企业官网建设流程全解析

第 000 期 | 2026.10.12–2026.10.18

科研圈最近发生了啥？有些事，我们要知道！

每周的新论文实在太太太太太太太太太多啦！别说每篇都认真读，就是光把目录刷完，可能都得先给自己做点心理建设😭！

所以，咱们「要知道」决定！新开一个栏目 —— 前沿「要」闻！从最新的大刊和各领域重要期刊里，挑几篇值得大家停下来看看顺手想一想的研究。不管是技术上有新突破的，还是和 AI、生物信息学、计算生物学、肿瘤、神经等等有关的，又或者单纯就是超有意思的，都有机会入选哟！

这周，咱们就先从能催化反应的人工蛋白、会产热的脂肪、给胰岛配上血管能带来什么变化等等这些开始吧！

本期 Top 3

1. 最值得关注的技术推进：RFdiffusion3 与蛋白酶设计
AI 正在更精细地安排催化所需的原子，并把设计变成能在实验里工作的酶。

2. 最让人“还能这么搭？”：血管化胰岛类器官
把胰岛类器官和血管类器官一起培养，让移植组织既有功能细胞，也有接入宿主循环的血管网络。

3. 和大家最有关系：10 万余人的棕色脂肪研究
某些脂肪负责消耗能量产热；它与健康的联系，可能比我们原先关注的更广。

注意注意：这里的 Top 3 是本栏目按不同阅读理由作出的推荐，绝对绝对绝对不是论文质量排行榜哟！

01｜RFdiffusion3：AI 设计开始更精细地安排催化原子

Science | Atomic functional site scaffolding in biopolymers with RFdiffusion3 | 2026.10.15

Nature | Computational design of metalloproteases | 2026.10.14

原文链接：https://doi.org/10.1126/science.aeh2982；https://doi.org/10.1038/s41586-026-11167-2

一句话介绍：要让一个新蛋白真的能催化反应，光“长得像”还不够；AI 开始把关键原子摆到合适的位置，再去实验里检查它能不能干活。

咱们先从蛋白设计看起。要让一个新蛋白催化反应，得把参与反应的化学基团、金属离子和底物安排好。大家可以想象一下：底物放过来了，但参与反应的几个原子没对准，反应还是做不起来呀！Science 的 RFdiffusion3 用原子级生成方式处理这些约束，并实验获得了有活性的磷酸三酯酶和针对转甲状腺素蛋白的锌蛋白酶。[1]

图1｜把原子条件带入蛋白设计

大家看上面一排，先把指定的原子条件带进骨架生成，再接序列设计和结构预测；下面则展示氢键、溶剂可及性等不同的约束。咱们关心的活性位点，就需要在这些空间条件下放进一个完整蛋白里。这里展示的是作者公开的设计流程示意。

这一周还有一篇 Nature，也在琢磨怎样设计能切断肽键的金属蛋白酶：把活化水分子的锌催化中心与肽底物结合位点一起设计，获得能够切断肽键的人工酶。两篇放在一起读，可以看看它们各自怎样安排催化位点，又怎样用实验检验设计。[2]

图2｜把催化位点装进蛋白骨架（Fig. 1b、c）

这张图来自另一篇金属蛋白酶论文。左边把催化基团与底物的位置先安排好，右边则示意蛋白骨架的生成过程。咱们看的是设计思路，酶到底能不能切，还要靠后面的活性实验来检验哟！

做 AI 蛋白设计的小伙伴，看到这里是不是很想点开原文啦！这里最想和大家一起看的，是那些输入给模型的原子位置要求，最后怎样变成实验里测得到的活性。假如以后想按目标定制一把“蛋白剪刀”，光能切还不够，得切对对象才行。

接下来就有几个很具体的问题了：周围混着很多其他蛋白时，还能切得准吗？活性和稳定性怎么样？递送之后还能不能工作呢？从现在的实验设计走向实际应用，这些都得接着做。

02｜长期运动：身体各处的变化，可以放在一张图谱里看啦！

Cell | Multi-omics atlas of chronic exercise | 2026.10.15

原文链接：https://doi.org/10.1016/j.cell.2026.09.044

一句话介绍：让小鼠自主跑轮 8 周，再把多个组织的 RNA、蛋白、代谢物和部分细胞的 DNA 甲基化一起看，研究人员发现，运动适应很看组织、性别和取样时相。

说完蛋白设计，咱们来看看运动！都知道运动会影响身体，但肌肉、肝脏和其他组织，到底是不是在用同一种方式适应呢？这项研究取了小鼠的 22 种组织及血浆，在活跃期和非活跃期采样，并组合多种组学；不同检测覆盖的组织范围并不完全相同。骨骼肌的转录变化最明显，单细胞核分析还分辨出组织平均值容易掩盖的细胞类型相关变化。[3]

图3｜8 周跑轮训练与活动节律（Fig. 1A–C）

左边先把实验安排说清楚：从 10 周龄到 18 周龄，一组保持静息，另一组可以自主跑轮。中间记录累计跑动距离，右边按一天中的时间看跑轮活动；M 和 F 分别表示雄性和雌性。先看清怎么运动、什么时候活动，再往下理解组学差异，就容易多啦！

做多组学的小伙伴可以多停一下，看看表达、甲基化和细胞类型在这里是怎样对起来的。要是咱们自己来设计运动、代谢或者衰老实验，取样时还有件事得记着：采样时间和性别，可能直接影响我们看见的“运动效应”。

大家可能已经想问了：那到底早上练好，还是晚上练好呀？这篇比较的是活跃期和非活跃期取样时的分子特征，还没有安排不同运动时间来直接比效果。倒是可以先把图谱收藏起来，继续看看这些小鼠中的变化，哪些在人类、不同年龄和不同运动方式中也能找到。

03｜棕色脂肪：它与健康的联系，不止血糖这一项

Nature | Artificial intelligence-enabled clinical phenotyping of human brown fat | 2026.10.14

原文链接：https://doi.org/10.1038/s41586-026-11162-7

一句话介绍：研究把 10 万余人的临床资料与影像结合起来，发现能检测到棕色脂肪的人，部分心血管、代谢及精神疾病诊断更少；这为理解脂肪功能提供了新线索。

小小知识要知道｜棕色脂肪是什么？

我们常说的白色脂肪主要储存能量；棕色脂肪则可以消耗能量产热。因此，研究脂肪，除了关心“有多少”，还得关心“是哪一种、在哪里、在做什么”。

脂肪是不是越少越好？先别急，咱们得看看是哪一种脂肪！以往的大规模研究常把棕色脂肪分成“检测到”和“没检测到”，但它长在哪里、有多活跃，还可以再往细了看。这次研究分析了来自一家大型癌症中心的101,243 人，其中 8,897 人有棕色脂肪阳性影像记录；又用机器学习半自动量化了 8,709 人的棕色脂肪活性。[4]

图4｜AI 怎样量化棕色脂肪活性（Fig. 2a–b）

咱们看图的左边，先把 PET 与 CT 影像结合起来，再用 AI 分割棕色脂肪所在的区域；不同颜色对应不同解剖部位。右边接着交代怎样量化活性，再分析它与临床结果的关联。这样，原先“检测到还是没检测到”的信息，就能进一步细化到“在哪里、有多活跃”啦！研究在匹配及调整相关因素后，仍观察到棕色脂肪与多种诊断较低的患病优势相关，包括部分心血管疾病、焦虑和抑郁相关诊断。这里比较的是临床记录中的关联，不是给同一个人增加棕色脂肪以后，疾病风险就一定下降。[4]

有意思的地方就在这里：原本从产热和代谢看棕色脂肪，这次还看到了更多疾病诊断的关联。做临床影像的小伙伴，也可以看看 AI 怎样帮助量化这类生理信息。至于标题里说的“值得留下”，咱们说的是重新认识脂肪的功能，可不是让大家多长点肉哈！

这批资料来自癌症中心，患者的治疗、疾病状态和检查条件都要考虑进去。换一批人，还能看到同样的关联吗？如果主动改变棕色脂肪的活性，健康指标会怎样变化？这些问题，得靠后面的独立人群和干预研究接着回答。

04｜微外显子：短短几位碱基，也值得重新查一遍

Nature | A microexon regulatory code reveals autism-linked genetic variation | 2026.10.14

原文链接：https://doi.org/10.1038/s41586-026-11119-w

一句话介绍：一些非常短的外显子容易被漏掉；研究扩展了它们的目录，再用模型分析周围序列，寻找可能影响剪接、并与自闭症相关的遗传变异。

小小知识要知道｜微外显子有多“微”？

RNA 加工时，一些片段会被拼进成熟转录本。本文关注的神经元微外显子只有 3–27 个核苷酸。短，不代表作用小：已研究的部分例子会影响蛋白之间的相互作用。

接着来看一个小得很容易漏掉的东西——微外显子！做遗传分析时，大家可能遇到过：找到一个非编码区变异，可它到底影响什么呢？这项研究从多批组织和单细胞核 RNA 数据中发现了1,514 个此前未收录于 GENCODE 或 VastDB 的人类微外显子，并建立模型刻画其剪接调控序列，再分析自闭症相关队列的变异。[5]

图5｜微外显子的识别与特征（Fig. 1a–d）

咱们先看左边的示意，再看右边 Known、New 和 Undetected 几组的比较。后面的图分别看剪接位点和序列保守性等特征。想解释变异会怎样影响剪接，得先把那些容易漏掉的小片段找出来呀！

做 RNA-seq、全基因组测序和神经遗传的小伙伴，这篇可以记一下！我们平时分析时很依赖已有注释；如果某个小片段本来就没被收进去，围着它发生的变化也容易被漏掉。有些看着“离编码区有点远”的变异，可能正是通过影响剪接起作用。

那模型挑出的变异，真的会改变剪接吗？改变以后，又怎样影响细胞功能呢？顺着这些线索做实验，才有机会把预测一步步接到疾病机制上；用于个体诊断还得有更完整的证据。

05｜癌症恶病质：从一次“瘦了”，追到一段变化过程

Nature Medicine | A health-system-scale, episode-resolved multimodal atlas of cancer cachexia | 2026.10.12

原文链接：https://doi.org/10.1038/s41591-026-04689-9

一句话介绍：研究把 5 万余名癌症患者的体重变化按时间分段，再对齐化验、肿瘤基因和疾病进展，尝试更早识别接下来可能出现明显消瘦的人。

接下来这篇，咱们从临床记录里很常见的体重说起。患者瘦了，是什么时候开始瘦的？持续了多久？如果只在表格里标一个“有或没有恶病质”，这些过程就看不见啦。这项研究使用52,236 名患者的纵向资料，识别符合体重下降标准的时间段；这些时间段常与疾病进展重叠，也伴随跨癌种较一致的血液指标变化。风险预测还在另一中心的 5,785 人队列中进行了外部验证。[6]

图6｜从体重轨迹识别下降事件（Fig. 2a）

图中的体重曲线示意如何识别一段符合标准的下降事件，阴影帮助标记相应的时间区间。这里识别的是符合研究所用体重下降标准的区间；完整临床评估还涉及肌肉、功能和具体病因。

做临床数据的小伙伴，可以看看这种“按时间段来整理”的做法。同样是体重记录，保留变化过程以后，就能继续问：它和哪些化验变化、肿瘤特征、疾病进展发生在一起？对患者和家属来说，持续的体重变化也值得及时评估。

如果能提前预警，下一步该做什么呢？这才是大家最关心的实际问题。还需要前瞻性研究看看，预警后安排评估和干预，能否改善患者结局；也要继续分清营养摄入、治疗和肿瘤本身各自的影响。

06｜血管化胰岛：把“供血”一起培养进去

Cell Stem Cell | Organotypic vascularization improves maturation of human stem cell-derived islets and restores normoglycemia in diabetic mice | 2026.10.16

原文链接：https://doi.org/10.1016/j.stem.2026.09.011

一句话介绍：把人干细胞来源的胰岛类器官与血管类器官共同培养，研究获得了带血管网络的胰岛；移植到糖尿病小鼠皮下后，它们能接入宿主循环，并恢复长期正常血糖。

最后来看看胰岛！在培养皿里长出来了，移植以后能不能活下来呢？细胞还得有供血呀。研究把胰岛类器官与血管类器官共同培养，让毛细血管网络进入胰岛结构。血管呈现部分胰岛特异性内皮特征，β 细胞的成熟度部分改善，对缺氧和内质网应激的抵抗也增强了。[7]

图7｜胰岛类器官中的血管网络（Fig. 1C、D）

大家看红色的 CD31 血管标记和绿色的胰岛素报告信号。和左边未血管化的 PIO 相比，VPIO 中能看到围绕并进入胰岛结构的血管网络；右边再用三维重建展示它们的空间关系。这样就比较直观啦：培养出来的两类组织，确实在结构上结合到了一起。移植后调节血糖的结果，则来自论文后续的小鼠实验。

这个搭配就挺有意思！培养胰岛的时候，把支持它生存的血管也一起安排进去，再看看移植后能不能接上宿主循环、发挥调节血糖的功能。做其他类器官的小伙伴，是不是也会想到自己那块组织的供养问题呢？

这里恢复血糖的移植实验是在糖尿病小鼠里做的。以后如果要走向人体，免疫相容性、长期安全性，以及每一批能不能稳定地做出来，都还要接着研究。先记住这次的进展：把血管和胰岛一起培养，再用小鼠移植检验了它的功能。

本周「要」选

AI × Biology 本周之选

Atomic functional site scaffolding in biopolymers with RFdiffusion3

把功能位点的原子约束与实验活性接到一起，值得做蛋白设计的小伙伴继续追踪。

生信人建议收藏

A microexon regulatory code reveals autism-linked genetic variation

先扩展注释，再解释剪接与遗传变异，提醒我们分析工具能看见什么，也会影响最后得出什么结论。

最让人“还能这么搭？”

Organotypic vascularization improves maturation of human stem cell-derived islets and restores normoglycemia in diabetic mice

把供血结构纳入培养设计，再用小鼠移植功能检验，让“长得像组织”向“能够发挥功能”多走一步。

最有传播潜力

Artificial intelligence-enabled clinical phenotyping of human brown fat

从“脂肪都想减”切入，能引出脂肪功能的差异；传播时也值得认真讲清人群关联与干预效果的距离。

以上奖项仅为「要」闻编辑部对本期入选研究的阅读推荐，不代表学界共识或大众意见，也不构成临床与健康建议。

总结与展望

好啦，这周先看到这里！这几篇里，俺觉得有个地方挺值得咱们再想一想：有些信息，平时整理数据时很容易被我们合并掉。运动实验的取样时相、细胞类型，棕色脂肪的位置和活性，还有患者体重下降的具体时间段……分开以后，原先一个平均值、一个标签里藏着的差别，才有机会被看见。

不过，能看得更细，后面的问题也更具体啦！例如恶病质研究，如果模型能提前提示体重下降，医院接下来安排什么评估和干预，才能真正帮到患者？胰岛和血管一起培养以后，换到更接近临床使用的条件，还能不能稳定发挥功能？这些都是咱们想继续跟下去的。

这期如果只能挑一篇细读，你会选哪篇嘞？做 AI 蛋白设计的、做 RNA 和遗传的、做临床数据的，估计各有各的心头好哈哈哈哈！

还有还有，大家最想看哪篇文章的“要读文献·长篇大论·精解版”呢？欢迎告诉我们哟！

文末碎碎念

那今天的分享就到这里啦！我们下期再见哟！

最后顺便给自己推荐一下嘿嘿嘿！

如果我的分享对你有用的话，欢迎关注点赞在看转发分享阿巴阿巴阿巴阿巴巴巴！这可是我的第一原动力！

蟹蟹你们的喜欢和支持！！！

参考资料

1. Butcher J, et al. Atomic functional site scaffolding in biopolymers with RFdiffusion3. Science. 2026. https://doi.org/10.1126/science.aeh2982.
2. Chen A, et al. Computational design of metalloproteases. Nature. 2026. https://doi.org/10.1038/s41586-026-11167-2.
3. Maier G, et al. Multi-omics atlas of chronic exercise. Cell. 2026. https://doi.org/10.1016/j.cell.2026.09.044.
4. Gómez-Banoy N, et al. Artificial intelligence-enabled clinical phenotyping of human brown fat. Nature. 2026. https://doi.org/10.1038/s41586-026-11162-7.
5. Parada GE, et al. A microexon regulatory code reveals autism-linked genetic variation. Nature. 2026. https://doi.org/10.1038/s41586-026-11119-w.
6. Castillon VJ, et al. A health-system-scale, episode-resolved multimodal atlas of cancer cachexia. Nature Medicine. 2026. https://doi.org/10.1038/s41591-026-04689-9.
7. Wang J, et al. Organotypic vascularization improves maturation of human stem cell-derived islets and restores normoglycemia in diabetic mice. Cell Stem Cell. 2026. https://doi.org/10.1016/j.stem.2026.09.011.