研究专题概述
背景
空间与单细胞组学技术的快速发展通过在原生组织微环境中实现基因表达和蛋白质丰度的高分辨率分析，彻底改变了分子生物科学。尽管这些技术具有变革潜力，但这些数据本质上具有异质性，为数据整合和生物学解释带来了重大挑战。本研究专题将探索从统计协调到深度学习的计算建模策略，旨在统一多模态组学数据。通过将实验分析与数据驱动方法相结合，我们旨在生成可重现的分子图谱，揭示组织结构、细胞类型组成以及与疾病相关的改变，最终增进对复杂生物系统的理解。
本研究专题致力于推进跨平台和条件的空间与单细胞组学数据的整合建模策略。尽管近期取得进展，该领域仍缺乏标准化的归一化、批次校正和跨模态整合方法——这些是构建可靠参考图谱的关键步骤。我们邀请提交开发、验证或应用计算方法的研究成果，包括机器学习、神经网络和统计框架，用于建模空间分辨分子数据。这包括神经科学领域的应用，如绘制脑细胞异质性图谱、解析神经元和胶质细胞亚型、重建空间脑图谱，以及研究神经发育和神经退行性疾病的机制。重点将放在提高可重复性、改善生物学推断并支持构建稳健分子图谱的方法上。通过促进跨学科对话，本专题旨在加速开发可扩展、可推广的空间组学分析工具。
我们邀请提交专注于空间与单细胞组学数据整合、归一化和解释的计算、统计及人工智能方法的研究成果。研究主题包括：
- 空间与单细胞数据集整合算法的开发与验证
- 用于空间模式发现的机器学习与深度学习模型
- 多组学数据融合与表征学习
- 参考图谱构建与跨平台数据协调
- 组织生物学和疾病研究中实验与计算建模的结合应用
- 神经回路组织研究、脑微环境中细胞间通讯分析，以及认知能力下降和脑部疾病的分子变化机制
可接受的稿件类型包括原创研究、方法论文、综述、数据报告和观点文章，以推动分子生物科学中的计算建模发展。特别鼓励连接实验与计算方法的跨学科研究。
文章类型与费用
本研究专题接受以下文章类型（除非研究专题描述中另有说明）：
- 简明研究报告
- 编者按
- FAIR² 数据
- FAIR² 数据直接提交
- 普通评论
- 假设与理论
- 方法学
- 简明综述
- 观点
- 原创研究
- 政策简报
- 综述
- 技术与代码
经外部编辑严格同行评审后被接受发表的文章，将向作者、机构或资助方收取出版费。
关键词
计算生物学、生物信息学、数据科学、数据整合、机器学习、算法、多组学、系统生物学、基因组学、转录组学、单细胞
重要说明
所有提交至本研究专题的稿件必须符合其提交的期刊和栏目范围，如使命声明中所定义。前沿期刊保留权利在同行评审的任何阶段将范围外的稿件引导至更合适的栏目或期刊。
【全文结束】
