化学、生物与自动化实验室
突破级
有讲解视频
收录解读
问题与背景：这篇 Nature 原始研究聚焦染色体不稳定性（chromosome instability, CIN）的起源，这是癌症演化与耐药研究中的核心问题。传统方法要么侧重显微成像，要么侧重基因组学，很难在同一实验链路里同时追踪细胞形态变化与基因组异常的形成过程。
方法/新意：论文把自动显微成像、机器学习筛选与单细胞基因组学耦合进统一平台，用成像驱动高通量筛选，再对关键细胞群体做基因组层面的解析，从而把“看到异常”与“解释异常来源”连成闭环。其方法价值不只是发现某个生物学结论，而是建立了一种 imaging-genomics coupling 的实验范式。
意义/放在仓库中的位置：这篇适合放在 AI-enabled biology / genomics methods 主线。它不是纯 AI 论文，但属于 AI 与自动化显微成像深度参与生物机制发现的高质量代表作，对癌症基因组学、细胞状态追踪和实验平台设计都有外溢价值。
局限/为何不再升一级：这篇更偏细胞生物学与癌症基因组学中的强平台型研究，而不是会直接改写更大范围 AI 方法路线的工作。它的方法外溢性不错，但主影响面仍集中在染色体不稳定性与相关生物机制研究，因此定为突破性而不升到更高一级。