2024年1月22日，《自然》发布了2024年值得关注的七大技术——大片段DNA插入、人工智能设计蛋白质、脑机接口、 细胞图谱、超高分辨率显微成像、3D打印纳米材料和DeepFake检测。与往年相比，今年最大的变化在于，人工智能（AI）的进步成为许多令人兴奋的技术创新的核心支撑。

值得一提的是，高彩霞团队开发的大片段DNA精准定点插入新工具PrimeRoot入选，这也是自2018年首次评选以来，第一项来自中国学者的技术成果入选。

大片段DNA插入

2023年12月，美国FDA批准了首个基于CRISPR-Cas9的基因编辑疗法上市，用于治疗镰状细胞病，几天前，FDA进一步批准了该疗法用于治疗输血依赖性β-地中海贫血。这是基因编辑在临床应用中的重大胜利。

CRISPR-Cas9及相关基因编辑技术通过使用Cas9等核酸酶切割DNA双链实现对基因的敲除或引入小的序列变化，其很难实现精确的可编程的大片段DNA序列的插入。而最近的一些研究成果，让科学家们能够替换或插入大片段DNA。

2023年4月，中国科学院遗传与发育生物学研究所高彩霞团队在 Nature Biotechnolgy 期刊发表了题为：Precise integration of large DNA sequences in plant genomes using PrimeRoot editors 的研究论文。

该研究将团队之前开发的ePPE（Engineered Plant Prime Editor）与刘如谦团队开发的epegRNA（Engineered pegRNA）结合，在植物细胞内建立了dual-ePPE系统，实现了最高效率可达50%以上的短片段DNA的精准定点插入。然后将dual-ePPE与筛选出的高效的酪氨酸家族位点特异性重组酶Cre相结合，开发了能够实现大片段DNA精准插入的PrimeRoot系统。该系统在水稻和玉米中能够实现一步法大片段DNA的精准定点插入，效率可达6%，成功插入的片段长度最长达11.1kb，且插入完全精准可预测，在编辑效率和精准性上具有显著优势。

高彩霞研究员，照片来源：Stefen Chow

高彩霞研究员表示，PrimeRoot系统高效、精准插入大片段DNA的能力，可通过基因敲入广泛用于赋予作物对疾病和病原体的抗性，从而继续推动基于CRISPR的植物基因组工程的创新浪潮。相信这项新技术可以应用于任何植物物种。

2022年11月，麻省理工学院的 Omar Abudayyeh、Jonathan Gootenberg 团队在 Nature Biotechnology 期刊发表了题为：Drag-and-drop genome insertion of large sequences without double-strand DNA cleavage using CRISPR-directed integrases 的研究论文。

该研究将来自噬菌体的丝氨酸整合酶与Cas9切口酶（只切断DNA一条链，而不造成DNA双链断裂）结合，开发了一种名为PASTE的新型基因编辑技术。PASTE在gRNA的引导下切割特定基因组位点，此时Cas9切口酶融合的逆转录酶将整合酶所需的附着位点序列整合进切割位点。通过这种方式，就可以将整合酶所需的附着位点插入基因组中的任何位置，而且这种插入不引起DNA双链断裂，此时，整合酶就可以与附着位点结合，将大片段DNA序列插入。该技术能够以更安全、更有效的方式替换突变基因，还可向哺乳动物及人类细胞中定点插入长达36kb的超长DNA片段。

2022年2月，斯坦福大学丛乐团队在 Nature Cell Biology 期刊发表了题为：dCas9-based gene editing for cleavage-free genomic knock-in of long sequences 的研究论文。

该研究将来自噬菌体的DNA精确重组酶——单链退火蛋白（SSAP），与DNA切割活性丧失的dCas9系统结合，开发出了一种新型基因编辑工具——dCas9-SSAP，可在不产生DNA双链断裂的情况下，实现长达2kb的大片段DNA的高效、精准定点插入。

丛乐认为，对于体内基因编辑而言，PASTE尺寸太大，需要三个独立的AAV病毒载体毒才能递送，因此，其编辑效率可能不如尺寸更小的dCas9-SSAP。

David Baker教授

而现在，在 David Baker 等人的努力下，从头设计蛋白质已经一种成熟的工具，用于生成定制酶，及其他基于蛋白质的药物、疫苗和药物递送载体。这种进步的大部分归因于越来越多的将蛋白质序列与其结构联系起来的数据库，但人工智能的技术进步也同样重要。

例如，2023年2月，David Baker 团队在 Nature 期刊发表论文，从头设计了人造荧光素酶，这也是科学界首次基于深度学习的人工智能来创造自然界不存在的酶。2023年4月，David Baker 团队在 Science 期刊发表论文，利用基于强化学习的人工智能从头设计了全新且有功能的蛋白纳米颗粒，为疫苗和药物递送载体开发开辟了全新道路。2023年12月，David Baker 团队在 Nature 期刊发表论文，利用基于深度学习的人工智能从头设计了具有高亲和力和特异性的全新蛋白质，这为抗体设计和疾病诊断打开了新思路。

脑机接口

2012年，Pat Bennett 被诊断出患上了渐冻症（ALS），而且她的情况比较特殊，她的脑干更早开始恶化，她在还能行走、打字的时候，就已经无法使用嘴唇、舌头、喉部和下颚的肌肉运动来清晰地发声，她的大脑能够尝试发声，但肌肉已无法执行这一命令，从而失去了说话的能力。

2022年3月，她参加了斯坦福大学 Francis Willett 教授领导的脑机接口临床试验，研究团队在她的大脑皮层表面植入了四个微型细电极阵列（每个阵列包含8×8个电极），用于收集单个细胞的神经活动，植入的阵列连接到金线上并通过电缆连接到电脑上，并训练人工智能（AI）来解码她试图进行的发声。

Pat Bennett 在进行测试

2023年8月，Francis Willett 团队将这项研究以：A high-performance speech neuroprosthesis 为题，发表在了 Nature 期刊。

该论文显示，通过植入皮质内脑机接口（iBCI），并通过训练人工智能（AI）软件，能够将渐冻症（ALS）患者 Pat Bennett 大脑中的神经活动实时转化为文字，转化速度可达每分钟62个单词，总词汇量高达125000，相比已有的脑机接口速度更快、准确性更高、词汇覆盖率更大。这项研究展示了一条可行的路径以恢复渐冻症等瘫痪者的语言沟通能力。

Nature 同期还发表了来自加州大学旧金山分校的张复伦（Edward Chang）团队题为：A high-performance neuroprosthesis for speech decoding and avatar control 的研究论文。

Wellcome Sanger研究所的 Sarah Teichmann 和现任基因泰克公司的研究和早期开发负责人 Aviv Regev 于2016年发起了一项规模庞大、雄心勃勃的人类细胞图谱（Human Cell Atlas，HCA）计划。该计划有近100个国家的约3000名科学家参与，而HCA本身也是一个更广泛的细胞和分子图谱交叉生态系统的一部分，包括人类生物分子图谱计划（HuBMAP）和脑计划（BICCN）。

去年，已有数十项研究展示了使用这些技术生成器官特异性图谱的进展。2023年，Nature 发布了一个论文集（go.nature.com/3vbznk7），重点介绍了HuBMAP的进展，Science 则发布了一篇论文集，详细介绍了BICCN的工作（go.nature.com/3nsf4ys）。

人类肺部的细胞图谱描述了不同的细胞类型及其调节方式

Sarah Teichmann 表示，还有相当多的工作要做，估计至少需要五年时间才能完成HCA计划。但当该计划完成时，产生的人类细胞图谱将是无价之宝。例如可以使用细胞图谱数据来指导组织和细胞特异性药物开发，还有助于了解癌症等复杂疾病的风险和病因。

超高分辨率显微成像

Stefan Hell、Eric Betzig和William Moerner因打破限制光显微镜空间分辨率的“衍射极限”而获得2014年诺贝尔化学奖，这让我们得以在数十纳米级分辨率下进行分子尺度的成像实验。然而，科学家们渴望得到更好的结果，他们也正在取得快速进展，努力缩小超分辨率显微镜与结构生物学技术之间的差距。

Stefan Hell 团队2022年开发了一种名为MINSTED的方法，使用专用光学显微镜，可以以2.3埃的分辨率分辨出单个荧光标签。

马克斯·普朗克生物化学研究所的 Ralf Jungmann 团队在2023年开发了一种序列成像（RESI）的增强分辨率的方法，可以分辨出DNA链上的单个碱基对，使用标准的荧光显微镜实现了埃级分辨率。

RESI方法可以对DNA中的单个碱基对进行成像

哥廷根大学医学中心神经科学家 Ali Shaib 和 Silvio Rizzoli 领导的团队开发的一步法纳米尺度膨胀（ONE）显微镜方法，虽然没有完全达到上述埃级分辨率水平，但ONE显微镜提供了前所未有的机会，可以直接成像单个蛋白质和多蛋白复合物的精细结构细节，无论是在孤立状态还是在细胞中。

3D打印纳米材料

利用水凝胶制作了微型金属结构

DeepFake检测

公开可用的生成式人工智能算法的爆炸式增长，使得生成令人信服但完全人为的图像、音频和视频变得简单。纽约州立大学布法罗分校的计算机科学家吕思伟教授表示，他已经看到过许多人工智能生成的与军事冲突有关的“Deepfake”图像和音频。用户使用人工智能生成欺骗性内容，吕思伟和其他媒体取证专家致力于检测和拦截它们。

生成式人工智能开发人员的一个解决方案是在人工智能模型的输出中嵌入隐藏信号，产生人工智能生成内容的水印。其他策略则侧重于内容本身，例如，一些伪造视频用一个人的面部特征替换了另一个人的面部特征，新的算法可以在被替换特征的边界处识别伪造痕迹。吕思伟团队开发了一个算法——DeepFake-O-Meter，可以从不同角度分析视频内容，以识别“Deepfake”内容。这些识别工具是有用的，但可以预见，我们与人工智能生成的错误信息和内容的斗争可能还会持续多年。