1單細胞生物學

SARAH TEICHMANN（劍橋大學韋爾科姆基金會桑格學院，細胞遺傳學負責人）

過去的十年里，研究人員一次性可以分析的單細胞數量有了巨大的增長。由于捕獲細胞技術的智能化改進，這個增長趨勢將會繼續保持下去。隨著測序的分辨率和成像技術的提高，我們能以更高的分辨率研究更復雜的樣本，并且進行不同種類的實驗。這意味著，我們將能夠更好地控制人口多樣性，也將能夠描繪更多的發育時間點、組織和個體，以此增加分析的統計意義。

2改進基因編輯技術

KIM JIN-SOO（首爾國立大學基礎科學研究所基因組工程中心主任）

第一代CRISPR基因編輯技術使用了核酸酶Cas9，在特定位點切割DNA。但許多CRISPR系統正在嘗試用新變體取代自然產生的核酸酶，例如xCas9和SpCas9-NG。這樣可以擴大基因組中可以編輯的區域，有些酶也比第一代酶更具有特異性，可以減少或避免靶外效應。

不過，基因編輯技術在臨床的常規應用可能還需要時間，該技術尚存在許多限制，例如DNA雙鏈斷裂引起的問題等。不過，新問題層出不窮，但創新的解決方案也層出不窮。未來一兩年內讓我們期待新一代的技術！

3提高顯微鏡分辨率

莊小威（哈佛大學化學和化學生物學教授，2019年生命科學突破獎得主）

10-20年前，超分辨率顯微鏡的原理驗證實驗成功。今天，生物學家利用這種技術帶來了知識的繁榮。未來，顯微鏡技術的發展也必然會加快科學的進步。

基因組的三維結構在調控基因表達中起著重要作用，因此，確定基因組的三維結構和組織是一個熱門的研究領域。2018年，莊小威研究組用納米級的精度對染色質進行了成像，將其與數千個不同類型細胞的序列信息聯系起來。空間分辨率提高了一到兩個數量級，使我們能觀察到單個細胞將染色質組織成不同細胞之間的區域，更好地理解染色質調控的機制。據預計，除染色質外，超分辨率成像領域的空間分辨率將有顯著提高，1納米分辨率的成像將成為常規。

4繪制大腦連接圖譜

曾紅葵（美國艾倫腦科學研究所執行官）

大腦有著巨大的特異性編碼，我們尚缺乏理解神經活動和行為的物理基礎。單個細胞和各種細胞類型之間的聯系非常復雜，在全球和人口層面上繪制他們的連通性完全不夠。

因此，基于單元類型和單細胞級別進行映射連接，通過“順行”和“逆行”追蹤，能揭示特定細胞的結構，即軸突投射。同時，嘗試更多基于單個神經元形態的方法，能夠幫助我們觀察單個神經元的投射在哪里產生？在哪里終止？

依托電子顯微鏡數據的進步，這些數據采集的覆蓋范圍已經比從前廣泛了很多。在未來，繪制大腦圖譜還是一個相當艱巨和重要的研究任務。

5合成基因組

JEF BOEKE（紐約大學朗格尼醫學中心系統遺傳學研究所所長）

從純科學的角度來看，合成簡單的細菌和酵母基因組已經獲得成功。然而，合成整個基因組，尤其是哺乳動物基因組，尚存在降低DNA合成成本等技術挑戰。

如今，大多數DNA合成都是建立在磷胺化學的基礎上，所得到的核酸聚合物在最大長度和保真度方面都是有限的。許多公司和實驗室都在追求酶促DNA合成，比化學合成更快、更準確、更便宜。

2018年，位于巴黎的DNA Script公司宣布，已經合成了一種150堿基的寡核苷酸，幾乎達到了化學DNA合成的實際極限。同時，對如何組裝大部分人類染色體DNA的研究也正在進行。構建數十到數百種以前無法測試的基因組變體，能夠幫助檢查涉及全基因組關聯研究的數千個基因組位點，在疾病易感性方面具有發展意義。

6揭示分子結構

VENKI RAMAKRISHNAN（結構生物學家，諾貝爾化學獎得主）

理解結構是理解功能的關鍵。低溫電子顯微學使研究人員能夠使用更小和純度低的樣本來確定高分辨率的結構，還可以研究如蛋白質復合物的動力學或生物化學過程中的不同狀態等難題。

7人工智能和深度學習技術

CASEY GREENE（賓夕法尼亞大學佩雷爾曼醫學院系統藥理學和轉化治療學助理教授）

如今，科學家已經在使用深度學習軟件和AI來建立預測模型，尋找基因調控元件之間的結合位點。將來，它們也會被用于探索基因調控本身以及某些基因特征。另外，計算方法也將充分運用到發表論文，上傳基因數據等方面。

2018年，CASEY GREENE小組使用了1400多項其他研究的RNA測序數據，搭建模型并應用于抗中性粒細胞胞漿抗體相關血管炎的研究，以此揭示與免疫和代謝功能相關的基因網絡，從而分析導致該疾病癥狀的原因。

2019及將來，人工智能和深度學習技術將大有所為，可以為我們提供特定情景的預測模型，從生物學角度生成并解釋我們所看到的數據情況。這是我們共同的發展愿景！