scRNA数据处理与建模周报 2026-06-20 — 2026年6月20日

自动化报告· 当前专题

scRNA数据处理与建模周报 2026-06-20 — 2026年6月20日

scRNA 数据处理与建模周报 2026-06-20

覆盖周期: 2026年6月7日 – 6月20日
数据来源: PubMed、arXiv、Nature Methods、Nature Communications、Cell、Bioinformatics、GitHub Releases
参见此前报告: 上期周报 2026-06-06 · 2026-05-30

本周亮点: 6月第二、三周是学术产出高峰期。轨迹推断领域迎来标志性成果——RegVelo 登上 Cell 期刊正式发表，ArchVelo 以 Nat Commun 形式发表，两者分别从基因调控先验和原型速度建模两个方向推动 RNA velocity 方法进入新阶段。单细胞基础模型方向继续激烈竞争——Nature Methods 同期发表两篇重要工作（Hi-C 基础模型和 scFM 预训练规模评估），Bioinformatics 连发三篇 scFM 方法学工作（因果回路追踪、scGPT 贝叶斯调参、网络方法综述），基础模型的研究重点正从「训练更大的模型」转向「理解/优化/评估现有的模型」。空间转录组学方法持续爆发——SPADE、HiST、SNR-ST-Mix 等多个空间方法预印本集中涌现，Cellular Architecture 工作登上 Cell 正刊。工具版本方面：主流工具（Seurat、Scanpy、scvi-tools、SpatialData）本周无新版本发布，生态趋向稳定。

🧬 1. 预处理与质控

本周有零星新进展，集中在批次效应可视化和 ATAC-seq 偏向校正。

批次校正

  1. scMEDAL: interpretable single-cell transcriptomics analysis with batch effect visualization via deep mixed-effects autoencoder
    期刊: Nature Communications | DOI: 10.1038/s41467-026-72666-4（2026-06-02）
    亮点: 提出深度混合效应自编码器 scMEDAL，在降维的同时显式建模批次效应，并通过可视化工具直接展示批次效应在校正前后的分布变化。将混合效应模型（固定效应+随机效应）引入变分自编码器框架，兼顾批次校正效果和生物学变异的保留。

  2. TraceBind: Robust footprinting with sample-specific Tn5 bias correction for bulk and single cell ATAC-seq
    期刊: Nature Communications | DOI: 10.1038/s41467-026-73164-3（2026-06-09）
    亮点: 揭示 Tn5 转座酶切偏向在样本间存在显著异质性，提出 TraceBind 方法进行样本特异的偏向校正，同时适用于 bulk 和单细胞 ATAC-seq 数据。这对于单细胞多组学（scATAC-seq + scRNA-seq）整合中的开放染色质区域准确鉴定具有重要价值。

综述性总结

  • 双细胞检测方法（DoubletFinder、Scrublet 等）和归一化方法（sctransform、Linnorm 等）本周无新版本或新方法发布。
  • Cell Ranger、STARsolo 等主流定量工具本周无更新公告。

🔬 2. 降维与聚类

本周聚类方法领域有显著进展，多项基于深度学习的聚类新方法发布。

新聚类方法

  1. scGTN: Deep Siamese Graph Transformer Network for Single-cell RNA Sequencing Clustering
    预印本: arXiv:2606.18672（2026-06-17）
    亮点: 提出孪生图 Transformer 网络 scGTN，通过孪生对比学习框架和图注意力机制同时处理 scRNA-seq 数据的高稀疏性和细胞间结构关系，在多个基准数据集上超越现有图聚类方法。

  2. scLLM-DSC: LLM-Knowledge Enhanced Cross-Modal Deep Structural Clustering for Single-Cell RNA Sequencing
    预印本: arXiv:2606.13007（2026-06-11）
    亮点: 首次将大语言模型（LLM）的生物学语义知识引入 scRNA-seq 聚类，通过交叉模态深度结构聚类融合数值表达模式和基因功能语义，解决传统方法「语义无知」的根本局限。该工作开创了 LLM 增强 scRNA-seq 分析的新范式。

  3. scMagnifier: Resolving fine-grained cell subtypes via GRN-informed perturbations and consensus clustering
    期刊: PLOS Computational Biology | DOI: 10.1371/journal.pcbi.1014167（2026-06-18）
    亮点: 创新性地利用基因调控网络（GRN）先验知识引导扰动和集成聚类策略，实现精细细胞亚型的识别。在 GRN 偏差扰动后通过一致性聚类揭示传统方法无法分辨的稀有亚群。

  4. GCLSC: Single-cell clustering model based on graph contrastive learning
    期刊: Computational Biology and Chemistry | DOI: 10.1016/j.compbiolchem.2026.108896（2026-06）
    亮点: 基于图对比学习的单细胞聚类模型，通过数据增强构建正负样本对进行对比学习，在低检测率场景下保持聚类鲁棒性。

  5. From gene correlations to cell clusters: COTAN improved scRNA-seq analysis
    期刊: NAR Genomics and Bioinformatics | DOI: 10.1093/nargab/lqag048（2026-06）
    亮点: 对 COTAN（基因共表达网络分析）进行改进，从基因相关性视角增强 scRNA-seq 聚类效果，特别在稀有细胞类型识别方面表现突出。

  6. Deep Structure-Enhanced Cell Clustering Model for Single-Cell RNA Sequencing Data
    期刊: Journal of Computational Biology | DOI: 10.1177/15578666261453098（2026-06）
    亮点: 深度学习结构增强聚类模型，利用自编码器提取深层特征后结合结构保留正则化项进行聚类，在多个公共数据集上验证效果。

综述性总结

  • PCA、UMAP、t-SNE 等核心降维算法本周无新版本或显著改进发布。
  • Leiden/igraph 方向无更新公告。

🧪 3. 差异表达分析与标记基因

本周未有重大新进展，但有两项细胞类型注释相关方法发布。

  1. Cell Type Prediction for Single-Cell RNA Sequencing Utilizing Unsupervised Domain Adaptation and Semi-Supervised Learning
    期刊: Journal of Computational Biology | DOI: 10.1177/15578666261457147（2026-06-10）
    亮点: 结合无监督域自适应和半监督学习进行细胞类型预测，通过最大均值差异（MMD）对齐参考和查询数据的特征分布，在跨数据集、跨平台场景下保持较高的注释准确率。

  2. Context-Aware Self-Training Framework for Cell Type Annotation Using Marker Genes
    期刊: IEEE/ACM Transactions on Computational Biology and Bioinformatics | DOI: 10.1109/TCBBIO.2026.3688205（2026-04-28）
    亮点: 上下文感知的自训练框架，利用已知标记基因的先验知识作为初始化，通过迭代自训练逐步扩展到全转录组注释，有效缓解了标记基因稀缺场景下的细胞类型标注困难。

综述性总结

  • MAST、edgeR、limma-voom、pseudobulk 等经典差异表达方法本周无版本更新。
  • 无新的差异分析工具发布。

🔗 4. 轨迹推断与发育分析

本周是轨迹推断方向的突破性一周 —— RNA velocity 领域有两篇重要工作登上 Cell 和 Nat Commun。

RNA Velocity 重磅发表

  1. RegVelo: Gene-regulatory-informed dynamics of single cells
    期刊: Cell | DOI: 10.1016/j.cell.2026.04.022（2026-06-11）
    亮点: ⭐ 本周最重要工作。 RegVelo 将基因调控网络（GRN）先验显式嵌入 RNA velocity 框架，在速度估计中加入调控约束，解决了传统 velocyto/scVelo 方法忽略调控逻辑导致虚假速度的问题。该工作已在5月于 bioRxiv 发布预印本，此次正式发表在 Cell 标志着 RNA velocity 方法学从统计学模型向生物学先验驱动模型的范式转换获得广泛认可。（此前周报已覆盖预印本阶段，本期报道正式发表）

  2. ArchVelo: archetypal velocity modeling for single-cell multi-omic trajectories
    期刊: Nature Communications | DOI: 10.1038/s41467-026-74000-4（2026-06-06）
    亮点: 提出「原型速度建模」框架 ArchVelo，从多组学单细胞数据中学习「原型轨迹」（archetypal trajectories），在高维速度场中提取代表性路径。支持同时整合 scRNA-seq 和 scATAC-seq 的速度信号，为多模态轨迹推断提供统一框架。（上期报告未及收录，本期补报）

新轨迹推断方法

  1. FreeBridge: Variational Schrödinger Bridges for Cellular Transition Dynamics
    预印本: arXiv:2606.11286（2026-06-09）
    亮点: 变分薛定谔桥方法用于细胞状态转换动态推断。针对高通量成像 assay 中细胞被固定而无法追踪连续轨迹的根本难题，通过变分推断框架在对照和处理群体之间学习最优随机传输路径。相比传统 OT 方法，FreeBridge 在分布外扰动预测场景下表现更佳。

  2. A velocity-informed framework for resolving functional stratification in rare human stem cells
    期刊: Leukemia | DOI: 10.1038/s41375-026-02956-9（2026-06）
    亮点: 将 RNA velocity 信息融入罕见干细胞的功能分层分析框架，在人类造血干细胞和白血病干细胞中识别出传统聚类方法无法区分的功能层级，为血液系统精准医学提供新视角。

  3. Challenges and progress in RNA velocity: Comparative analysis across multiple biological contexts
    期刊: PLOS Computational Biology | DOI: 10.1371/journal.pcbi.1014303（2026-06）
    亮点: 系统比较 RNA velocity 方法（velocyto、scVelo、dynamo 等）在多种生物学场景下的性能，揭示了速度方法在分化轨迹简单/复杂、数据质量高/低等不同条件下的一致性和局限性。为实践者选择合适的 velocity 分析工具提供决策指南。

发育与分化的生物学应用

  1. Single-nucleus transcriptomics resolves multiple fate dynamics between inflorescence meristem and primary stem
    期刊: Science Advances | DOI: 10.1126/sciadv.aee2988（2026-06-19）
    亮点: 利用单核转录组学解析植物花序分生组织向初级茎分化的多路径命运动态，揭示了在植物发育中此前未知的中间细胞状态和分支分化轨迹。

综述性总结

  • Monocle 系列、Slingshot、PAGA、Palantir 等主流框架本周无版本更新。
  • velocyto、scVelo、CellRank 等 RNA velocity 工具无新版本发布。

🧩 5. 空间转录组学

本周空间转录组方向最活跃 —— 多项新方法预印本和正式发表集中出现。

新方法

  1. SPADE: A Deep Learning Framework for Spatial Mapping and Quantitative Cell-Cell Interaction Inference
    期刊: Advanced Science | DOI: 10.1002/advs.2025076142（2026-06-18）
    亮点: 深度学习空间映射框架，从 H&E 组织学图像同时预测空间基因表达和定量推断细胞-细胞相互作用（CCI）。SPADE 的独特优势在于端到端的学习范式——从组织学直接到空间表达谱和 CCI 网络，无需中间步骤。

  2. HiST: A Hierarchical Sparse Transformer for Cross-Modal Spatial Transcriptomics Modeling
    预印本: arXiv:2606.14251（2026-06-12）
    亮点: 层次化稀疏 Transformer 架构 HiST，专门解决全切片 H&E 图像到 ST 基因表达推断中的多尺度建模难题。通过稀疏注意力机制避免密集网格计算开销，同时保持跨模态翻译精度。

  3. SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation
    预印本: arXiv:2606.08712（2026-06-07）
    亮点: 样本特异的邻域回归 Mixup 数据增强方法，利用深度神经网络对 ST 缺失/低质量点的基因表达进行填补，在小样本场景下显著提升填补效果。

  4. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology
    期刊: Cell | DOI: 10.1016/j.cell.2026.05.031（2026-06-16）
    亮点: 提出细胞架构和邻域信息引导的虚拟空间肿瘤分析框架，从常规 H&E 病理切片推断空间肿瘤微环境特征。利用空间邻域信息增强虚拟分析精度，在无需 ST 实验的条件下实现接近 ST 分辨率的肿瘤空间分析。该工作是计算病理学与空间转录组学交叉方法的重大进展。

  5. MSCA-Net: Multi-Modal Cell Segmentation for Spatial Transcriptomics
    会议: AMIA Joint Summits on Translational Science 2026（2026-06）
    亮点: 面向 ST 数据的多模态细胞分割网络，同时利用基因表达和组织学图像信息实现更准确的细胞边界识别和空间定位。

  6. stGNN: Spatially Informed Cell-Type Deconvolution Based on Deep Graph Learning and Statistical Modeling
    期刊: Interdisciplinary Sciences | DOI: 10.1007/s12539-025-00728-0（2026-06）
    亮点: 将图神经网络与统计建模结合，基于空间信息指导的细胞类型去卷积方法，在低分辨率 ST 数据上实现了与单细胞分辨率相当的去卷积精度。

空间整合方法

  1. Atlas-Level Single-Cell and Spatial Transcriptomics Data Integration via PRIME
    预印本: bioRxiv | DOI: 10.64898/2026.05.20.726698（2026-06-04）
    亮点: PRIME 方法实现图谱级别的单细胞与空间转录组数据整合，支持迭代式锚点寻找和多数据集成，在大规模图谱数据上展现优异性能。

空间转录组的生物学应用

  1. Decoding regional keratinization in human oral mucosa through high-resolution spatial transcriptomics
    期刊: Scientific Reports | DOI: 10.1038/s41598-026-53276-y（2026-06-15）
    亮点: 通过高分辨率空间转录组学解码人口腔黏膜的区域角化差异，展示了 ST 技术在正常组织区域功能解析中的应用价值。

  2. Spatial Transcriptomics Delineates the Inflammatory Landscape of Human Dental Pulp: Regional Crosstalk and Therapeutic Implications
    期刊: International Endodontic Journal | DOI: 10.1111/iej.70200（2026-06-15）
    亮点: 首次在人类牙髓组织中应用空间转录组学，描绘炎症性牙髓的炎症景观和区域串扰模式，为口腔精准医学提供空间信息指导。

  3. Quantitative RNA spatial profiling using single-molecule RNA FISH on plant tissue cryosections
    期刊: Plant Communications | DOI: 10.1016/j.xplc.2026.101943（2026-06-08）
    亮点: 在植物组织冰冻切片上实现单分子 RNA FISH 的定量空间 RNA 分析，将高分辨率空间分析方法拓展到植物研究领域。

平台更新

  • SpatialData v0.7.3 不变（2026-05-06 发布），本周无新版本。

🤖 6. 深度学习方法与基础模型

本周是基础模型方向的方法论反思周 —— Nature Methods 和 Bioinformatics 连发多篇「元研究」性质的 scFM 工作。

基础模型评估与理解

  1. Evaluating the role of pretraining dataset size and diversity on single-cell foundation model performance
    期刊: Nature Methods | DOI: 10.1038/s41592-026-03120-y（2026-06-09）
    亮点: ⭐ 重要参考研究。 系统评估预训练数据规模（从 100 万到 1 亿细胞）和数据多样性对 scFM 下游性能的影响。核心发现：(1) 数据多样性比数据规模更重要——混合来自不同组织/物种的数据带来的提升远大于单纯扩大同一来源的数据量；(2) scFM 在细胞类型注释任务上的性能增益在预训练数据超过 1000 万细胞后趋于饱和；(3) 在跨物种泛化任务上，增加多样性持续带来改善。该工作为 scFM 的预训练策略设计提供了关键指导。

  2. Causal circuit tracing reveals distinct computational architectures in single-cell foundation models: inhibitory dominance, biological coherence, and cross-model convergence
    期刊: Bioinformatics | DOI: 10.1093/bioinformatics/btag379（2026-06-15）
    亮点: 利用稀疏自编码器（SAE）分解多个 scFM（scGPT、Geneformer、scBERT 等）的激活，首次通过因果回路追踪揭示 scFM 内部的计算架构差异。发现不同 scFM 呈现不同的抑制性回路占比、生物学一致性水平和跨模型收敛模式。这项工作开创了「神经网络可解释性 + 基础模型生物学评估」的交叉方向。

  3. Sparse autoencoders reveal interpretable cell-type programs in single-cell foundation model representations
    期刊: Journal of Biomedical Informatics | DOI: 10.1016/j.jbi.2026.105056（2026-05-18）
    亮点: 在 scFM 的隐藏表示上训练稀疏自编码器，成功分解出可解释的细胞类型程序（cell-type programs），每个 SAE 特征对应于特定的细胞状态或生物学过程。为 scFM「黑箱」表示提供机械可解释性工具。

scGPT 与架构优化

  1. Bayesian Hyperparameter Optimization Improves scGPT Fine-Tuning for Single-Cell Multi-Omics Integration
    期刊: Bioinformatics | DOI: 10.1093/bioinformatics/btag374（2026-06-12）
    亮点: 针对 scGPT 微调中超参数选择的瓶颈，提出贝叶斯超参数优化（BHO）策略。手动调参在多组学整合任务上高度敏感且不可复现，BHO 方法在 1/5 的搜索成本下达到了优于手动调参的整合效果。这项工作降低了 scFM 在具体任务上的调参门槛。

  2. scTransformer: Integrating gene regulatory priors into Transformer attention for interpretable scRNA-seq analysis
    预印本: arXiv:2606.09558（2026-06-08）
    亮点: 将基因调控先验显式注入 Transformer 注意力机制，在自监督预训练阶段利用已知 GRN 偏置注意力权重。相比标准 Transformer 架构，scTransformer 在基因表达预测和细胞类型分类任务上更可解释且更鲁棒——解决了「Transformer 忽略基因先验知识」的关键痛点。

新基础模型

  1. A generalizable Hi-C foundation model for chromatin architecture, single-cell and multiomics analysis across species
    期刊: Nature Methods | DOI: 10.1038/s41592-026-03097-8（2026-06-15）
    亮点: ⭐ 重要新模型。 面向 3D 染色质构象（Hi-C）的基础模型，首次将 Hi-C 基础模型的能力扩展到单细胞和跨物种多组学分析。该模型在染色质区室推断、TAD 边界预测、以及将染色质构象与 scRNA-seq 表达谱关联方面展现出强大的迁移能力。

  2. CAPTAIN: a multimodal foundation model pretrained on co-assayed single-cell RNA and protein
    期刊: Nature Communications | DOI: 10.1038/s41467-026-72882-y（2026-05-07）
    亮点: 在配对 scRNA-seq + 蛋白组（CITE-seq 类）数据上预训练的多模态基础模型。CAPTAIN 的独特之处在于仅使用共检测数据中的自然配对关系进行预训练（而非人工设计的对齐损失），在跨模态翻译和缺失模态预测上表现优异。

  3. RegFormer: a single-cell foundation model powered by gene regulatory hierarchies
    期刊: Nature Communications | DOI: 10.1038/s41467-026-72198-x（2026-05-05）
    亮点: 将基因调控层次结构（TF → 靶基因 → 通路）编码到 Transformer 架构中的基础模型。不同于传统 Transformer 的全连接注意力，RegFormer 的注意力掩码受先验调控层次约束，在 GRN 推断和扰动预测任务上有显著提升。

深度生成模型

  1. MANTRA: Interpretable multi-omics integration across mixed-order tensors
    期刊: Molecular Systems Biology | DOI: 10.1038/s44320-026-00223-8（2026-06-18）
    亮点: 基于混合阶张量分解的可解释多组学整合方法 MANTRA，可同时处理标量、向量和矩阵类型的不同组学数据。在配对 scRNA-seq + scATAC-seq 数据上实现了优于传统矩阵分解方法的可解释性和整合性能。

综述与评估

  1. Network Methods for Diagonal Integration of Unpaired Single-Cell Multi-Omics Data: A Review
    期刊: Bioinformatics | DOI: 10.1093/bioinformatics/btag353（2026-06-02）
    亮点: 全面综述基于网络方法的非配对单细胞多组学整合（Diagonal Integration），包括流形对齐、图匹配和谱方法等三类策略。特别关注质谱单细胞蛋白组学（scMS）因其破坏性导致无法与转录本共检测的独特挑战。

综述性总结

  • scFoundation、scBERT、UCE 等其他基础模型本周无重大更新公告。
  • 深度生成模型方向（VAE、Flow、Diffusion 在 scRNA 中的应用）除了 FreeBridge 和 MANTRA 外暂无其他重大进展。

🏥 7. 临床应用与转化

本周临床应用方向多篇论文发表，集中在肿瘤微环境解析和免疫治疗响应预测。

肿瘤微环境分析

  1. Single-Cell Reveal GALNT7-Dependent Ferroptosis Suppression as a Mechanism of Immunotherapy Resistance in Non-Small Cell Lung Cancer
    期刊: Advanced Science | DOI: 10.1002/advs.2025076082（2026-06-19）
    亮点: 利用 scRNA-seq 揭示 GALNT7 依赖的铁死亡抑制是非小细胞肺癌免疫治疗耐药的新机制。通过单细胞分辨率下的代谢通路分析发现 GALNT7 高表达肿瘤细胞通过抑制铁死亡逃逸 T 细胞杀伤，为联合靶向治疗提供新靶点。

  2. Single-cell and spatial transcriptomics reveal lactate-active epithelial-immune cell crosstalk that reprograms the immune microenvironment in colorectal cancer
    期刊: Translational Oncology | DOI: 10.1016/j.tranon.2026.102864（2026-06-19）
    亮点: 整合 scRNA-seq 和空间转录组学揭示结直肠癌中乳酸代谢活跃的上皮-免疫细胞串扰重塑免疫微环境的机制。乳酸代谢活跃的肿瘤上皮细胞通过招募抑制性免疫细胞形成免疫抑制微环境。

  3. Integrative single-cell and spatial transcriptomic analysis reveals that ATG13 enriched in cancer-associated fibroblasts is associated with the suppressive immune microenvironment
    期刊: Discover Oncology | DOI: 10.1007/s12672-026-05386-2（2026-06-16）
    亮点: 整合 scRNA-seq 与空间转录组学发现癌症相关成纤维细胞中 ATG13（自噬相关基因）富集与免疫抑制微环境相关，为肿瘤基质的免疫调控提供新见解。

  4. MICA/MICB-Mediated NKG2D Immune Escape in Cervical Cancer: Single-Cell Transcriptomic Mapping of Radionuclide Therapy Targets
    期刊: Cancer Biotherapy and Radiopharmaceuticals | DOI: 10.1177/10849785261458459（2026-06-13）
    亮点: 通过 scRNA-seq 转录组图谱绘制宫颈癌中 MICA/MICB 介导的 NKG2D 免疫逃逸机制，为放射性核素治疗的精确定位提供单细胞分辨率依据。

疾病亚型与分类

  1. Identifying breast cancer subtypes and exploring spatial expression patterns of the key subtype-specific gene
    期刊: Breast Cancer | DOI: 10.1007/s12282-026-01883-y（2026-06-18）
    亮点: 整合病理图像、scRNA-seq 和空间转录组数据鉴定乳腺癌分子亚型及其空间表达模式，为预后分型提供空间信息增强。

  2. Systems biology and single-cell transcriptome analysis identify potential therapeutic targets and impaired neurogenesis in human cortical development
    期刊: Molecular Diversity | DOI: 10.1007/s11030-026-11612-4（2026-06-19）
    亮点: 系统生物学与 scRNA-seq 联合分析鉴定人类皮层发育中神经发生受损的潜在治疗靶点，展示了 scRNA-seq 在发育神经生物学中的转化应用。

药物响应与精准医学

  1. Integrating single-cell atlases and machine learning to construct ‘in silico patients’ for predicting individualized drug responses
    期刊: Biochemical Pharmacology | DOI: 10.1016/j.bcp.2026.117873（2026-06）
    亮点: 整合单细胞图谱与机器学习构建「计算机模拟患者」，通过将 scRNA-seq 图谱的细胞状态信息映射到个体患者，实现个性化药物响应预测。展示了 scRNA-seq 图谱在精准医学中的桥梁作用。

综述性总结

  • 疾病亚型分类、药物响应预测方向本周无重大新工具发布。
  • 临床 scRNA-seq 数据分析流程优化方面无新公告。

🔧 8. 综合工具与平台

本周主流框架（Seurat、Scanpy、scvi-tools）无新版本发布，生态持续稳定。多模态整合和交叉组学方法有零星进展。

工具版本状态

工具 当前版本 发布日期 本周变化
Scanpy 1.12.1 2026-04-10 无新版本
Seurat v5.5.0 2026-04-22 无新版本
scvi-tools v1.4.3 2026-05-12 无新版本
SpatialData v0.7.3 2026-05-06 无新版本

多模态整合

  1. RegFormer 和 CAPTAIN（参见第6节）——分别是基于基因调控层次和自然配对共检测数据的多模态基础模型，代表了多模态整合在「先验知识驱动」和「数据驱动」两条路线的最新进展。

  2. MANTRA: Interpretable multi-omics integration across mixed-order tensors
    期刊: Molecular Systems Biology | DOI: 10.1038/s44320-026-00223-8（2026-06-18）
    亮点: (已在上节报道) 混合阶张量分解框架，可同时整合标量、向量和矩阵类型组学数据，在配对和非配对场景下均有良好表现。

  3. Network Methods for Diagonal Integration of Unpaired Single-Cell Multi-Omics Data: A Review
    期刊: Bioinformatics | DOI: 10.1093/bioinformatics/btag353（2026-06-02）
    亮点: (已在上节报道) 单细胞多组学非配对整合方法的系统综述，涵盖流形对齐、图匹配和谱方法三大范式。

工具与流程

  1. T2Pdecoder enables protein-centric analyses from transcriptomic data
    期刊: Nature Communications | DOI: 10.1038/s41467-026-74209-3（2026-06-11）
    亮点: T2Pdecoder 从转录组数据解码蛋白质水平的分析，利用预训练模型在 RNA 和蛋白质之间建立桥接映射。虽然不是专门为 scRNA-seq 设计，但其在单细胞分辨率下的蛋白丰度推断能力可补充 scRNA-seq 到蛋白质组学的翻译。

  2. Single-cell multimodal profiling of pan-cancer cell lines uncovers gene regulatory principles underlying intrinsic cell states and environmental features
    预印本: bioRxiv | DOI: 10.64898/2026.05.31.729161（2026-06-03）
    亮点: 跨癌种细胞系的单细胞多模态分析图谱（scRNA + scATAC），揭示了内在细胞状态和环境因素共同调控基因调控原理。该图谱数据集本身可成为 scRNA-seq 方法开发和验证的重要资源。

  3. ChatMDV: Reducing Technical Barriers in Bioinformatics Analysis using Large Language Models
    期刊: GigaScience | DOI: 10.1093/gigascience/giag073（2026-06-19）
    亮点: 利用 LLM 降低生物信息学分析的技术门槛，支持自然语言驱动的单细胞分析任务执行。虽然不直接是 scRNA-seq 方法工具，但代表了生物信息学工具易用性的发展方向。

数据库与数据标准

  1. Cross-species integration of single-cell data reveals conserved pathology-associated cell populations across animal models
    期刊: Cell Reports Methods | DOI: 10.1016/j.crmeth.2026.101469（2026-06-03）
    亮点: 跨物种 scRNA-seq 数据整合方法，在多种动物模型中发现保守的病理相关细胞群，为利用动物模型研究人类疾病提供细胞层面的一致性证据。该工作也是跨物种整合方法的方法学验证。

综述性总结

  • CITE-seq 相关新方法本周无独立新工具发布。
  • scATAC-seq + scRNA-seq 整合方面，TraceBind（偏向校正）、ArchVelo（多模态速度）和 MANTRA（张量整合）构成间接进展。
  • cellxgene、Giotto Suite、Squidpy 等其他主流平台本周无版本更新公告。

📊 本周趋势总结

方向 活跃度 关键趋势
🧬 预处理与质控 🟡 中等 批次效应可视化（scMEDAL）和 ATAC 偏向校正（TraceBind）有新进展
🔬 降维与聚类 🟢 活跃 深度学习聚类方法爆发（scGTN、scLLM-DSC、scMagnifier、GCLSC）
🧪 差异表达 ⚪ 平淡 细胞类型注释方向有零星方法，无核心工具更新
🔗 轨迹推断 🟢 高度活跃 RegVelo 和 ArchVelo 正式发表，FreeBridge 新方法
🧩 空间转录组 🟢 高度活跃 SPADE、HiST 等多项新方法，Cell 发表虚拟空间分析
🤖 基础模型 🟢 高度活跃 Nature Methods 连发关键评估，方法论反思趋势明显
🏥 临床应用 🟡 中等 肿瘤微环境 scRNA-seq 分析多篇发表，机制研究为主
🔧 综合工具 ⚪ 平淡 主流框架无版本更新，生态趋于稳定

核心观察: 1. RNA velocity 方法的成熟化：RegVelo 和 ArchVelo 分别被 Cell 和 Nat Commun 接收，标志着 RNA velocity 从方法学探索进入主流应用阶段。速度建模正从纯统计方法（velocyto）→ 动力学建模（scVelo）→ 先验增强（RegVelo）→ 多模态整合（ArchVelo）演化。 2. 基础模型研究重心转移：从「训练更大的模型」转向「理解/优化/评估现有模型」——Nature Methods 的预训练规模评估和 Bioinformatics 的因果回路追踪代表了这一趋势。单细胞基础模型社区正经历类似 NLP 领域的「BERTology」阶段。 3. scRNA-seq + 空间 + 临床的三角融合趋于成熟：多篇论文在空间转录组学与 scRNA-seq 的整合框架下进行肿瘤微环境研究，从方法开发走向生物学发现和临床转化。 4. 深度学习聚类方法进入繁荣期：集成 LLM 语义知识（scLLM-DSC）、图 Transformer（scGTN）、GRN 先验（scMagnifier）等多种创新策略本周集中发布，聚类方法正从单一统计范式走向多元化深度学习时代。

报告自动生成于: 2026-06-20
覆盖周期: 2026年6月7日 – 6月20日
数据来源: PubMed API、arXiv API、GitHub API
下一期预计: 2026-06-27