1月的EB158/19报告做出了贡献。”医疗保健中的AI需要庞大的数据集才能有效运作。但同样的数据集包含着人们拥有的最敏感的个人信息。让算法变得更聪明的每一个字节的数据，同时也是可以被提取、出售或挪作他用的一个字节。” 这种挪作他用正是问题的核心。一个在公立医院系统数千张胸部X光片上训练出来的医学影像AI，可以学习到不仅能指示疾病，还能指示年龄、生活方式、社会经济地位和保险风险的模式。当该模型，或其背后的数据，落入保险承保人、药品营销人员或评估贷款资格的银行手中时，最初的临床目的已被悄然颠覆。 世卫组织EB158/19报告题为”健康数据治理与人工智能”，呼吁在AI、数据和数字健康领域采取协调一致的监管方法。报告强调数据保护、道德使用和问责制。报告认识到，当前各国法律的拼凑为商业数据提取创造了安全港，并敦促成员国将健康数据视为一个特殊类别，给予比一般个人信息更强的保护。 但由于主要监管集团在数据权利和商业准入方面有着根本不同的理念，跨司法管辖区的协调变得困难重重。 欧盟以最全面的框架领先。自2018年生效的《通用数据保护条例》将健康数据视为特别受保护的类别，要求在处理时获得明确同意。2025年进入执行阶段的欧盟《人工智能法案》将医疗AI列为”高风险”，要求其在部署前接受强制性合格评定。这些工具共同创造了联合国所谓的”以人为本”的方法：数据主体保留有意义的控制权，商业性二次使用被推定禁止，除非有特定豁免。 中国采取了不同但同样坚定的路径。其2021年颁布的《个人信息保护法》将医疗健康信息归类为”敏感个人信息”，要求每个处理目的都需要单独、具体的同意。一份同时涵盖临床护理和算法训练的单一同意书是不够的。该法还规定了数据本地化要求，这意味着用于AI训练的中国患者数据必须留在境内。这创造了一种围墙花园式的做法，保护了国内数据，但使国际合作复杂化。 美国是一个异类。尽管它是世界上最大的健康AI产业所在地，但它没有全面的联邦法律来管理健康AI或其消费的数据。《健康保险流通与责任法案》涵盖了医院和保险公司等覆盖实体持有的临床数据，但它制定于1996年，远在AI训练流程或数据经纪商出现之前。美国食品药品监督管理局根据具体情况监管AI驱动的医疗设备，但仅限于AI作为诊断工具销售时。保险公司内部用于调整保费或标记高成本患者的AI模型完全不在FDA的管辖范围内。 结果是碎片化。各州隐私法的拼凑，加利福尼亚州的CPRA、科罗拉多州的CPA、弗吉尼亚州的CDPA等，造成了合规迷宫。2025年关于医疗保健领域AI的行政令推动了统一的国家标准，要求卫生与公众服务部制定关于数据透明度、算法公平性和AI训练患者同意的指南。但该指南仍处于草案阶段，没有联邦立法通过。 实际后果已经显现。以医学影像AI工具为例，这些工具现已部署在全球数百家医院，用于筛查乳房X光片、胸部X光和视网膜扫描。这些系统依赖于大型、多样化的训练数据集来避免偏差。但同样的数据集，当与保险索赔或药房记录汇总时，可以生成远远超出诊断范围的预测档案。一个检测早期糖尿病视网膜病变的算法，还可以以惊人的准确度预测哪些患者可能在未来五年内提出昂贵的索赔。 健康监测可穿戴设备增加了另一个维度。智能手表和健身手环持续收集心率、睡眠模式、活动水平和血氧数据。当这些数据流连接到AI驱动的健康平台时，数据流就成为寻求基于行为风险评分调整保费的保险公司的金矿。几家美国主要保险公司已经为共享可穿戴数据的客户提供保费折扣，批评者认为这是一个强制性的两级系统，隐私需要付出代价。 虚拟健康助手和智能诊断平台引发了类似的担忧。与AI分诊机器人的对话包含详细的症状历史、药物清单和生活方式披露。根据美国现行法律，如果平台由科技公司而非医疗服务提供商运营，这些数据的大部分不受HIPAA保护。这些数据可用于训练商业模型、改进广告定位，或者在仅提供几乎无人阅读的服务条款通知的情况下出售给第三方。 保险承保算法可能是风险最高的应用。分析索赔数据、处方历史甚至健康社会决定因素以预测未来成本的AI系统在行业中越来越普遍。这些模型可以根据患者从未见过也无法上诉的算法判断，拒绝承保、提高保费或将患者引向特定的治疗路径。许多机器学习系统的”黑箱”性质意味着，即使是监管机构也难以审计决策是否公平或具有歧视性。 自动不良事件报告虽然旨在提高药物安全性，但也创造了数据暴露的新途径。当AI系统自动扫描电子健康记录以寻找药物不良反应并向监管机构提交报告时，该过程可能无意中传输整个患者病史。数据最小化，仅提取相关的临床数据点，在许多已部署的系统中仍是一个未解决的技术挑战。 联合国关于AI医疗保健治理的白皮书于2026年初发布，记录了这些不同的方法，并警告说，如果不趋同，公众信任将受到侵蚀。”如果患者担心他们最私密的健康信息将被他们从未授权的第三方货币化，就不能指望他们接受AI增强的医疗保健，”白皮书写道。它建议所有司法管辖区采用三项标准：对健康数据的任何非临床使用进行明确的自愿同意、AI训练数据集的强制性透明度报告，以及对影响患者获取或定价的算法决策进行独立审计。 这些标准能否被采纳仍不确定。欧盟最接近合规。中国在同意方面做法严格，但在独立监督方面薄弱。美国既没有全面的同意要求，也没有独立审计，尽管2025年的行政令表明了联邦层面的进展。 世卫组织EB158/19报告将这些问题的框架定为全球健康公平问题。报告指出，发展中国家往往既缺乏监管基础设施，也缺乏谈判能力来防止其患者数据被外国商业实体提取。在资源匮乏环境中训练出来的AI模型可能会产生突破性成果，这些成果在富裕国家商业化，而提供数据的社区却得不到任何回报。 医疗保健领域AI的治理挑战主要不是技术性的。甚至主要不是医学性的。这是一个权力问题：谁来决定人类产生的最私密数据如何被收集、分析和货币化。今天在日内瓦、布鲁塞尔、北京和华盛顿正在建立的框架将决定AI成为患者赋权的工具，还是披着治愈外衣的商业监控机制。 婷 翻译

空间转录组学为生物学家提供了他们数十年来一直渴望的能力：观察一片组织切片，并以全基因组精度查看每个位置哪些基因被激活。这项技术从发育生物学到癌症研究的众多领域都具有变革意义，揭示了细胞如何组织成组织，肿瘤如何重塑其微环境，以及器官如何在发育过程中形成。 但有一个问题。大多数空间转录组学平台并不捕获单细胞。它们捕获的是斑点，小的圆形或方形组织区域，每个区域包含一到十几个细胞。单个斑点处测量的RNA是位于该处的所有细胞类型的混合信号。例如，位于肿瘤和血管边界的斑点可能包含癌细胞、内皮细胞和免疫细胞的混合物。要理解其中的生物学意义，需要解开这种混合物，这一过程称为反卷积。 多年来，反卷积的标准方法在概念上很简单：引入一个单独的参考数据集（通常来自单细胞RNA测序），该数据集能显示每种细胞类型的转录特征。然后利用该参考来分解空间数据，为每个斑点分配每种细胞类型的比例。当拥有来自完全相同组织和条件的高质量配对参考时，这种方法效果很好。 但这是一个很大的”条件”。 参考难题 配对单细胞参考的生成成本高昂且耗时。它们需要将组织解离成单个细胞，这一过程会破坏空间背景，并可能引入偏差。许多重要的组织样本，临床活检、存档的FFPE标本、稀有的发育样本，根本无法与来自同一标本的新鲜单细胞数据集配对。 即使存在参考，也可能不是良好的匹配。单细胞和空间转录组学平台具有不同的捕获效率、基因检测率和偏差。来自不同捐赠者、疾病阶段或实验室的参考会引入难以与真实组织生物学区分的生物变异。标记基因列表是一种常见的变通方法，但它们较为粗糙，会遗漏微妙的细胞状态，并且在陌生组织中完全失效。 这造成了一个先有鸡还是先有蛋的问题。需要知道存在哪些细胞类型才能分析空间数据，但又需要空间数据才能理解存在哪些细胞类型。参考不是有益的补充，而成为了限制空间转录组学研究范围的先决条件。 RETROFIT：无需参考的反卷积 今天发表在《自然·通讯》上的一项新方法打破了这种依赖。该方法名为RETROFIT（空间转录组学中细胞类型混合物的免参考反卷积），是一种贝叶斯框架，直接根据测序测量结果本身工作，无需在反卷积阶段使用任何外部参考。 由宾夕法尼亚州立大学团队（Roopali Singh、Xi He、Xinyue Wang、Adam Keebum Park、Ross Cameron Hardison、Xiang Zhu和Qunhua Li）开发的RETROFIT将免参考性质视为核心设计约束，而非需要绕过的限制。 核心见解是数学性的。空间转录组学数据集中的每个斑点都记录了一个基因表达值向量，同时在成百上千个斑点上测量数千个基因。如果有足够的斑点和足够的基因，数据本身的结构就包含分离细胞类型所需的信息。不同的细胞类型表达不同的基因组合，这些组合模式在原始数据矩阵中留下统计特征。挑战在于如何提取它们。 RETROFIT将其构建为贝叶斯非负矩阵分解问题。它将空间转录组学数据矩阵分解为两个较小的矩阵：一个捕获细胞类型特异性基因表达谱（每种细胞类型的特征），另一个捕获每个斑点处每种细胞类型的比例（每种细胞类型的位置）。贝叶斯方法为模型提供了一种处理不确定性的原则性方式，具有模糊混合的斑点会被标记出来，而非过度自信地分配，非负约束确保解在生物学上是可解释的：没有负的表达值或负的比例。 该方法使用结构化随机变分推理算法，能够高效扩展到典型空间转录组学数据集的规模，这些数据集可能包含数千个基因和数万个斑点。 至关重要的是，RETROFIT的架构将反卷积步骤与细胞类型标记步骤分开。该方法首先仅从空间数据中学习潜在的细胞类型成分。只有在识别出这些成分之后，它才会选择性地使用外部信息（单细胞参考或标记基因列表）来为其发现的成分分配生物学名称（例如”CD4+ T细胞”、”肝细胞”）。这种两阶段设计意味着核心分解永远不会受到参考偏差的污染。参考在使用时只是一个标签，而非拐杖。 性能表现 宾夕法尼亚州立大学团队对RETROFIT与免参考和基于参考的替代方法进行了广泛测试。在已知真实细胞类型组成的人造模拟中，RETROFIT优于现有的免参考方法。更重要的是，即使基于参考的方法获得完美匹配的参考，RETROFIT也达到或超过了它们的性能。 最后这一结果令人震惊。它表明基于参考的反卷积尽管广受欢迎，可能正在引入误差而非消除误差，来自平台效应、细胞类型覆盖不完全或生物学状态不匹配的误差。RETROFIT通过立足于正在分析的数据来避免所有这些问题。 在不完美的参考（基于参考的方法最难以应对的现实情况）下，优势变得更加明显。当团队引入不匹配的参考（模拟使用来自不同捐赠者的公共参考代替配对参考的常见场景）时，基于参考的性能大幅下降。RETROFIT的性能则保持不变。 无需图谱即可观察精细结构 最具说服力的演示可能来自Visium HD数据。10x Genomics发布的Visium HD代表着空间转录组学分辨率的一次飞跃，将标准的55微米斑点替换为接近单细胞尺度的连续2微米特征。但即使在更高分辨率下，单个像素仍然可能包含细胞类型的混合物，Visium HD更精细的结构引入了新的数据稀疏性挑战，考验着反卷积方法的极限。 RETROFIT在Visium HD数据上表现出色，无需单细胞参考或标记基因即可恢复精细的空间模式。该方法识别出空间上连贯的细胞类型域，特定细胞类型占主导的区域，与已知的组织解剖结构相匹配，所有结果完全源自空间表达数据的结构。 这对于越来越多采用高分辨率空间平台的研究人员来说尤其有价值。无需匹配的scRNA-seq参考即可分析Visium HD数据的能力消除了一个主要入门障碍，并加速了从组织切片到生物学洞见的转化。 广泛适用性 RETROFIT不限于任何单一平台。该团队在多种空间转录组学技术上展示了其有效性，包括Slide-seq（使用条形码微珠）和10x Visium平台。该方法能够处理不同斑点大小、不同捕获效率以及不同平台特有的各种基因检测率，无需重新调整参数。 该方法现已作为名为”retrofit”的Bioconductor R软件包提供，包含模拟和真实数据的完整文档和教程。这使得在Bioconductor生态系统中工作的广大计算生物学家社区可以访问使用。 新的前进道路 RETROFIT的发表并不会使基于参考的反卷积过时。当存在高质量、配对的单细胞参考时，基于参考的方法仍然是强大的工具。但RETROFIT改变了默认假设。研究人员不再需要问”我是否有足够好的参考来分析我的空间数据？”，而是可以问”我的空间数据本身揭示了什么？”并在之后添加参考进行生物学解释。 这一转变恰逢其时。空间转录组学正在迅速扩展，进入临床实验室、发育生物学，以及植物生物学和微生物学等配对单细胞参考稀少或根本不存在的领域。一种跨平台和分辨率工作的免参考方法使空间转录组学成为一种更民主的技术，任何拥有组织切片和测序仪的实验室都可以使用。 对于日益壮大的绘制基因表达空间组织的科学家群体，RETROFIT提供了一种简单而强大的能力：无需事先知道在寻找什么，就能看到存在什么。 Reference: Singh, R., He, X., Wang, X., […]

在人工智能实验室竞相构建越来越大模型、使用越来越大数据集训练的时代，计算病理学领域有史以来最全面的正面比较评估之一得出了一个发人深省的结果。事实证明，大小并非命运的决定因素。 由斯坦福大学和阿贡国家实验室领导的一个团队，系统地对32种AI基础模型进行了病理学任务基准测试，涵盖肿瘤诊断、生物标志物预测、组织分类和域外泛化。今天发表在《自然通讯》（Nature Communications，DOI: 10.1038/s41467-026-76004-6）上的这项研究给出了一个反直觉的结论：模型大小和预训练数据集规模并不能一致地预测模型在真实病理学挑战中的表现。 对于一个几乎将”越大越好”奉为信条的行业来说，这是一个具有真实临床意义的纠正。 基准测试的架构 基础模型是在大规模无标签数据集上预训练的大型神经网络，可以适应广泛的下游任务。在计算病理学中，这些模型分析显微组织图像以检测癌症、对肿瘤进行分级、预测基因突变并指导治疗决策。该领域已经热情地采纳了这些模型，但在此之前，还没有人进行过真正系统性的跨模型家族比较。 斯坦福团队创建了PathBench评估框架，并在四个类别中测试了32种模型：通用视觉模型（VM）、通用视觉语言模型（VLM）、病理专用视觉模型（Path-VM）和病理专用视觉语言模型（Path-VLM）。这些模型在源自癌症基因组图谱（TCGA）、临床蛋白质组学肿瘤分析联盟（CPTAC）以及几个外部和域外数据集的幻灯片级和补丁级任务上进行了评估。 结果是迄今为止最完整的病理学基础模型性能图谱，而它所揭示的内容削弱了关于什么真正驱动模型质量的普遍认知。 规模扩大的神话 最引人注目的发现之一是模型参数数量与其下游性能之间的弱相关性。基准测试中最大的模型并不总是最好的。同样，以微调前模型接触的图像数量衡量的预训练数据规模，与病理学特定任务的准确性没有可靠的相关性。 这与过去五年主导AI的趋势直接相悖。从Transformer革命开始，一直持续到大语言模型和多模态系统时代，传统观点认为增加更多参数和更多训练数据可以可靠地产生更好的结果。支配语言建模和通用计算机视觉的规模扩大法则一直被当作近乎普遍的真理。 新的基准测试表明，计算病理学可能有所不同。当模型被要求对人类组织的微观结构进行推理时，它的训练方式和目的的具体细节远比原始能力更重要。 Path-VM领先群伦 在整个评估任务集合中，病理专用视觉模型始终位列最强表现者之列。在组织切片扫描等组织学图像上预训练的模型，在大多数下游任务上始终优于通用视觉模型和病理专用视觉语言模型。 这是一个重要的发现，因为它验证了该领域在领域专用预训练方面的重大投入。基准测试表明，与其简单地借用ImageNet或通用视觉语言语料库上训练的模型并希望它能很好地迁移到组织分析，在病理学数据上的专用预训练提供了可衡量的优势。 然而，情况比简单的层级结构更为微妙。顶级表现模型之间的差异通常很小且高度依赖任务。在乳腺癌亚型分类中表现出色的模型可能在肺癌突变预测上落后。另一个专攻胃肠道病理学的模型可能在泌尿生殖系统任务上表现不佳。在许多情况下，顶级模型之间仅相差零点几个百分点，模型的排名随评估的组织类型或诊断任务而变化。 这种异质性对临床部署具有重要意义。它表明计算病理学不存在单一的”最佳模型”。相反，最佳性能可能需要将模型优势与特定的临床问题相匹配，这一发现使跨医院系统标准化AI工具的努力变得复杂。 病理视觉语言模型的奇特案例 视觉语言模型学习图像和文本的联合表示，是近年来最受赞誉的AI进步之一。像CLIP及其变体这样的模型在通用成像任务上展示了卓越的零样本能力，并且已经开发了病理专用版本来将组织图像与诊断文本对齐。 但PathBench评估揭示了一个令人惊讶的性能差距。病理专用视觉语言模型在大多数幻灯片级和补丁级任务上始终低于病理专用视觉模型。增加语言处理能力似乎会引入噪声或错位，从而降低纯视觉诊断任务的性能。 这并不意味着视觉语言模型缺乏价值。它们在可解释性、少样本学习和明确需要将图像与文本描述匹配的任务方面具有优势。但对于计算病理学的核心诊断工作流程，组织分类、异常检测和分子表型预测，纯视觉模型被证明更为可靠。 集成作为一种实用的前进路径 如果没有单一模型能够持续占据主导地位，这项研究提出了一个实用的变通方法：将它们结合起来。研究人员发现，晚期决策级集成，平均多个不同模型的预测，提高了跨数据集和组织类型的总体性能。集成始终优于任何单个模型，并且改进在最困难的任务上最为明显。 这对临床部署来说是个好消息。集成是一种成熟的技术，不需要重新训练模型或重新设计工作流程。它可以作为现有模型输出之上的轻量级层来实现。对于考虑在病理学中部署AI的医院来说，信息很明确：使用多个模型，让它们投票。 基准测试未衡量的内容 PathBench评估是全面的，但有重要的局限性。作者承认，计算效率、推理延迟、内存占用和临床部署后勤因素没有被明确基准化。一个性能良好但需要GPU集群才能运行单张切片的模型，可能不如一个在标准医院硬件上运行的略低精度模型实用。 同样，基准测试没有完全解决分布偏移问题，即当模型遇到来自不同医院、扫描仪或患者群体的数据时性能下降的现象。外部数据集的纳入提供了一些信号，但真实世界部署仍然是最终的考验。 该团队已在pathbench.stanford.edu上公开提供PathBench平台，邀请研究社区提交新模型进行评估。这种开放方法对于一个快速发展的领域至关重要。新的病理学基础模型以前所未有的速度发布，任何静态基准测试都可能迅速过时。 对领域的影响 这项研究的核心信息既令人谦卑又令人解放。说它令人谦卑，是因为它戳破了向问题投入更多算力和更多数据是通往进步的可靠途径这一叙事。说它令人解放，是因为它表明更小、更精心设计的模型在任务适当的数据上训练，可以与巨头竞争，有时甚至超越它们。 对于无法访问大规模GPU集群的学术实验室和小公司来说，这是一个令人鼓舞的结果。更好的病理学AI之路可能不需要匹配最大科技公司的规模。相反，深思熟虑的架构设计、领域专用预训练和实用的集成策略可能提供一条更易实现的临床级性能之路。 这项研究也为该领域的发展轨迹提出了重要问题。如果规模扩大法则在病理学中比其他领域更弱，那么模型质量的实际驱动因素是什么？数据表明，预训练策略、架构选择以及与下游任务的对齐比蛮力规模扩大更重要。在更深层次上理解这些因素应该是未来研究的优先事项。 随着计算病理学走向临床采用，这个基准测试的教训很明确：对于帮助诊断疾病的AI模型来说，更大并不总是更好。重要的是模型学习”看”的能力有多好。 Reference: PathBench: A systematic benchmark of 32 AI foundation models for computational pathology. Nature Communications (2026). DOI: 10.1038/s41467-026-76004-6 婷 翻译

每种语言都有字母表。英语用26个字母就能表达。汉语用有限的笔画构建出成千上万个汉字。西方传统音乐将12个音符排列成从格里高利圣歌到马勒交响曲的一切。约束，如果理解得当，不是创造力的敌人，而是它的引擎。 这一原理如今已在行星尺度上得到证明。由圣艾蒂安大学博士生昆廷·巴克尔领导的一个团队分析了来自3,000多种鸟类的超过116,000段鸟类歌声，发现每一段歌声都由仅仅八个基本声学母题构成。这项发表在《科学》杂志（DOI：10.1126/science.aej0087）上的发现表明，鸟类歌声的惊人多样性，英国林地的黎明合唱、亚马逊林鸨的流水般鸣叫、非洲黑鵙的打击乐般的喋喋不休，是组合性的而非创作性的。鸟类并非在发明新的声音，而是在重新组合八种声音。 这项研究得以实现得益于一个非凡的数据集：一个由志愿者录制的全球鸟类歌声库，由各大洲的公民科学家收集。巴克尔和他的同事们将116,000段录音输入一个人工智能系统，该系统经过训练可以跨物种、栖息地和地理区域检测结构模式。AI没有先入为主的分类，它只是在频谱图中寻找重复出现的声学形状，鸟类学家用来研究歌声的声音频率随时间变化的视觉表征。 结果令人震惊。在所有3,000多种鸟类中，AI仅识别出八种不同的发声构件类别。三种颤音类型，通过速度和频率调制区分。三种口哨类型，范围从纯平音到升降音高轮廓。混沌的宽带噪音，鸟类中有声感叹号的等价物。以及和声，即鸟类同时发出两个或更多频率，通常以人耳感知为音乐的音程。 “多样性极其巨大，”巴克尔说。”如果你去亚洲、非洲、亚马逊，你会听到完全不同的歌声。” 确实不同，但并非我们可能假设的那种”新”。刚果盆地的鸣禽和瑞士阿尔卑斯山的画眉使用的是同一套声学工具箱，只是以不同的方式组装零部件。这就像每一种人类语言，从日语到斯瓦希里语再到纳瓦霍语，原来都共享相同的26个字母。词汇量仍然是无限的。八个母题跨越数千种物种和数百万年进化展开的组合可能性实际上是无限的。 这是一种从根本上不同的思考生物多样性的方式。几十年来，对鸟类歌声多样性的标准解释一直是适应：不同的环境、不同的进化压力、不同的歌声。这种图景并非错误，但不完整。新的研究表明，在适应的层面之下，存在一个更深的约束层面，一种进化未能突破的通用声学语法，也许因为它无法突破。 因此，自然选择的真正工作不是发生在母题本身层面，而是发生在其排列层面。而研究表明，这种排列受到鸟类生活的物理环境的强烈塑造。 在热带森林中，植被茂密，个体之间的视觉接触有限，鸟类倾向于使用更简单的歌声，以平口哨为主。这些纯音能很好地穿过茂密的树叶，长距离传播而不失去形状。一个保持稳定频率的口哨音比复杂、快速调制的颤音更不容易被枝叶散射或扭曲。在热带雨林深邃的绿色大教堂中，一个完整到达的简单信息比一个到达时已失真的复杂信息更有价值。 进化的算数很简单：长距离通信偏好清晰而非复杂。 温带森林讲述了一个不同的故事。在欧洲林地或北美落叶林中筑巢的鸟类在较近距离内通信。植被不那么密集，声学环境不那么杂乱。在这些条件下，复杂性的成本下降，收益上升。温带地区的鸟类产生超快速的颤音、多个母题的复杂组合，以及在更短爆发中打包更多信息的歌声。构成语法更丰富，因为通道更清晰。 这不仅仅是美学上的差异。它反映了一种基本的进化权衡，适用于任何通信系统，无论是生物学的还是技术性的。复杂信号可以携带更多信息，但更难长距离传输。一声口哨说”我在这里”。一连串快速颤音和和声可以说”我在这里，我很健康，我已准备好交配，我的领地延伸到此边界，我认出你的歌声是邻居的，不是陌生人的”。最丰富的信息正是那些最容易受到传播媒介影响的信息。 八个母题的框架，巴克尔和他的同事们认为，提供了一种理解鸟类如何驾驭这种权衡的新方法。如果你知道当地的栖息地，你就能预测主导的构成策略。茂密的丛林偏好平口哨。开阔的温带林地偏好组合复杂性。母题本身是普遍的；句法是局部的。 这一见解对保护具有紧迫的意义。人类活动正以可怕的速度重写地球的声学环境。森林砍伐剥去了塑造声音传播方式的植被。来自道路、城市和工业的噪音污染用与鸟类歌声直接竞争的频率填充了空气。一只进化到通过完整热带雨林中的平口哨进行通信的鸟类，可能会发现自己在一个声学已经完全改变的林间空地中歌唱，或者无法在伐木卡车的隆隆声中听到自己同类的歌声。 “如果你摧毁了森林，那么那种歌声可能就不再适应新的环境了，”巴克尔说。 母题框架提供了一种结构化的方式来询问哪些物种最脆弱。依赖单一母题类别或与特定栖息地相关联的狭窄构成策略的鸟类，在该栖息地发生变化时风险最高。具有更灵活歌声结构的物种，那些可以从简单句法转向复杂句法的物种，或者已经使用多种母题组合的物种，可能更具韧性。 从长远来看，该框架还可以帮助生态学家监测声景的健康状况。正如生物学家使用指示物种来衡量生态系统健康一样，声学家可能很快使用母题多样性作为环境完整性的代理指标。一片拥有全部八个母题范围且其构成模式适合其植被密度的森林，是一片正常运转的森林。一片母题分布已经改变，复杂颤音已经消失或平口哨在不该出现的栖息地占据主导，的森林可能正在发出早期预警。 但这项研究最深刻的教训，无论其应用多么紧迫，都不在于保护本身，而在于约束与创造力之间的关系，以及界限常常促成而非压制表达这一奇怪的事实。 研究团队将他们的发现描述为揭示了”鸟类歌声惊人多样性背后的一种简单性”。这就是这项发现核心的悖论。超过10,000种鸟类。超过116,000段录制的歌声。地球上的每一个主要栖息地。而在这一切的基础上，只有八个声音。 这提醒我们，最令人印象深刻的创造性系统不是那些词汇量最大的系统，而是那些知道如何善用小词汇量的系统。事实证明，进化是受约束的构成大师。它不需要一千种乐器。它有八种，并且有数百万年的时间来练习排列。 早在人类听到它们之前，鸟类就一直在唱着同样的八个音符。奇迹不在于如此之少，而在于从如此之少中产生了如此之多。 Reference: Bacquele， Q. et al. (2026). “Universal acoustic motifs in the world’s birdsongs.” Science. DOI: 10.1126/science.aej0087 婷 翻译