scRNA数据处理与建模周报 2026-05-09 — 2026年5月9日

自动化报告· 当前专题

scRNA数据处理与建模周报 2026-05-09 — 2026年5月9日

scRNA 数据处理与建模周报 2026-05-09

覆盖周期: 2026年4月30日 – 5月9日
数据来源: bioRxiv API (300篇筛选), PubMed E-utilities (8领域定向搜索), GitHub Releases API (18个核心工具)
参见此前报告: 上期周报 2026-05-02 · Seurat v5.5 深度解析

🧬 1. 预处理与质控

关键进展

本周预处理与质控方向以标准化工作流和批次效应评估为主，未出现 Cell Ranger 或 STARsolo 大版本更新。

  1. rhapsodist: a reproducible Snakemake workflow for BD Rhapsody single-cell RNA-seq data
    • DOI: 10.64898/2026.04.28.721304
    • 为 BD Rhapsody 平台构建的可复现 Snakemake 标准化分析流程，覆盖从原始读数到表达矩阵的全过程
  2. CytoBatchFlagR: A Comprehensive Framework to Objectively Assess High-Parameter Cytometry Data for Batch Effects
    • DOI: 10.1002/cyto.a.70024
    • 客观评估高参数流式数据批次效应的综合框架 (Cytometry Part A, 2026-04)，虽然是流式领域但方法可借鉴至 scRNA-seq
  3. A benchmark of semi-supervised scRNA-seq integration methods in real-world scenarios
    • DOI: 10.1371/journal.pcbi.1014008
    • PLoS Computational Biology (2026-03) — 对半监督 scRNA-seq 整合方法在实际场景中的系统性基准评测
工具 新版本 发布日期 说明
Seurat v5.5.0 2026-04-22 持续稳定，详见深度解析
sctransform v0.4.3 2026-01-10 无新版本
DoubletFinder — 无正式 Release 仓库无版本更新

现状总结

本周预处理方向未有重大新工具发布。BD Rhapsody 的 Snakemake 工作流 (rhapsodist) 填补了该商业平台的标准化分析空白。批次校正领域的基准工作 (PLoS Comp Biol) 为方法选择提供了参考。

🔬 2. 降维与聚类

关键进展

降维与聚类方向本周产出有限，多组学聚类方法值得关注。

  1. S-multi-SNE: Subtypes estimation in single-cell multi-omics data
  2. ICON: An isoform-aware hierarchical random forest model for cell type classification
    • DOI: 10.64898/2026.04.28.721306
    • 同异构体感知的层次随机森林模型，结合降维层次结构进行细胞类型分类
  3. Praxis-BGM: Clustering of Omics Data Using Semi-Supervised Transfer Learning for Gaussian Mixture Models

现状总结

降维与聚类方向相对平静。S-multi-SNE 代表了 t-SNE 系列向多组学扩展的趋势，ICON 在细胞分类中引入了异构体层面信息。

🧪 3. 差异表达分析与标记基因

关键进展

本周差异表达方向有几项值得关注的空间转录组 DE 方法及异构体层面的创新。

  1. TESSERA: Unlocking Multi-Sample Differential Expression for Spatial Transcriptomics Data
    • DOI: 10.64898/2026.04.27.720955
    • 首个面向空间转录组数据的多样本差异表达分析方法，解决了空间数据跨样本比较的核心挑战
  2. SCOTCH: isoform-level characterization of gene expression through long-read single-cell RNA sequencing
  3. SpNeigh: spatial neighborhood and differential expression analysis for high-resolution spatial transcriptomics
    • DOI: 10.1093/nargab/lqag039
    • NAR Genomics and Bioinformatics (2026-06) — 高分辨率空间转录组学的空间邻域与差异表达分析
  4. Integrative Learning of Disentangled Representations from Single-Cell RNA-Sequencing Datasets
    • DOI: 10.34133/csbj.0015
    • Computational and Structural Biotechnology Journal — 通过解纠缠表征学习改善细胞标记基因识别

现状总结

TESSERA 填补了空间转录组多样本 DE 分析的空白。SpNeigh 结合空间邻域信息改善 DE 检测。SCOTCH 从长读长角度重新定义了异构体水平的表达差异分析。

🔗 4. 轨迹推断与发育分析

关键进展

⭐ 本周最大亮点: RNA velocity 方向出现爆发式进展，3篇重磅论文覆盖方法创新、基准评测和跨模态整合。

  1. 🏆 veloAgent: Dissecting and steering cell dynamics using spatially-informed RNA velocity
    • DOI: 10.1038/s44320-026-00213-w
    • Molecular Systems Biology (2026-05) — 将空间信息整合进 RNA velocity 估计，实现细胞动态的解剖与引导，代表了 velocity 与空间组学融合的前沿方向
  2. CRAK-Velo: chromatin accessibility kinetics integration improves RNA velocity estimation
    • DOI: 10.1186/s13059-026-04086-y
    • Genome Biology (2026-05) — 整合染色质可及性动力学信息改进 RNA velocity 估计，开创了从表观层面增强 velocity 准确性的新范式
  3. Benchmarking RNA velocity methods across 17 independent studies
    • DOI: 10.1016/j.crmeth.2026.101367
    • Cell Reports Methods (2026-04) — 跨越17个独立研究的 RNA velocity 方法系统性基准评测，为方法选择提供迄今为止最全面的实证参考
  4. Predicting trajectories of illness using RNA velocity of whole blood
    • DOI: 10.1038/s41467-026-71685-5
    • Nature Communications (2026-05) — 将 RNA velocity 创新性地应用于全血转录组疾病轨迹预测，从发育生物学工具扩展至临床诊断
  5. A digital twin of pancreatic islet differentiation predicts cell fate
工具 新版本 发布日期 说明
Monocle3 v1.4.27 2026-05-05 🆕 本周最新版本，距离上次更新数月后发布

现状总结

RNA velocity 是本周期绝对的主角。veloAgent (空间整合)、CRAK-Velo (染色质整合) 和全血疾病轨迹预测三篇 Nature 子刊级别论文同时出现，标志着 velocity 正从纯粹的发育生物学工具向空间感知、多组学整合和临床应用三个维度加速扩展。Cell Reports Methods 的系统基准评测为这一快速发展领域提供了急需的方法选择参考。

🧩 5. 空间转录组学

关键进展

空间转录组学方向持续活跃，本周集中在方法对比基准、亚细胞分析和新工具。

  1. SpatialBench: Comparative cross-platform benchmarking of high-resolution spatial transcriptomics using matched mouse lymphoid tissue
    • DOI: 10.64898/2026.04.29.721531
    • 使用配对小鼠淋巴组织进行高分辨率空间转录组平台的跨平台基准对比，填补了平台选择参考的空白
  2. SubCellSpace: Automated characterization of subcellular mRNA localization patterns in spatial transcriptomics
    • DOI: 10.64898/2026.04.28.720613
    • 自动化表征空间转录组学中亚细胞 mRNA 定位模式，将分析分辨率推进到亚细胞水平
  3. TESSERA: 多样本空间差异表达（见第3节交叉引用）
    • 同时适用于空间转录组学方向
  4. SpNeigh: 空间邻域差异分析（见第3节交叉引用）
    • 高分辨率空间数据的邻域分析与 DE
  5. Computational identification of migrating T cells in spatial transcriptomics data

现状总结

SpatialBench 的高分辨率跨平台基准对比对领域有重要参考价值。SubCellSpace 标志着空间分析从”细胞间”向”亚细胞”级别的深化。

🤖 6. 深度学习方法与基础模型

关键进展

基础模型和深度学习方向产出丰富，基因调控网络推理与多组学整合集成学习成为新热点。

  1. Single-cell foundation models reveal context-sensitive cancer programmes under subtype shift
    • DOI: 10.64898/2026.04.28.721114
    • 利用单细胞基础模型揭示亚型转变下的上下文敏感癌症程序，首次将 foundation model 系统性应用于癌症亚型动态分析
  2. GRNFormer: accurate gene regulatory network inference using graph transformer
  3. PSGRN: Gene regulatory network inference from single-cell perturbational data through self-training with synthetic gold standards
    • DOI: 10.1126/sciadv.aeb3376
    • Science Advances (2026-05) — 通过自训练与合成金标准从扰动数据推理 GRN
  4. TDAGENE: Inference of Gene Regulatory Network Based on Topological Data Analysis and Graph Attention Network
    • DOI: 10.34133/csbj.0080
    • CSBJ — 拓扑数据分析 + 图注意力网络的 GRN 推理新框架
  5. A unified framework for causal gene regulatory network inference grounded in orthogonal molecular evidence
  6. multiVIB: A unified probabilistic contrastive learning framework for atlas-scale integration of single-cell multi-omics data
  7. Systematic contextual biases in SegmentNT potentially relevant to other nucleotide transformer models
    • DOI: 10.1101/2025.04.09.647946
    • 系统分析核苷酸 Transformer 模型 (SegmentNT) 的上下文偏差，对 scGPT/scBERT 等模型设计具有参考意义

现状总结

GRN 推理成为本周深度学习方向的关键主题，GRNFormer (图Transformer)、PSGRN (Science Advances) 和 TDAGENE (拓扑数据分析) 三箭齐发。multiVIB 的对比学习框架推动了大规模多组学整合。单细胞基础模型开始从方法开发转向癌症生物学的实际应用，标志着该领域的成熟化。

🏥 7. 临床应用与转化

关键进展

临床应用方向聚集于肿瘤微环境分析、预测建模与治疗靶点发现。

  1. AI-based separation of malignant cell- and microenvironment-specific gene expression from bulk RNA sequencing enhances biomarker interpretation
    • DOI: 10.64898/2026.04.28.721082
    • 基于 AI 从 bulk RNA-seq 中分离恶性细胞与微环境特异性基因表达，提升生物标志物解读
  2. scMultiPreDICT: A single-cell predictive framework with transcriptomic and epigenetic signatures
  3. DrugPTM-Bench: A Large-Scale Dataset for Predictive Modeling of Drug-Induced Cell Type-Specific Protein Post-Translational Modifications
  4. Integrating single-cell atlases and machine learning to construct ‘in silico patients’ for predicting individualized drug responses
    • DOI: 10.1016/j.bcp.2026.117873
    • Biochemical Pharmacology (2026-06) — 整合单细胞图谱与机器学习构建”虚拟患者”以预测个体化药物反应
  5. Single-cell and spatial transcriptomic profiling of POU5F1 in Lung Adenocarcinoma
    • DOI: 10.1016/j.tranon.2026.102800
    • Translational Oncology (2026-05) — 单细胞+空间转录组联合解析肺腺癌中 POU5F1 的动态与空间生态位

现状总结

“虚拟患者”概念的升温标志着临床单细胞研究从描述性向预测性转变。scMultiPreDICT 的表观-转录整合预测框架具有转化潜力。

🔧 8. 综合工具与平台

关键进展

  1. CHAMPOLLION: Robust Multi-Omics Integration via Inverse Optimal Transport Using Paired Cells
  2. scUnique: Measuring Ongoing Chromosomal Instability
  3. MethylBench: A comprehensive benchmark of DNA methylation profiling methods across diverse sequencing platforms
    • DOI: 10.64898/2026.04.28.721268
    • 跨多种测序平台的 DNA 甲基化分析方法综合基准（虽非直接 scRNA-seq 但 stitched 至多组学整合场景）
  4. Semi-parametric empirical bayes method for multiplet detection in snATAC-seq with probabilistic multi-omic integration
    • DOI: 10.1371/journal.pcbi.1013653
    • PLoS Comp Biol (2026-04) — snATAC-seq 多细胞检测与多组学整合的半参数经验贝叶斯方法

工具版本监控

工具 最新版本 发布日期 说明
Monocle3 v1.4.27 2026-05-05 🆕 本周发布
Seurat v5.5.0 2026-04-22 稳定版本
Scanpy 1.12.1 2026-04-10 稳定版本
scvi-tools 1.4.2 2026-02-26 稳定版本
scVelo v0.3.4 2026-02-24 稳定版本
sctransform v0.4.3 2026-01-10 稳定版本
CellBender v0.3.2 2024-07-17 长期未更新
Squidpy v1.8.1 2026-02-09 稳定版本
Harmony 0.1 2020-02-19 长期稳定

现状总结

Monocle3 本周更新至 v1.4.27，是唯一在本周期内有新版本发布的主要工具。CHAMPOLLION 的逆最优传输方法为多组学整合提供了新的数学框架。

📊 本周总结与趋势展望

本周关键趋势

趋势方向 信号强度 说明
RNA velocity 多模态化 ⭐⭐⭐⭐⭐ veloAgent (空间+velocity)、CRAK-Velo (表观+velocity) 标志 velocity 正式进入多模态整合时代
GRN 推理 AI 化 ⭐⭐⭐⭐ GRNFormer、PSGRN、TDAGENE 三篇新方法密集发布，图神经网络成为主流
空间分析精细化 ⭐⭐⭐⭐ 从跨平台基准 (SpatialBench) 到亚细胞定位 (SubCellSpace)，空间分析不断深化
对比学习框架 ⭐⭐⭐ multiVIB 展示了对比学习在多组学整合中的潜力
Velocity 临床应用 ⭐⭐⭐ 全血 RNA velocity 用于疾病轨迹预测是重大范式转变
虚拟患者建模 ⭐⭐⭐ 单细胞图谱+ML 驱动的个体化药物响应预测

值得追踪的方向

  1. RNA velocity 方法选择: Cell Reports Methods 的 17 研究基准评测配合 veloAgent/CRAK-Velo 两个新方法，建议研究者重新评估 velocity 工具选择
  2. Monocle3 v1.4.27: 本周新版本，建议关注 Changelog 中的轨迹推断改进
  3. 多组学整合: CHAMPOLLION + multiVIB 提供了最优传输和对比学习两条不同技术路线
*报告自动生成于 2026-05-09 数据来源: bioRxiv, PubMed, GitHub 下次报告: 2026-05-16*