آخرین اخبار بایولوژی

🧬🤖 یک مدل هوش مصنوعی برای یکپارچه‌سازی داده‌های Flow Cytometry، CyTOF و CITE-seq

پژوهشگران در مطالعه‌ای تازه در Nature Methods، مدلی به نام CytoVI معرفی کرده‌اند که می‌تواند داده‌های چند فناوری مختلف single-cell را در یک چارچوب مشترک تحلیل کند؛ از flow cytometry و mass cytometry (CyTOF) گرفته تا CITE-seq. هدف اصلی، جدا کردن تفاوت‌های فنی از تفاوت‌های واقعی زیستی میان سلول‌هاست.

یکی از مشکلات مهم در داده‌های cytometry، batch effect است؛ یعنی تغییراتی که به‌دلیل تفاوت در آزمایش، دستگاه، staining protocol یا حتی antibody panel ایجاد می‌شوند و ممکن است با تغییرات واقعی سلولی اشتباه گرفته شوند. CytoVI با یک مدل probabilistic deep generative، سلول‌ها را در یک فضای latent مشترک قرار می‌دهد و این عوامل فنی را در مدل لحاظ می‌کند.

اما CytoVI فقط برای visualization نیست. این مدل می‌تواند همزمان cell-type annotation، integration، differential protein expression و حتی imputation انجام دهد؛ یعنی اگر دو آزمایش antibody panelهای متفاوتی داشته باشند، می‌تواند برخی markerهای مشاهده‌نشده را بر اساس اطلاعات موجود تخمین بزند.

🔬 پژوهشگران آن را روی داده‌های PBMC آزمایش کردند و نشان دادند که CytoVI می‌تواند داده‌های flow cytometry، CyTOF و CITE-seq را در یک فضای مشترک قرار دهد، در حالی که تفاوت‌های ناشی از پلتفرم را تا حد زیادی کنترل می‌کند. حتی زیرجمعیت‌های نادر سلولی نیز در فضای latent قابل تفکیک بودند.

یکی از کاربردهای جالب‌تر، ساخت یک B-cell maturation atlas بود که در آن اطلاعات مربوط به 350 پروتئین یکپارچه شد. مدل توانست پروتئین‌هایی را که با immunoglobulin class switching ارتباط داشتند شناسایی کند.

در بخش بالینی نیز CytoVI روی داده‌های بیماران مبتلا به B-cell non-Hodgkin lymphoma به کار رفت. ترکیب داده‌های flow cytometry و CITE-seq به شناسایی stateهای سلولی مرتبط با بیماری کمک کرد و حتی یک جمعیت نادر γδ T cell را آشکار کرد که با استفاده از یکی از این فناوری‌ها به‌تنهایی به‌راحتی قابل مشاهده نبود.

💡 اهمیت این کار در این است که داده‌های cytometry در مقیاس بسیار بزرگ تولید می‌شوند، اما تفاوت پلتفرم‌ها و batchها مقایسه مستقیم آن‌ها را دشوار می‌کند. CytoVI تلاش می‌کند این داده‌ها را به یک زبان مشترک تبدیل کند؛ رویکردی که می‌تواند برای single-cell atlasها، biomarker discovery و تحلیل نمونه‌های بالینی بزرگ مفید باشد. نرم‌افزار CytoVI نیز به‌صورت open-source ارائه شده است.

📌 Journal: Nature Methods
📆 Published: 30 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41592-026-03224-5

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🦠🤖 پیش‌بینی اینکه هر فاژ دقیقاً کدام سویه باکتری را آلوده می‌کند؛ فقط با استفاده از ژنوم

در مطالعه‌ای تازه در Nature Microbiology، پژوهشگران یک مدل یادگیری ماشین توسعه داده‌اند که می‌تواند بر اساس توالی ژنومی فاژ و باکتری، برهم‌کنش میان آن‌ها را در سطح سویه (strain) پیش‌بینی کند؛ بدون اینکه مدل الزاماً به روابط فیلوژنتیکی نزدیک میان فاژها و میزبان‌هایشان وابسته باشد.

🔬 این موضوع در فاژتراپی اهمیت زیادی دارد، چون یک فاژ ممکن است یک گونه باکتریایی را آلوده کند اما در برابر سویه‌ای بسیار نزدیک از همان گونه، کاملاً بی‌اثر باشد. بنابراین دانستن اینکه کدام phage → کدام bacterial strain را هدف می‌گیرد، برای انتخاب فاژ مناسب اهمیت دارد.

مدل معرفی‌شده با عنوان phylogeny-agnostic strain-level prediction of phage–host interactions تلاش می‌کند این ارتباط‌ها را مستقیماً از اطلاعات ژنومی استخراج کند. به این ترتیب، برای پیش‌بینی host range لازم نیست فقط بر شباهت تکاملی بین فاژها و باکتری‌ها تکیه کنیم.

🧬 چنین رویکردی می‌تواند برای phage therapy جالب باشد؛ زیرا در درمان عفونت‌های باکتریایی، انتخاب فاژی که دقیقاً سویه بیماری‌زای بیمار را هدف بگیرد، می‌تواند اهمیت زیادی داشته باشد. همین ایده برای precision microbiome engineering نیز مطرح است؛ یعنی دستکاری انتخابی جمعیت‌های باکتریایی بدون هدف قرار دادن گسترده سایر میکروب‌ها.

💻 نکته مهم این پژوهش این است که ورودی اصلی مدل genome sequence است. بنابراین در صورت داشتن توالی ژنوم یک فاژ و مجموعه‌ای از سویه‌های باکتریایی، می‌توان از یک رویکرد محاسباتی برای اولویت‌بندی تعامل‌های احتمالی استفاده کرد و سپس کاندیداهای مهم را به‌صورت آزمایشگاهی اعتبارسنجی کرد.

این نوع مدل‌ها همچنین می‌توانند به کشف تعامل‌های جدید میان فاژها و باکتری‌هایی کمک کنند که هنوز به‌طور تجربی بررسی نشده‌اند؛ موضوعی که با توجه به تنوع بسیار زیاد فاژهای موجود در محیط، می‌تواند دامنه‌ی phage discovery را گسترش دهد.

📌 Journal: Nature Microbiology
📆 Published: 29 September 2026


📎 مشاهده مقاله در:
https://www.nature.com/nmicrobiol/

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🧫 اطلس چنداُمیک ایمنی؛ اتصال مستقیم واریانت‌های ژنتیکی به تنظیم بیان ژن

پژوهشگران در مطالعه‌ای تازه در Nature یک اطلس چنداُمیک در مقیاس جمعیتی ساخته‌اند که می‌تواند مسیر اثرگذاری واریانت‌های ژنتیکی را از تغییر در کروماتین → تغییر بیان ژن → ارتباط با بیماری دنبال کند. این مطالعه امروز، ۳۰ سپتامبر ۲۰۲۶ منتشر شده است.

🔬 تیم تحقیقاتی به‌صورت همزمان chromatin accessibility و gene expression را در سلول‌های ایمنی بررسی کرد. داده‌ها از ۱۰ میلیون سلول PBMC متعلق به ۱۱۰۸ فرد فنلاندی در پروژه FinnGen به دست آمده‌اند؛ مقیاسی که امکان بررسی اثرات ژنتیکی حتی در زیرجمعیت‌های مختلف سلول‌های ایمنی را فراهم می‌کند.

در این تحلیل، پژوهشگران 51,083 cis-eQTL مربوط به 20,829 ژن و 338,100 cis-caQTL مربوط به 210,584 ناحیه کروماتینی شناسایی کردند. همچنین 119,094 واریانت بالقوه علّی و 593,765 ارتباط peak–gene به دست آمد.

🧬 نکته مهم این بود که بعضی واریانت‌ها فقط روی بازبودن کروماتین اثر می‌گذارند، اما اثر آن‌ها الزاماً به همان اندازه به بیان ژن منتقل نمی‌شود. پژوهشگران این پدیده را نوعی regulatory buffering می‌دانند؛ یعنی سلول می‌تواند تغییرات تنظیمی را در سطح کروماتین تا حدی خنثی کند و مانع تغییر شدید expression شود.

برای بررسی تجربی این ارتباط‌ها، از massively parallel reporter assays (MPRA) نیز استفاده شد و 10,428 molecular QTL که با fine-mapping مشخص شده بودند مورد اعتبارسنجی قرار گرفتند. این مرحله کمک کرد برخی ارتباط‌های آماری به شواهد عملکردی نزدیک‌تر شوند.

یکی از کاربردهای مهم این اطلس، ارتباط دادن این زنجیره‌های تنظیمی با بیماری‌های انسانی است. پژوهشگران گزارش کردند که واریانت‌هایی که یک مسیر کامل chromatin-to-expression cascade را تشکیل می‌دهند، تقریباً دو برابر بیشتر با سیگنال‌های بیماری در مطالعات GWAS هم‌مکان (colocalization) نشان می‌دهند. آن‌ها همچنین نمونه‌هایی را در ژن‌های مرتبط با بیماری‌های خودایمنی، از جمله TICAM1 و RHOH، بررسی کردند.

این داده‌ها می‌توانند برای تفسیر واریانت‌های غیرکدکننده که در GWASها پیدا می‌شوند بسیار ارزشمند باشند؛ چون بسیاری از این واریانت‌ها مستقیماً پروتئین را تغییر نمی‌دهند و سؤال اصلی این است که دقیقاً در کدام سلول، کدام عنصر تنظیمی و از چه مسیری روی بیان ژن اثر می‌گذارند. داده‌های این مطالعه نیز برای استفاده پژوهشگران در دسترس قرار گرفته‌اند.

📌 Journal: Nature
📆 Published: 30 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41586-026-11078-2

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🎯 «خاموش و روشن کردن» ویروس‌های حامل ژن برای رساندن دقیق‌تر ژن به بافت هدف.

پژوهشگران در مطالعه‌ای تازه در Nature Materials، نسل جدیدی از ناقل‌های AAV (adeno-associated virus) را طراحی کرده‌اند که می‌توانند در حالت عادی غیرفعال باشند و فقط در شرایط مشخص دوباره فعال شوند. این رویکرد می‌تواند یکی از چالش‌های مهم gene therapy یعنی کنترل محل بیان ژن را هدف بگیرد.

در این سیستم، سطح کپسید AAV به‌صورت مهندسی‌شده با گروه‌های شیمیایی خاص tetrazine پوشانده می‌شود تا اتصال ویروس به گیرنده سلولی مسدود شود. در نتیجه، AAV تا زمانی که سیگنال فعال‌کننده دریافت نکند، توانایی انتقال مؤثر ژن را ندارد.

نکته جالب این است که پژوهشگران چند نوع linker قابل‌برش طراحی کردند که هرکدام با یک محرک متفاوت فعال می‌شوند: یک پروتئاز اختصاصی کبد، نور نزدیک به فروسرخ (NIR) یا گونه‌های فعال اکسیژن (ROS) مرتبط با التهاب. با حذف این گروه محافظ، AAV دوباره عفونی و فعال می‌شود.

در مدل‌های موشی، نسخه فعال‌شونده با پروتئاز توانست پس از تزریق سیستمیک، انتقال ژن را به سمت کبد هدایت کند. نسخه وابسته به NIR نیز امکان فعال‌سازی موضعی در نواحی مشخصی از عضله و مغز را فراهم کرد.

در آزمایش دیگری، پژوهشگران از ROS که در شرایط آسیب بافتی افزایش می‌یابد به‌عنوان کلید فعال‌سازی استفاده کردند. تزریق وریدی این AAV در مدل ischemia–reperfusion قلب باعث انتقال موضعی ژن و بیان VEGF-A165 شد و با بهبود عملکرد قلب در این مدل همراه بود.

این فناوری از نظر مفهومی جالب است چون AAV را از یک ناقل نسبتاً ثابت به یک gene-delivery system قابل‌کنترل تبدیل می‌کند؛ یعنی می‌توان مشخص کرد ناقل کجا و تحت چه شرایطی فعال شود. البته نتایج فعلی در مدل‌های حیوانی هستند و هنوز برای ارزیابی ایمنی، اختصاصیت و کارایی در انسان به مطالعات بیشتری نیاز است.

📌 Journal: Nature Materials
📆 Published: 29 September 2026

📎 مشاهده مقاله در:
⁠https://www.nature.com/articles/s41563-026-02724-1

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧠🧬 یک ژن کلیدی در تکامل تدریجی اندازه و چین‌خوردگی قشر مغز شناسایی شد.

پژوهشگران در مطالعه‌ای تازه در Nature Genetics، ژن CCNB1IP1 را به‌عنوان یکی از تنظیم‌کننده‌های مهم تکامل قشر مغز در نخستی‌ها معرفی کرده‌اند؛ ژنی که به نظر می‌رسد افزایش تدریجی بیان آن در طول تکامل، با بزرگ‌تر شدن و پیچیده‌تر شدن قشر مغز همراه بوده است.

برای پیدا کردن این ارتباط، پژوهشگران از زبانه‌دندان چینی (Chinese tree shrew) به‌عنوان یک outgroup نزدیک به نخستی‌ها استفاده کردند و الگوهای بیان ژن را در مغز گونه‌های مختلف، از جمله انسان، میمون‌ها، tree shrew و موش، مقایسه کردند. CCNB1IP1 در مسیر تکامل نخستی‌ها به‌تدریج افزایش بیان نشان داد و این افزایش با افزایش اندازه مغز و میزان cortical folding همبستگی داشت.

🔬 نکته مهم این است که تغییر فقط در خود ژن نبود؛ پژوهشگران تغییرات cis-regulatory elements اطراف CCNB1IP1 را نیز بررسی کردند و شواهدی به دست آوردند که تغییرات تنظیمی در طول تکامل، به افزایش تدریجی بیان این ژن کمک کرده‌اند.

از نظر عملکردی، افزایش CCNB1IP1 روی neural progenitor cells اثر گذاشت و تعداد basal progenitors و خروجی نورونی را افزایش داد. داده‌ها نشان می‌دهند این اثر با تغییر در چرخه سلولی، از جمله کوتاه‌شدن فاز G1، ارتباط دارد.

🧪 پژوهشگران همچنین مکانیسم مولکولی این اثر را بررسی کردند. CCNB1IP1 با افزایش تخریب وابسته به ubiquitin، فعالیت فاکتور رونویسی E2F1 را سرکوب می‌کند؛ در نتیجه تنظیم چرخه سلولی و تکثیر progenitorها تغییر می‌کند.

جالب‌تر اینکه در مدل موشی، وارد کردن CCNB1IP1 انسانی با استفاده از یک مدل conditional knock-in باعث افزایش اندازه قشر و ایجاد الگوهایی از cortical folding در مغزی شد که به‌طور معمول صاف است. این یافته نشان می‌دهد تغییر در میزان بیان یک ژن تنظیمی می‌تواند بر معماری قشر اثر بگذارد؛ البته این مدل موشی به‌تنهایی به معنای بازسازی کامل فرایند تکامل مغز انسان نیست.

📌 Journal: Nature Genetics
📆 Published: 29 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41588-026-02773-x

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🧫 شناسایی یک زیرجمعیت خاص از ماکروفاژها که با فیبروز کبد ارتباط دارد.

پژوهشگران در مطالعه‌ای تازه در Nature Genetics یک اطلس تک‌سلولی از کبد انسان تهیه کرده‌اند و توانسته‌اند زیرجمعیتی از ماکروفاژها را شناسایی کنند که در بیماری‌های مزمن کبدی افزایش می‌یابد و با محیط فیبروتیک ارتباط نزدیکی دارد.

در این مطالعه، داده‌های 649,295 سلول از 42 فرد سالم و 35 بیمار مبتلا به بیماری مزمن کبدی (CLD) بررسی شد و در مجموع 125 حالت سلولی متمایز شناسایی شد.

تمرکز اصلی روی TREM2⁺ scar-associated macrophages (SAMacs) بود. پژوهشگران دو زیرجمعیت از این ماکروفاژها را تفکیک کردند که یکی از آن‌ها بیان بالایی از گیرنده OLR1 داشت. این سلول‌های OLR1⁺ SAMac ویژگی‌های التهابی بیشتری نشان دادند و در نواحی فیبروتیک کبد تجمع داشتند.

🔬 نکته مهم این بود که میزان بالاتر OLR1 در کبد با فیبروز بیشتر در چند نوع بیماری مزمن کبدی ارتباط داشت و در بیماران مبتلا به metabolic dysfunction-associated steatotic liver disease (MASLD) با پیامدهای نامطلوب‌تر نیز همراه بود.

پژوهشگران فقط به داده‌های انسانی اکتفا نکردند. آن‌ها وجود جمعیت مشابه OLR1⁺ macrophages را در مدل‌های موشی بیماری مزمن کبدی نیز بررسی کردند و سپس در مدل‌های human coculture و multilineage spheroid نشان دادند که هدف‌گیری OLR1 می‌تواند فعالیت فیبروژنیک ماکروفاژها را کاهش دهد.

این یافته اهمیت جالبی دارد، چون همه ماکروفاژهای مرتبط با فیبروز الزاماً عملکرد یکسانی ندارند. بنابراین شناسایی یک زیرجمعیت مشخص مثل OLR1⁺ SAMacs می‌تواند در آینده به طراحی رویکردهایی منجر شود که به‌جای سرکوب گسترده ماکروفاژها، جمعیت‌های بیماری‌زا را هدف قرار دهند؛ البته یافته فعلی هنوز در مرحله پیش‌بالینی است و به مطالعات بیشتری برای ارزیابی درمان در انسان نیاز دارد.

📌 Journal: Nature Genetics
📆 Published: 28 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41588-026-02774-w

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬💉 یک مانع مهم در واکسن‌های mRNA خودتقویت‌شونده برطرف شد

پژوهشگران دانشگاه Queen Mary University of London راهی پیدا کرده‌اند که می‌تواند یکی از مشکلات اصلی self-amplifying RNA (saRNA) را کاهش دهد؛ مشکلی که باعث می‌شود سلول، RNA خودتقویت‌شونده را به‌عنوان یک عامل ویروسی شناسایی و فعالیت آن را محدود کند. این مطالعه امروز در Nature Communications منتشر شده است.

🔬 در saRNA، RNA پس از ورود به سلول می‌تواند خودش را تکثیر کند و بنابراین برای تولید مقدار مشخصی از پروتئین، به RNA اولیه کمتری نیاز دارد. اما هنگام این فرایند، double-stranded RNA (dsRNA) ایجاد می‌شود که می‌تواند سیستم‌های دفاع ضدویروسی سلول را فعال کند. این پاسخ، پایداری و تکثیر saRNA و در نتیجه تولید پروتئین موردنظر را کاهش می‌دهد.

پژوهشگران در این مطالعه از پروتئینی به نام NoV B2 استفاده کردند؛ پروتئینی که از Nodamura virus گرفته شده و می‌تواند بخشی از مسیرهای RNA interference را مهار کند. افزودن NoV B2 باعث شد سلول محدودیت کمتری روی saRNA اعمال کند.

نکته جالب این است که این اثر فقط در سلول‌های معمولی مشاهده نشد و در stem cells نیز افزایش فعالیت saRNA گزارش شد. در عین حال، طبق نتایج مطالعه، استفاده از NoV B2 توانایی saRNA برای تحریک پاسخ ایمنی را از بین نبرد.

این یافته می‌تواند برای نسل جدید واکسن‌ها، gene therapy، cancer immunotherapy و protein replacement therapy جالب باشد؛ زیرا یکی از جذابیت‌های saRNA این است که می‌تواند با مقدار اولیه کمتر RNA، تولید طولانی‌تر یا بیشتری از پروتئین موردنظر ایجاد کند. البته نتایج فعلی آزمایشگاهی هستند و برای مشخص‌شدن ایمنی و کارایی این رویکرد در بدن، مطالعات in vivo و سپس بالینی لازم است.

🧪 در واقع، این پژوهش یک ایده جالب را دنبال می‌کند: به‌جای حذف کامل پاسخ ضدویروسی سلول، می‌توان بخشی از intracellular immunity را به‌گونه‌ای تنظیم کرد که saRNA فرصت بیشتری برای فعالیت داشته باشد، بدون اینکه اثر تحریک‌کنندگی آن کاملاً از بین برود.

📌 Journal: Nature Communications
📆 Published: 28 September 2026

📎 مشاهده مقاله :
https://www.eurekalert.org/news-releases/1145450

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🦠🧬 یک نقشه‌ی گسترده از ترفندهای ویروس‌ها برای فرار از سیستم ایمنی

پژوهشگران در مطالعه‌ای منتشرشده در Science، یک کتابخانه‌ی بسیار بزرگ شامل حدود ۱۰هزار ORF ویروسی را بررسی کردند تا ببینند پروتئین‌های ویروسی چگونه ماشین مولکولی سلول میزبان را برای فرار از سیستم ایمنی دستکاری می‌کنند.

تمرکز اصلی پژوهش روی ubiquitin ligases بود؛ آنزیم‌هایی که با اضافه‌کردن ubiquitin به پروتئین‌ها می‌توانند سرنوشت آن‌ها را تغییر دهند و حتی باعث تخریبشان شوند. ویروس‌ها از این سیستم سلولی برای حذف یا تغییر پروتئین‌های ضدویروسی استفاده می‌کنند.

تیم تحقیقاتی با ترکیب CRISPR screening و proteomics توانست اهداف و مکانیسم عملکرد این پروتئین‌های ویروسی را در مقیاس وسیع بررسی کند. این رویکرد اجازه داد به‌جای مطالعه‌ی یک ویروس در هر آزمایش، هزاران پروتئین ویروسی به‌صورت سیستماتیک بررسی شوند.

آن‌ها ubiquitin ligaseهای ویروسی را در چند گروه عملکردی قرار دادند؛ بعضی از آن‌ها ساختار و عملکرد E3 ligaseهای سلولی را تقلید می‌کنند، برخی سیستم‌های ubiquitination خود سلول را به نفع ویروس منحرف می‌کنند و گروه دیگری مستقیماً ماشین Cullin–RING ligase را بازبرنامه‌ریزی می‌کنند.

جالب اینکه بسیاری از این مسیرها در نهایت روی پروتئین‌های مرتبط با ایمنی متمرکز بودند؛ از جمله JAK1 و اجزایی از مسیر CUL1–β-TrCP. این یافته نشان می‌دهد دستکاری سیستم ubiquitin–proteasome یکی از مسیرهای مهمی است که ویروس‌ها برای سرکوب پاسخ ضدویروسی به‌کار می‌گیرند.

اهمیت این کار فقط شناخت ویروس‌های شناخته‌شده نیست؛ چنین کتابخانه‌ای می‌تواند امکان کشف مکانیسم‌های مشترک بین ویروس‌های مختلف و شناسایی پروتئین‌های ویروسی ناشناخته با عملکرد مشابه را فراهم کند؛ موضوعی که می‌تواند در مطالعات مربوط به ویروس‌های نوظهور نیز کاربرد داشته باشد.

📌 Journal: Science
📆 Published: July 9, 2026

📎 مشاهده مقاله در:
https://pubmed.ncbi.nlm.nih.gov/42424437/

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🧠 توالی‌یابی فضایی ایزوفرم‌ها با وضوح تک‌سلولی؛ وقتی محل سلول تعیین می‌کند کدام ایزوفرم ساخته شود.

در یک مطالعه جدید در Nature Methods، پژوهشگران روشی توسعه داده‌اند که برای نخستین بار امکان بررسی ایزوفرم‌های RNA در وضوح تک‌سلولی و با موقعیت مکانی دقیق را فراهم می‌کند. این روش می‌تواند نشان دهد یک تغییر در splicing واقعاً در یک نوع سلول رخ داده یا صرفاً به‌دلیل تفاوت ترکیب سلولی در مناطق مختلف بافت دیده می‌شود.

🔬 روش جدید با نام Spl-ISO-Seq2 از فناوری Stereo-seq و توالی‌یابی long-read با PacBio و Oxford Nanopore استفاده می‌کند و وضوح مکانی را از حدود ۱۰ میکرومتر در نسخه قبلی به ۵۰۰ نانومتر رسانده است؛ یعنی تقریباً ۲۰ برابر افزایش وضوح.

برای تحلیل داده‌ها نیز دو ابزار معرفی شده‌اند: Spl-IsoQuant-2 برای شناسایی و کمی‌سازی ایزوفرم‌ها و Spl-IsoFind برای یافتن ایزوفرم‌هایی که الگوی بیان فضایی دارند. Spl-IsoFind از معیار Moran’s I برای شناسایی الگوهای spatial autocorrelation استفاده می‌کند.

پژوهشگران این سیستم را روی مغز موش بالغ آزمایش کردند و توانستند تغییرات فضایی ایزوفرم‌ها را در سلول‌های مختلف بررسی کنند. برای مثال، تغییرات ایزوفرم‌های Snap25 به‌طور مشخص در نورون‌های تحریکی (excitatory neurons) مشاهده شد؛ چیزی که در روش‌های spatial transcriptomics با وضوح پایین‌تر به‌سادگی قابل تفکیک نبود.

یکی از یافته‌های جالب این بود که بخش عمده‌ای از سیگنال‌های فضایی ایزوفرم‌ها صرفاً به‌دلیل تغییر نسبت انواع سلولی در مناطق مختلف مغز ایجاد نمی‌شوند. پس خود سلول و موقعیت مکانی آن می‌تواند با الگوی alternative splicing ارتباط داشته باشد.

این روش همچنین توانست ایزوفرم‌هایی مانند Rps24 در oligodendrocytes و Snap25 در excitatory neurons را با الگوهای فضایی اختصاصی شناسایی کند. ابزارهای محاسباتی معرفی‌شده نیز روی داده‌های چند پلتفرم دیگر مانند Visium HD و Slide-seqV2 قابل استفاده بودند.

📌 Journal: Nature Methods
📆 Published: 4 September 2026

📎 مشاهده مقاله در: ⁠
https://www.nature.com/articles/s41592-026-03211-w

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🤖 مدل DePass؛ یک چارچوب هوش مصنوعی برای ادغام هم‌زمان داده‌های Single-cell و Spatial Multi-omics

یک مطالعه جدید در Nature Cell Biology چارچوب یادگیری گرافی جدیدی به نام DePass معرفی کرده است که برای ادغام داده‌های چندلایه در مطالعات single-cell و spatial multi-omics طراحی شده است. این مقاله در ۲۴ سپتامبر ۲۰۲۶ منتشر شده و هدف اصلی آن کاهش نویز و استخراج یک نمایش مشترک و دقیق‌تر از سلول‌هاست.

در داده‌های multi-omics، اطلاعاتی مانند RNA، chromatin accessibility و protein expression از یک سلول یا ناحیه بافتی به دست می‌آیند، اما هر modality نویز و ساختار متفاوتی دارد. به همین دلیل، ادغام مستقیم این داده‌ها می‌تواند باعث از دست رفتن برخی سیگنال‌های زیستی شود. DePass این مشکل را با یک معماری coupled enhancement–integration هدف قرار می‌دهد که در آن پاک‌سازی داده و ادغام آن به‌صورت تکرارشونده انجام می‌شوند.

هسته این روش یک graph learning framework است. در این رویکرد، سلول‌ها یا نقاط مکانی به‌صورت گره‌هایی در یک گراف در نظر گرفته می‌شوند و روابط میان آن‌ها برای تقویت سیگنال‌های مشترک استفاده می‌شود. سپس embedding ایجادشده برای ادغام بهتر modalityهای مختلف مورد استفاده قرار می‌گیرد.

پژوهشگران DePass را روی ۶ modality، ۹ نوع بافت و ۱۳ پلتفرم آزمایشی benchmark کردند. این مجموعه شامل داده‌هایی از spatial transcriptomics، spatial proteomics و single-cell multi-omics بود و نتایج نشان دادند که روش می‌تواند در مجموعه‌های مختلف، integration accuracy را بهبود دهد.

یکی از کاربردهای جالب، تحلیل سرطان کولورکتال (colorectal cancer) بود. DePass توانست در داده‌های داخلی پژوهش، زیرساختارهای مختلف immune niches و heterogeneity فضایی تومور را در وضوح نزدیک به single-cell آشکار کند؛ یعنی تفاوت‌های مولکولی میان سلول‌های مجاور در محیط تومور بهتر قابل مشاهده شد.

در یک آزمایش روی داده‌های HCC نیز این روش توانست جمعیت بسیار نادری از سلول‌های cDC1 را شناسایی کند که تنها حدود ۰.۱۴٪ از کل سلول‌ها را تشکیل می‌دادند. این موضوع اهمیت کاهش نویز را در شناسایی cell populationهای کم‌تعداد نشان می‌دهد.

DePass همچنین روی داده‌های چندمودالی mouse embryo Spatial-mux-seq آزمایش شد و توانست اطلاعات چهار modality را در یک چارچوب واحد ادغام کند. در داده‌های spatial RNA–protein نیز پس از enhancement، همبستگی میان بیان ژن و پروتئین برای برخی markerها افزایش یافت.

در مجموع، DePass یک نمونه از حرکت تحلیل‌های single-cell به سمت مدل‌هایی است که به‌جای بررسی هر لایه omics به‌صورت جداگانه، شبکه ارتباطی میان سلول‌ها، موقعیت فضایی و چندین لایه مولکولی را به‌صورت هم‌زمان مدل می‌کنند. کد این روش نیز به‌صورت open-source منتشر شده است و می‌تواند برای تحلیل داده‌های مختلف single-cell و spatial مورد استفاده قرار گیرد.

📌 Journal: Nature Cell Biology
📆 Published: 24 September 2026


📎 مشاهده مقاله در:
https://www.nature.com/articles/s41556-026-02067-8

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧠🧬 اطلس ۵.۶ میلیون هسته‌ای؛ نقشه‌برداری از تنظیم ژن در سلول‌های مختلف مغز انسان

یک مطالعه گسترده در Nature Genetics یک اطلس چندقومیتی از تنظیم ژنتیکی بیان ژن در مغز انسان ایجاد کرده است. پژوهشگران با بررسی ۵.۶ میلیون هسته سلولی از ۱٬۳۸۴ فرد، تلاش کردند مشخص کنند واریانت‌های ژنتیکی مرتبط با بیماری‌های مغزی، در کدام انواع سلول و از چه مسیرهای تنظیمی اثر می‌گذارند. این مقاله در ۲۳ سپتامبر ۲۰۲۶ منتشر شده است.

نمونه‌ها از dorsolateral prefrontal cortex (DLPFC) تهیه شدند و افراد از جمعیت‌های ژنتیکی متنوعی بودند؛ حدود ۳۵.۶٪ از اهداکنندگان دارای تبار غیراروپایی بودند. این تنوع برای کاهش محدودیت مطالعات ژنتیکی قبلی که عمدتاً بر جمعیت‌های اروپایی متکی بودند، اهمیت دارد.

پژوهشگران سلول‌ها را در دو سطح تفکیک کردند: ۸ کلاس اصلی سلولی و ۲۷ زیرکلاس. سپس با استفاده از single-nucleus transcriptomics، ارتباط میان واریانت‌های ژنتیکی و بیان ژن (eQTLs) را در هر جمعیت سلولی بررسی کردند. در مجموع، تنظیم ژنتیکی برای ۱۴٬۲۵۸ ژن شناسایی شد.

جالب اینکه ۹۸۱ ژن در سطح کلاس سلولی و ۸۵۷ ژن در سطح زیرکلاس، الگوهای تنظیم ژنتیکی اختصاصی سلول نشان دادند. یعنی یک واریانت ژنتیکی می‌تواند اثر متفاوتی بر بیان یک ژن داشته باشد، بسته به اینکه در نورون، آستروسیت، الیگودندروسیت یا سلول‌های ایمنی مغز قرار داشته باشیم.

در مرحله بعد، داده‌های تنظیم ژن با اطلاعات مربوط به بیماری‌های مغزی colocalization شدند. این تحلیل ژن‌ها و انواع سلولی جدیدی را در ارتباط با Alzheimer’s disease، schizophrenia و سایر اختلالات شناسایی کرد که در مطالعات bulk tissue قابل تشخیص نبودند؛ زیرا در bulk RNA-seq سیگنال انواع مختلف سلول‌ها با یکدیگر میانگین‌گیری می‌شود.

پژوهشگران همچنین تغییرات وابسته به سن را بررسی کردند. در این تحلیل، ۲٬۰۷۳ ژن دارای اثرات تنظیمی بودند که در طول مسیرهای رشدی/سنی تغییر می‌کردند. علاوه بر این، ۱٬۶۵۵ ژن با trans-regulatory effects شناسایی شد؛ یعنی تنظیم آن‌ها می‌تواند از طریق عوامل ژنتیکی در فاصله‌ای دورتر از خود ژن انجام شود.

اهمیت این اطلس در این است که یک فاصله مهم میان GWAS و مکانیسم زیستی بیماری را کاهش می‌دهد. به‌جای اینکه تنها بدانیم یک locus ژنتیکی با بیماری مرتبط است، می‌توان بررسی کرد این سیگنال در کدام نوع سلول فعال است، کدام ژن را تحت تأثیر قرار می‌دهد و آیا اثر آن در جمعیت‌های سلولی مختلف متفاوت است.

در مجموع، این مطالعه یک reference resource بزرگ برای cell-type-specific regulatory genomics در مغز انسان فراهم می‌کند و می‌تواند برای تفسیر واریانت‌های غیرکُدکننده، مطالعه بیماری‌های نورودژنراتیو و نوروسایکیتریک و طراحی مطالعات عملکردی آینده مورد استفاده قرار گیرد.

📌 Journal: Nature Genetics
📆 Published: 23 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41588-026-02733-5

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🧠 فناوری Spatial Hi-C؛ نقشه‌برداری سه‌بعدی از سازمان کروماتین در مغز

یک مطالعه جدید در Nature Methods روشی برای بررسی هم‌زمان ساختار سه‌بعدی ژنوم و موقعیت مکانی سلول‌ها در بافت مغز ارائه کرده است. این فناوری که بر پایه Spatial Hi-C توسعه یافته، امکان بررسی معماری کروماتین را در نواحی مختلف مغز و در انواع سلولی متفاوت فراهم می‌کند. مقاله در ۲۵ سپتامبر ۲۰۲۶ منتشر شده است.

در روش‌های معمول Hi-C، سلول‌ها از بافت جدا یا به‌صورت bulk بررسی می‌شوند و در نتیجه اطلاعات مربوط به موقعیت سلول در بافت از بین می‌رود. Spatial Hi-C این محدودیت را هدف قرار می‌دهد و اطلاعات مربوط به chromatin contacts را همراه با مختصات فضایی حفظ می‌کند.

پژوهشگران این روش را روی بافت مغز موش بالغ و در حال رشد به کار گرفتند. داده‌ها نشان دادند که سازمان کروماتین در مناطق مختلف مغز یکسان نیست و می‌توان تفاوت‌های regional و cell-type-specific را در معماری سه‌بعدی ژنوم مشاهده کرد.

یکی از مزیت‌های اصلی این رویکرد، امکان بررسی ساختارهایی مانند chromatin loops، topologically associating domains (TADs) و سایر تعاملات ژنومی در زمینه واقعی بافت است. بنابراین می‌توان پرسید یک ژن نه‌تنها در چه سلولی فعال است، بلکه در فضای سه‌بعدی هسته با کدام نواحی ژنوم در ارتباط قرار دارد.

این موضوع در مغز اهمیت ویژه‌ای دارد، زیرا سلول‌های عصبی و گلیال در مناطق مختلف مغز برنامه‌های بیان ژنی و حالت‌های اپی‌ژنتیکی متفاوتی دارند. Spatial Hi-C می‌تواند ارتباط میان cell identity، spatial organization و 3D genome architecture را با وضوح بیشتری بررسی کند.

این فناوری همچنین می‌تواند برای مطالعه تکوین مغز مفید باشد؛ زیرا معماری کروماتین در طول تمایز سلولی ثابت نمی‌ماند و بازآرایی تعاملات ژنومی می‌تواند با تغییر برنامه‌های transcriptional همراه شود. مطالعه جدید نشان می‌دهد که این تغییرات را می‌توان در زمینه فضایی بافت دنبال کرد.

از نظر کاربردی، ترکیب Spatial Hi-C با روش‌هایی مانند single-cell RNA-seq، spatial transcriptomics و spatial ATAC-seq می‌تواند در آینده امکان اتصال مستقیم سه لایه را فراهم کند: محل سلول → وضعیت کروماتین → بیان ژن. چنین رویکردی می‌تواند برای مطالعه رشد مغز، بیماری‌های عصبی و تغییرات اپی‌ژنتیکی در بافت‌های پیچیده اهمیت داشته باشد.

در مجموع، Spatial Hi-C یک گام دیگر در جهت تبدیل 3D genomics از یک اندازه‌گیری عمدتاً bulk به روشی است که معماری ژنوم را در زمینه واقعی بافت و با درنظرگرفتن تفاوت‌های سلولی بررسی می‌کند.

📌 Journal: Nature Methods
📆 Published: 25 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41592-026-03218-3

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧫🧬 کپسول‌های نیمه‌تراوا؛ انجام چندین مرحله Multi-omics روی سلول‌های منفرد

یک مطالعه جدید در Science یک پلتفرم میکروسیالی مبتنی بر semipermeable capsules معرفی کرده است که امکان انجام چندین مرحله از آزمایش‌های مولکولی روی سلول‌های منفرد را در یک محیط بسته فراهم می‌کند. این رویکرد می‌تواند یکی از محدودیت‌های مهم single-cell multi-omics یعنی پیچیدگی و دشواری مقیاس‌پذیری workflowهای چندمرحله‌ای را کاهش دهد.

در بسیاری از روش‌های single-cell، برای بررسی هم‌زمان چند لایه مولکولی باید سلول‌ها طی مراحل مختلف lysis، enzymatic reaction، washing و library preparation قرار بگیرند. انجام این مراحل در مقیاس هزاران یا میلیون‌ها سلول می‌تواند باعث اتلاف نمونه و افزایش پیچیدگی فنی شود. این فناوری تلاش می‌کند بخش زیادی از این فرایند را درون capsule انجام دهد.

در این سیستم، سلول‌ها داخل محفظه‌های بسیار کوچک و نیمه‌تراوا قرار می‌گیرند. غشای capsule اجازه عبور برخی مولکول‌ها و معرف‌ها را می‌دهد، اما اجزای بزرگ‌تر سلول و محصولات واکنش را در فضای اختصاصی خود نگه می‌دارد. به این ترتیب می‌توان چند واکنش متوالی را بدون انتقال فیزیکی سلول بین ظروف مختلف انجام داد.

یکی از مزیت‌های اصلی این طراحی، امکان اجرای multistep molecular workflows روی همان سلول است. این ویژگی برای آزمایش‌هایی که نیاز به چند مرحله آنزیمی دارند اهمیت دارد، زیرا هر مرحله جداگانه در روش‌های سنتی می‌تواند باعث افت recovery و افزایش variability بین سلول‌ها شود.

پژوهشگران این پلتفرم را برای انجام workflowهای چندمرحله‌ای single-cell genomics آزمایش کردند و نشان دادند که capsule می‌تواند محیط واکنش را برای پردازش موازی تعداد زیادی سلول فراهم کند. طراحی محفظه‌ها همچنین امکان کنترل تبادل مواد با محیط خارج را ایجاد می‌کند.

اهمیت این فناوری فقط افزایش تعداد سلول‌ها نیست؛ بلکه می‌تواند راه را برای ترکیب چند نوع داده مولکولی از یک سلول واحد هموارتر کند. چنین رویکردهایی در آینده می‌توانند برای بررسی هم‌زمان genome، transcriptome و سایر لایه‌های مولکولی و مطالعه heterogeneity سلولی مورد استفاده قرار گیرند.

در مجموع، این مطالعه نمونه‌ای از تلاش برای تبدیل single-cell multi-omics از workflowهای پیچیده و کم‌ظرفیت به فرایندهای parallel و scalable است. اگر چنین سیستم‌هایی با روش‌های sequencing و imaging موجود ترکیب شوند، می‌توانند ظرفیت مطالعات single-cell را در مقیاس بسیار بزرگ افزایش دهند.

📌 Journal: Science
📆 Published: 2026

📎 مشاهده مقاله در:
https://www.science.org/doi/10.1126/science.ady7227

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🔄 روش Long-read RNA-seq؛ کشف نقش ایزوفرم‌های غیرکُدکننده در تغییر سرنوشت سلول

یک مطالعه جدید در Nature Communications با استفاده از long-read RNA sequencing نشان داده است که تغییر در نوع ایزوفرم‌های RNA می‌تواند مستقیماً در تغییر وضعیت و سرنوشت سلول نقش داشته باشد. پژوهشگران در فرایند somatic cell reprogramming، مجموعه‌ای از ایزوفرم‌های جدید را شناسایی کردند که در داده‌های short-read معمولاً قابل تشخیص نیستند. این مقاله در ۲۴ سپتامبر ۲۰۲۶ منتشر شده است.

در بسیاری از مطالعات transcriptomics، تمرکز اصلی روی میزان بیان ژن‌هاست؛ اما یک ژن می‌تواند چندین transcript isoform متفاوت تولید کند. طول کوتاه خوانش‌ها در RNA-seq معمولی باعث می‌شود تشخیص دقیق ساختار کامل این ایزوفرم‌ها و به‌خصوص non-coding isoforms دشوار باشد.

پژوهشگران با استفاده از long-read sequencing تغییرات ایزوفرم‌ها را در طول بازبرنامه‌ریزی سلول‌های تمایزیافته به سمت حالت pluripotent بررسی کردند. این رویکرد امکان مشاهده transcriptهای کامل را فراهم کرد و نشان داد که در جریان تغییر سرنوشت سلولی، فقط مقدار RNA تغییر نمی‌کند؛ بلکه نوع ایزوفرم تولیدشده از یک ژن نیز می‌تواند به‌صورت پویا تغییر کند.

یکی از یافته‌های مهم مطالعه، شناسایی یک long non-coding RNA جدید به نام Snhg26 بود. این RNA در طول reprogramming دچار isoform switching می‌شود و تغییر ایزوفرم آن با افزایش توانایی سلول‌های تمایزیافته برای حرکت به سمت حالت pluripotent ارتباط داشت.

برای بررسی عملکرد این RNA، پژوهشگران Snhg26 را knock-down کردند. کاهش آن در مدل‌های pluripotency موشی و انسانی، توانایی سلول‌ها برای به‌دست‌آوردن ویژگی‌های pluripotent را مختل کرد؛ بنابراین داده‌ها از یک نقش عملکردی برای این lncRNA در فرایند reprogramming پشتیبانی می‌کنند.

اهمیت این یافته در این است که isoform switching می‌تواند یکی از لایه‌های کمتر دیده‌شده تنظیم بیان ژن باشد. ممکن است مقدار کلی RNA یک ژن تغییر چندانی نکند، اما تغییر نسبت ایزوفرم‌های مختلف همان ژن، عملکرد سلول را عوض کند؛ مسئله‌ای که در تحلیل‌های مبتنی بر short-read RNA-seq ممکن است پنهان بماند.

این مطالعه همچنین یک منبع از full-length isoform usage در طول تغییر سرنوشت سلولی فراهم می‌کند. چنین داده‌هایی می‌توانند برای مطالعه cell plasticity، stem cell biology، cellular reprogramming و gene regulation و همچنین شناسایی RNAهایی که در تغییر وضعیت سلول نقش دارند، مورد استفاده قرار گیرند.

در مجموع، این پژوهش نشان می‌دهد که برای درک کامل تغییرات transcriptome در فرایندهای سلولی، بررسی «کدام ایزوفرم ساخته می‌شود» می‌تواند به اندازه بررسی «چه مقدار از یک ژن بیان می‌شود» اهمیت داشته باشد. Long-read sequencing امکان مشاهده این لایه پنهان از تنظیم ژن را با دقت بسیار بیشتری فراهم می‌کند.

📌 Journal: Nature Communications
📆 Published: 24 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41467-026-78011-z.pdf

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🔬تکنولوژی Single-cell Proteomics؛ افزایش چشمگیر سرعت بررسی پروتئوم سلول‌های منفرد.

یک مطالعه جدید در Nature Communications یک پلتفرم جدید برای high-throughput single-cell proteomics معرفی کرده است که با استفاده از multicolumn nanoLC–MS می‌تواند تعداد بسیار بیشتری سلول را در مدت کوتاه تحلیل کند. این مقاله در ۲۴ سپتامبر ۲۰۲۶ منتشر شده است.

در پروتئومیکس تک‌سلولی، mass spectrometry امکان بررسی هزاران پروتئین را در هر سلول فراهم می‌کند، اما زمان طولانی جداسازی پپتیدها باعث شده بود throughput این روش‌ها برای مطالعات بزرگ محدود باشد. سیستم جدید با ایجاد چند مسیر جداسازی موازی، این محدودیت را هدف قرار می‌دهد.

این پلتفرم از ۵ دقیقه separation window با تقریباً ۱۰۰٪ duty cycle و جریان حدود ۱۰۰ نانولیتر در دقیقه استفاده می‌کند. در نتیجه، سیستم قادر است تا ۲۸۸ سلول منفرد در روز را تحلیل کند؛ در حالی که عمق پروتئومیکس همچنان در سطح روش‌های کندتر باقی می‌ماند.

پژوهشگران در یک آزمایش بزرگ بیش از ۴۰۰۰ نمونه را با همین workflow بررسی کردند. سیستم جداسازی پایداری مناسبی داشت، carryover بسیار کمی نشان داد و زمان بازداری (retention time) در نزدیک به ۱۲۰۰ تزریق متوالی reproducible باقی ماند.

از نظر عمق پروتئوم، این روش در تزریق ۲۵۰ پیکوگرم digest حدود ۵۰۰۰ پروتئین را شناسایی کرد و در سلول‌های منفرد HeLa به‌طور میانگین حدود ۴۰۰۰ پروتئین در هر سلول شناسایی شد؛ در برخی سلول‌ها تعداد پروتئین‌های شناسایی‌شده از ۵۱۰۰ نیز فراتر رفت.

برای نشان‌دادن کاربرد زیستی روش، پژوهشگران ۷۸۳ سلول ماکروفاژ RAW264.7 را پس از تحریک با LPS بررسی کردند. با وجود اینکه همه سلول‌ها در معرض یک محرک التهابی مشابه قرار داشتند، پروفایل پروتئومی آن‌ها تفاوت‌های قابل‌توجهی نشان داد و heterogeneity سلولی قابل مشاهده بود.

اهمیت این پیشرفت در این است که single-cell proteomics را از آزمایش‌های کوچک به سمت مطالعاتی با هزاران سلول نزدیک‌تر می‌کند. افزایش throughput می‌تواند برای مطالعه heterogeneity سلولی، پاسخ‌های دارویی، سرطان، التهاب و ارتباط میان transcriptome و proteome بسیار مهم باشد.

در مجموع، این روش نشان می‌دهد که یکی از موانع اصلی single-cell proteomics یعنی سرعت پایین LC–MS را می‌توان با طراحی چندستونه و حفظ عمق پروتئومی برطرف کرد؛ موضوعی که می‌تواند مقیاس مطالعات proteomics تک‌سلولی را به شکل قابل‌توجهی افزایش دهد.


📌 Journal: Nature Communications
📆 Published: 24 September 2026

📎 مشاهده مقاله در
https://www.nature.com/articles/s41467-026-78059-x.pdf

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬💡 روش scSTAMP-seq
؛ ثبت موقعیت سلول‌ها هم‌زمان با Transcriptomics و Epigenomics

یک مطالعه جدید در Nature Biotechnology روشی به نام scSTAMP-seq معرفی کرده است که امکان انجام single-cell transcriptomics و epigenomics را همراه با حفظ اطلاعات مکانی سلول‌ها فراهم می‌کند. این مقاله در ۲۵ سپتامبر ۲۰۲۶ منتشر شده است.

در بسیاری از روش‌های single-cell، سلول‌ها از بافت جدا می‌شوند و در نتیجه اطلاعات مربوط به موقعیت آن‌ها از بین می‌رود. از طرف دیگر، روش‌های spatial معمولاً برای افزایش وضوح مکانی به تجهیزات و پروتکل‌های اختصاصی نیاز دارند. scSTAMP-seq تلاش می‌کند این دو محدودیت را با یک سیستم light-encoded barcoding ترکیب کند.

در این روش، سلول‌های زنده یا ثابت با photocleavable oligonucleotides متصل به کلسترول برچسب‌گذاری می‌شوند. سپس با تاباندن نور در یک الگوی مشخص، مختصات مکانی مختلف به سلول‌ها «stamp» می‌شود؛ به این ترتیب هر سلول علاوه بر اطلاعات مولکولی، یک spatial barcode نیز دریافت می‌کند.

یکی از ویژگی‌های مهم scSTAMP-seq این است که برای مرحله spatial labeling به پلتفرم کاملاً اختصاصی نیاز ندارد و می‌تواند اطلاعات مکانی را پیش از استفاده از workflowهای استاندارد single-cell multiome sequencing به سلول‌ها اضافه کند. این موضوع می‌تواند امکان ترکیب spatial information با داده‌های transcriptomic و chromatin accessibility را ساده‌تر کند.

از آنجا که الگوی نوردهی قابل برنامه‌ریزی است، می‌توان مناطق مختلف یک بافت را با barcodeهای متفاوت مشخص کرد. بنابراین پس از sequencing، می‌توان سلول‌ها را بر اساس barcode به موقعیت مکانی اولیه‌شان بازگرداند و ارتباط میان gene expression، chromatin state و موقعیت سلول را بررسی کرد.

این قابلیت برای مطالعه بافت‌های پیچیده اهمیت ویژه‌ای دارد؛ زیرا رفتار یک سلول فقط به نوع سلول وابسته نیست و محیط اطراف، سلول‌های مجاور و موقعیت آن در tissue نیز می‌توانند بر بیان ژن و وضعیت اپی‌ژنتیکی اثر بگذارند.

در مجموع، scSTAMP-seq یک رویکرد modular برای ترکیب spatial barcoding × single-cell transcriptomics × epigenomics ارائه می‌کند و می‌تواند برای بررسی ارتباط میان معماری بافت و تنظیم ژن در مقیاس سلولی مورد استفاده قرار گیرد.

📌 Journal: Nature Biotechnology
📆 Published: 25 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41587-026-03328-5

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🔬 اطلس تک‌سلولی کروماتین روده؛ ارتباط دقیق‌تر ژنتیک با بیماری کرون

یک مطالعه جدید در Nature Genetics با استفاده از single-cell ATAC-seq، یک اطلس با وضوح سلولی از دسترسی کروماتین در مخاط روده انسان ایجاد کرده است. پژوهشگران با این کار تلاش کردند مشخص کنند کدام سلول‌ها و عناصر تنظیمی ژنوم در خطر ابتلا به Crohn’s disease نقش دارند. این مقاله در ۲۵ سپتامبر ۲۰۲۶ منتشر شده است.

در این پروژه، نمونه‌هایی از ترمینال ایلئوم (terminal ileum) و کولون صعودی (ascending colon) از ۲۳ بیمار مبتلا به کرون و ۱۶ فرد سالم بررسی شد. در مجموع ۷۱ نمونه بافتی جمع‌آوری و پس از کنترل کیفیت، داده‌های 178,030 سلول برای ساخت اطلس مورد استفاده قرار گرفتند.

پژوهشگران در این داده‌ها 557,310 عنصر تنظیمی کاندید (candidate cis-regulatory elements یا cCREs) شناسایی کردند و ۲۹ جمعیت سلولی را بر اساس الگوهای دسترسی کروماتین مشخص کردند. این عناصر نشان دادند که تنظیم ژن در سلول‌های مختلف روده و همچنین در شرایط التهاب، الگوهای بسیار متفاوتی دارد.

یکی از یافته‌های مهم این بود که تغییرات مرتبط با التهاب فقط محدود به سلول‌های ایمنی نبود. برای مثال، در سلول‌های اندوتلیال بیش از ۱۷۰۰ ناحیه تنظیمی مرتبط با التهاب (iDARs) شناسایی شد که در آن‌ها موتیف‌های فاکتورهای رونویسی مانند IRF4، STAT2، NFKB2 و AP-1 غنی شده بودند.

سپس پژوهشگران داده‌های GWAS مربوط به بیماری‌های التهابی روده را با این اطلس ترکیب کردند. تحلیل‌ها نشان دادند که وراثت‌پذیری خطر IBD در تعدادی از سلول‌های ایمنی، به‌خصوص CD4⁺ T cells، CD8⁺ T cells و γδ T cells، غنی شده است؛ NK cells و برخی سلول‌های ایمنی دیگر نیز این الگو را نشان دادند.

در مرحله بعد، پژوهشگران واریانت‌های غیرکُدکننده مرتبط با کرون را بررسی کردند. از میان سیگنال‌های fine-mapped در ۸۷ locus، واریانت‌های دارای احتمال بالاتر برای نقش علّی، حدود ۳.۵ برابر بیشتر از انتظار در cCREها قرار داشتند. در ۱۸ مورد از ۸۷ locus نیز حداقل نیمی از احتمال inclusion مربوط به واریانت‌هایی بود که داخل cCREها قرار داشتند.

این داده‌ها کمک می‌کنند فاصله میان یک GWAS variant و عملکرد زیستی آن بهتر مشخص شود؛ یعنی به‌جای اینکه تنها بدانیم یک SNP با بیماری مرتبط است، بتوانیم بررسی کنیم این تغییر در کدام نوع سلول، در چه عنصر تنظیمی و احتمالاً از طریق کدام مسیر تنظیم ژن عمل می‌کند. نویسندگان نمونه‌هایی مانند ناحیه اطراف CIITA را نیز برای ارتباط میان واریانت‌های تنظیمی، التهاب و بیان ژن بررسی کردند.

در مجموع، این مطالعه یک منبع چندلایه برای اتصال GWAS × scATAC-seq × regulatory genomics فراهم می‌کند و می‌تواند برای شناسایی سلول‌ها، enhancerها و فاکتورهای رونویسی مرتبط با خطر بیماری کرون مورد استفاده قرار گیرد. البته اندازه cohort برای بررسی برخی تفاوت‌های بالینی و عوامل محیطی محدود بود و خود پژوهشگران نیز بر نیاز به مطالعات بزرگ‌تر تأکید کرده‌اند.

📌 Journal: Nature Genetics
📆 Published: 25 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41588-026-02755-z

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧪💊 تغییر فقط یک اتم؛ یک آزمایش بزرگ نشان داد بهینه‌سازی دارو چقدر غیرقابل‌پیش‌بینی است.

یک مطالعه جدید در Nature با بررسی سیستماتیک تغییرات بسیار کوچک در ساختار مولکول‌های دارویی، یک «خط پایه تصادفی» (random background) برای ارزیابی فرایند drug optimization ایجاد کرده است. پژوهشگران ۱۸ مولکول اولیه را در برابر ۶ هدف زیستی بررسی کردند و ۲۵۷ آنالوگ را تنها با تغییرات بسیار کوچک در ساختار ساختند. این مقاله در ۱۶ سپتامبر ۲۰۲۶ منتشر شده است.

در این پروژه، تغییرات شامل جایگزینی یک اتم هیدروژن با متیل، کلر، فلوئور یا هیدروکسیل و همچنین جایگزینی برخی اتم‌های کربن حلقه‌های آروماتیک با نیتروژن بود. هدف این بود که بدون طراحی هدفمند برای بهبود عملکرد، ببینند یک تغییر کوچک به‌طور تصادفی با چه احتمالی می‌تواند فعالیت یک ترکیب را افزایش دهد.

نتیجه جالب بود: از میان ۲۵۷ آنالوگ، ۲۹ ترکیب (۱۱.۳٪) فعالیت یا potency خود را حداقل ۱۰ برابر نسبت به مولکول اولیه افزایش دادند. این افزایش در ۵ مورد از ۶ هدف زیستی مشاهده شد و برای ۱۰ مورد از ۱۸ مولکول اولیه، حداقل یک آنالوگ با چنین بهبودی پیدا شد.

با این حال، افزایش potency لزوماً به معنی بهترشدن کلی یک دارو نبود. پژوهشگران هم‌زمان ویژگی‌های pharmacokinetic (PK) مانند پایداری متابولیکی، نفوذپذیری غشایی، حلالیت و اتصال به پروتئین‌های پلاسما را بررسی کردند. بخش بزرگی از ترکیباتی که فعالیت بالاتری داشتند، در یک یا چند ویژگی PK عملکرد ضعیف‌تری نشان دادند.

در مجموع، ۹۳.۱٪ از آنالوگ‌ها دست‌کم در یکی از سه ویژگی مهم PK شامل microsomal stability، permeability و fraction unbound دچار افت بیش از سه‌برابری شدند و ۳۴.۵٪ در هر سه ویژگی افت داشتند. این داده‌ها نشان می‌دهد بهینه‌سازی یک مولکول دارویی معمولاً یک مسئله چندهدفه است و افزایش affinity یا potency به‌تنهایی کافی نیست.

پژوهشگران برای بررسی علت تغییرات فعالیت، ساختار برخی ترکیبات را نیز با X-ray crystallography و وضوح بسیار بالا بررسی کردند. در بعضی موارد، اضافه‌کردن تنها یک گروه متیل یا کلر باعث ایجاد برهم‌کنش‌های جدید با pocket پروتئین شد؛ اما در موارد دیگر، همان تغییر کوچک باعث جابه‌جایی مولکول یا تغییر conformation آن شد و پیش‌بینی اثر نهایی دشوار بود.

این مطالعه همچنین نشان می‌دهد چرا استفاده از AI، molecular dynamics و free-energy calculations در طراحی دارو اهمیت پیدا کرده است؛ حتی یک تغییر شیمیایی بسیار کوچک می‌تواند شبکه‌ای از برهم‌کنش‌های ساختاری را تغییر دهد و نتیجه‌ای ایجاد کند که از روی ساختار اولیه به‌سادگی قابل پیش‌بینی نیست. بااین‌حال، خود پژوهشگران تأکید می‌کنند که مجموعه ۱۸ مولکول و ۶ هدف، یک نمونه محدود است و برای ایجاد یک baseline عمومی‌تر به داده‌های بیشتری نیاز است.

📌 Journal: Nature
📆 Published: 16 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41586-026-11013-5

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬🤖 هوش‌ مصنوعی UpTCR؛ استفاده از هوش مصنوعی برای پیش‌بینی برهم‌کنش گیرنده T با آنتی‌ژن

یک مطالعه جدید در Nature Communications یک مدل بنیادین (Foundation Model) به نام UpTCR معرفی کرده است که برای پیش‌بینی نحوه شناسایی آنتی‌ژن توسط T-cell receptor (TCR) طراحی شده است. این مقاله در ۲۴ سپتامبر ۲۰۲۶ منتشر شده و روی یکی از چالش‌های مهم در طراحی واکسن و immunotherapy تمرکز دارد.

مولکول‌های TCR آنتی‌ژن‌های پپتیدی را زمانی شناسایی می‌کنند که این پپتیدها توسط مولکول‌های HLA/MHC ارائه شده باشند. بنابراین برای پیش‌بینی دقیق پاسخ T-cell باید تعامل میان سه جزء TCR–peptide–HLA به‌صورت هم‌زمان در نظر گرفته شود؛ درحالی‌که داده‌های کامل مربوط به این برهم‌کنش‌ها نسبتاً محدود هستند.

این هوش مصنوعی با استفاده از یک روش progressive knowledge transfer تلاش می‌کند از داده‌های ناقص موجود بیشترین اطلاعات ممکن را استخراج کند. مدل ابتدا از تعاملات ساده‌تر مانند dimeric و trimeric interactions یاد می‌گیرد و سپس این دانش را به ساختارهای کامل‌تر TCR–antigen–HLA tetrameric complexes منتقل می‌کند.

یکی دیگر از اجزای مدل، soft contrastive learning است که برای کاهش مشکل false negatives در داده‌های آموزشی به کار می‌رود. این مسئله اهمیت زیادی دارد، زیرا ممکن است یک TCR واقعاً با یک آنتی‌ژن برهم‌کنش داشته باشد اما در مجموعه داده‌های آزمایشی، این تعامل ثبت نشده باشد.

در ارزیابی‌های انجام‌شده، UpTCR توانست TCR binding specificity و antigen–HLA binding affinity را پیش‌بینی کند و عملکرد آن به‌ویژه در شناسایی neoantigens بهتر گزارش شد. مدل همچنین امکان بررسی تعاملات در سطح residue را فراهم کرد و نشان داد کدام جفت اسیدآمینه‌ها در اتصال TCR و آنتی‌ژن نقش دارند.

پژوهشگران مدل را روی داده‌های مربوط به بیماران breast cancer نیز آزمایش کردند؛ جایی که داده‌های آموزشی محدودتر هستند. UpTCR توانست دانش آموخته‌شده از مجموعه‌داده‌های بزرگ‌تر را به این cohort منتقل کند، موضوعی که برای استفاده از مدل‌های AI در داده‌های بالینی کوچک‌تر اهمیت دارد.

در یک اعتبارسنجی prospective نیز مدل روی melanoma antigen variants آزمایش شد. پژوهشگران در این مرحله ۸ پپتید immunogenic را شناسایی کردند که توانستند پاسخ T-cell ایجاد کنند و همچنین یک variant مرتبط با immune escape را گزارش کردند.

این مطالعه نشان می‌دهد که مدل‌های AI می‌توانند با ترکیب داده‌های ناقص و چندلایه، پیش‌بینی دقیق‌تری از antigen recognition انجام دهند. چنین ابزارهایی می‌توانند در آینده برای مطالعه T-cell immunity، شناسایی neoantigenها و طراحی TCR-based immunotherapies مورد استفاده قرار گیرند؛ البته کاربرد بالینی مستقیم چنین مدل‌هایی نیازمند اعتبارسنجی بیشتر است.

📌 Journal: Nature Communications
📆 Published: 24 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41467-026-78075-x.pdf

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG

🧬📍 هوش مصنوعی ResoIVL؛ اصلاح خطاهای Spatial Transcriptomics برای شناسایی دقیق‌تر سلول‌ها

یک مطالعه جدید در Nature Methods چارچوب محاسباتی جدیدی به نام ResolVI معرفی کرده است که برای کاهش خطا و نویز در داده‌های spatial transcriptomics طراحی شده است. این مقاله در ۲۴ سپتامبر ۲۰۲۶ منتشر شده و روی یکی از چالش‌های مهم این فناوری تمرکز دارد: نسبت‌دادن اشتباه RNA به سلول‌ها.

در روش‌های spatial transcriptomics با وضوح بالا، ابتدا با cell segmentation بافت به نواحی تقریباً سلولی تقسیم می‌شود و سپس مولکول‌های RNA موجود در هر ناحیه شمارش می‌شوند. اما مرز واقعی سلول‌ها همیشه به‌درستی مشخص نمی‌شود و RNA ممکن است از یک سلول به سلول مجاور نسبت داده شود؛ پدیده‌ای که می‌تواند الگوهای بیان ژنی کاذب ایجاد کند.

این هوش مصنوعی به‌عنوان یک مدل probabilistic در پایین‌دست هر الگوریتم segmentation و quantification عمل می‌کند. این مدل با استفاده از variational autoencoder (VAE) تلاش می‌کند سه مؤلفه را از یکدیگر جدا کند: بیان واقعی سلول، RNA ناشی از سلول‌های مجاور و background غیر اختصاصی.

پژوهشگران این روش را روی داده‌های حاصل از فناوری‌هایی مانند 10x Xenium، Vizgen MERSCOPE، Stereo-seq و 10x Visium HD آزمایش کردند. در داده‌های مغز موش، ResolVI توانست بسیاری از الگوهای اشتباه co-expression را کاهش دهد؛ برای مثال، سیگنال نورونی کاذب در microglia پس از اصلاح به‌شدت کاهش یافت، درحالی‌که الگوهای واقعی بیان ژن حفظ شدند.

در یکی از آزمایش‌های Stereo-seq، حدود ۱۴.۸٪ از سلول‌هایی که برای marker نورونی Slc17a7 مثبت بودند، هم‌زمان marker الیگودندروسیتی Mbp را نیز نشان می‌دادند. پس از پردازش با ResolVI، این co-expression کاذب به کمتر از ۰.۰۱٪ کاهش پیدا کرد.

این روش در داده‌های Visium HD نیز توانست زیرجمعیت‌های نورونی را که در تحلیل PCA/UMAP به‌خوبی از هم جدا نمی‌شدند، تفکیک کند؛ از جمله VIP، SST و NPY inhibitory neurons که علاوه بر تفاوت بیان ژن، الگوهای مکانی متفاوتی در بافت داشتند.

ResolVI همچنین روی داده‌های سرطان کبد انسان شامل حدود ۱.۲ میلیون سلول آزمایش شد و توانست الگوهای مکانی مرتبط با hepatocyte zonation و نواحی مختلف بافت را با کاهش سیگنال‌های background و آلودگی بین سلولی واضح‌تر کند. در بزرگ‌ترین آزمایش نیز مدل روی ۱.۴ میلیون سلول از ۵۲ tissue slice در کمتر از ۶ ساعت آموزش داده شد.

در مجموع، این مطالعه نشان می‌دهد که بخشی از الگوهایی که در spatial transcriptomics به‌عنوان تفاوت سلولی یا co-expression دیده می‌شوند، ممکن است ناشی از خطاهای segmentation، diffusion و background باشند. ResolVI با ارائه یک لایه اصلاحی probabilistic می‌تواند به استخراج دقیق‌تر cell states، spatial niches و تغییرات بیان ژن کمک کند و به‌صورت open-source در scvi-tools در دسترس قرار گرفته است.

📌 Journal: Nature Methods
📆 Published: 24 September 2026

📎 مشاهده مقاله در:
https://www.nature.com/articles/s41592-026-03212-9

زیست‌شناسی، علم و بحث‌های داغ روز 🚀
@biology_today_EBG