初创公司Tahoe Therapeutics融资3000万美元，旨在构建10亿个单细胞数据集，开发AI模型模拟活细胞，以寻找癌症新疗法。该公司已研发候选药物，并进行FDA前研究，致力于提高肿瘤学研究效率。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

C2S-Scale是与耶鲁大学合作开发的开源大型语言模型，能够将单细胞生物数据转化为易懂的“细胞句子”。研究人员可以询问细胞状态，获取清晰的生物学答案，促进药物开发、个性化医疗和科学传播。

剑桥大学研究团队提出了Celcomen虚拟组织模型，实现了空间转录组学中的因果推断可识别性。该模型能够估计环境对单细胞的影响，并推测细胞对环境的作用，推动对细胞间复杂相互作用的理解。Celcomen结合拉格朗日力学和因果推断，展现出强大的自洽性和可识别性，具有重要的生物医学应用潜力。

该研究解决了现有单细胞分析方法中缺乏有效多模态处理的问题。通过提出单细胞多模态生成预训练变换器（scMMGPT），结合了细胞数据和文本的最新预训练语言模型，实现了跨模态知识共享。研究表明，scMMGPT在共同的细胞和文本任务中显著提升了性能，特别是在细胞描述生成和细胞类型标注等方面表现优异。

本研究提出了一种新的潜在编码scDD框架，旨在解决单细胞RNA测序数据的高维稀疏性和批次效应问题，能够有效压缩数据并生成合成数据集，从而显著提升分析性能。

本研究提出了一种新方法——自适应局部主成分分析（AdaL-PCA），用于分析单细胞转录组测序数据，能够准确估计数据流形的内在曲率，揭示细胞分化中的关键变化。

本研究提出了一种新方法scBIT，将功能性磁共振成像与单细胞转录组学相结合，显著提升了阿尔茨海默病的预测精度，并揭示了脑区与基因之间的复杂关系。

该研究提出了一种新颖的图神经网络模型，有效解决了单细胞RNA测序在肿瘤微环境中细胞异质性研究的空间背景和数据完整性问题，平均准确率达到84.83%。

本研究解决了在复杂活体组织中定量表皮细胞特性的需求，提出了一种高分辨率三维成像和深度学习辅助的细胞分割的新方法。研究结果展示了这项技术在准确量化活体组织中的荧光标记单细胞方面的潜力，能够为其他需要三维复杂分析的组织研究提供重要的参考。

本研究提出了InstructCell，一个多模态人工智能助手，旨在提高单细胞RNA测序数据分析的效率。InstructCell通过自然语言指令实现灵活分析，性能优于现有模型，为研究人员提供了直观的工具。

本研究提出了一种创新的混合方法，将大型语言模型与特定领域表示模型结合，显著提升了单细胞组学数据解析的准确性和互操作性，为跨物种遗传分析提供了强有力的框架。