MOSS-TTS系列是MOSI.AI与OpenMOSS联合推出的多模型语音生成工具，克服了单一模型在复杂场景中的局限，支持高保真语音、对话和实时交互，适用于多种语言和风格切换。

地球上99.999%的生物是微生物，研究者们开始探索其多样性。麻省理工学院的黄云哈教授利用计算方法研究极端环境中的微生物，开发基因组语言模型，以理解微生物的功能和进化关系。微生物在碳固定和营养循环中发挥重要作用，理解其机制对应对气候变化和感染性疾病至关重要。

单细胞RNA测序（scRNA-seq）技术能够捕捉单个细胞的基因表达信息，但聚类分析存在挑战。研究团队提出了新型孪生聚类框架scSiameseClu，集成双重增强、孪生融合和最优传输聚类模块，显著改善聚类结果，提高细胞分类准确性。该框架在多个真实数据集上优于现有方法，为细胞异质性解析提供了新工具。

密苏里大学研究人员开发了一种先进的人工智能工具，能够预测单个细胞内染色体的三维结构。这一创新为基因组织和功能提供了重要见解，显著推动了遗传和生物医学研究。该工具能有效解析噪声和不完整数据，准确识别生物结构，分析人类单细胞数据的准确率超过以往方法的两倍。研究团队计划进一步提升该工具，以重建整个基因组的高分辨率结构。

本文介绍了UDA-seq技术，该技术通过液滴微流控实现高通量单细胞多模态测序，显著提升癌症研究的效率与准确性，尤其在识别稀有细胞亚群和癌细胞脆弱性方面表现优异，为临床研究提供了新思路。

麻省理工学院研究人员开发了ChromoGen，一种利用生成式人工智能预测单细胞染色质构象的新方法。该技术能在几分钟内生成数千个3D基因组结构，显著提升研究效率，并捕捉细胞特异性的染色质结构，为基因调控和功能研究提供新机遇。

浙江大学药学院开发的scNiche计算框架能够有效识别和表征单细胞空间组学数据中的细胞生态位。该框架通过多视角特征整合，显著提升了细胞微环境的识别能力，已在多种数据集上验证其优越性，并在乳腺癌和肝损伤研究中展现应用潜力。

研究团队开发了多组学单细胞最优传输（Moscot），有效分析细胞发育轨迹并支持多模态数据整合，克服了现有方法的局限，提升了单细胞基因组学的研究能力，有助于理解器官发育和疾病机制。

该论文介绍了MATES，一种基于深度学习的单细胞转座子定量工具。MATES通过分析独特比对读段的分布，精确分配多重比对读段，解决了转座子定量中的挑战。该方法在多个单细胞测序平台上验证，推动了转座子在基因调控研究中的应用。

单细胞基因组学推动了细胞行为理解和精准医疗的发展，但现有单细胞测序技术存在局限。最优传输（OT）方法有效，但传统求解器在可扩展性和隐私方面存在问题。基于神经网络的OT求解器灵活性不足。我们的方法通过学习随机映射，放宽质量守恒约束，结合二次求解器，提供了灵活有效的框架，展示了在细胞发展和药物反应建模等领域的应用潜力。

北京大学陈语谦教授团队在《Nature Communications》发表论文，介绍了一种新型多模态整合方法Monae。该方法通过模态联结自编码器整合和插补多模态单细胞数据，提高细胞表示的准确性。Monae在多个数据集上表现优异，支持模态内和跨模态插补，促进细胞类型识别。其变体Monae-E提供更快收敛和可解释性。