《Nature Methods》是Nature旗下最重要子刊之一，也是方法论领域的权威刊物，其影响因子自从2004年创刊开始就一路飙升，在2014年已经达到32.072。这个月更期刊的受众是学术和产业界的从事实验工作的研究人员。它旨在为研究人员提供新工具来方便研究，Nature Methods强调方法的实用性和即时性。
《Nature Methods》选出了 2016 您最值得关注的八项技术：细胞内蛋白标记（Protein labeling in cells）、细胞核结构（Unraveling nuclear architecture）、动态蛋白质结构（Protein structure through time）、精准光遗传学（Precision optogenetics）、高度复合成像（Highly multiplexed imaging）、深度学习（Deep learning）、蛋白定位亚细胞图谱（Subcellular maps）、综合单细胞图谱（Integrated single-cell profiles）。另外，《Nature Methods》也选出了 2015 年最受关注技术成果：单颗粒冷冻电镜。
2016年值得关注的方法
深度学习（Deep learning）
新的计算工具从大量的序列数据集中学习复杂模式。
机器学习中，一个功能强大方法可以让计算机解决感知问题，如图像和语音识别技术越来越多地进入生物学。这些深度学习方法，如深度人工神经网络，使用多个处理层从海量数据中发现模式和结构。每一层都用将前一层从数据中学到的概念作为基础；级别越高，所学的概念越抽象。深度学习不依赖于预先数据处理并自动地提取特征。举一个简单的例子，用于理解形状的深度神经网络在第一层中学习识别简单的边，然后在后续层中识别由那些边组成的更复杂的形状。深度学习的层数并没有硬性规定，但多数专家认为，至少需要两层。
最近的例子展示了深度学习的力量——它可以从基因组DNA序列中找到调控特点：DeepSEA（Nat. Methods 12， 931–934， 2015）将基因组序列作为输入，数据来源是如ENCODE和Epigenomics Roadmap这样的大型数据库，进而预测单核苷酸变异对调节区域——如DNA酶超敏感位点，转录因子结合位点和组蛋白标记——的影响。Basset（bioRxiv，DOI：10.1101 / 028399，2015）使用类似的深度神经网络预测单核苷酸多态性在染色体上的影响。 DeepBind（Nat. Biotechnol. 33， 831–838， 2015）用深度学习发现RNA和DNA上的蛋白结合位点，并预测突变的影响。
深度学习在大数据的背景下是非常有价值的，因为它从大量数据中提取出高层次的信息。它在基因组分析的逐步应用会解决一些最初的挑战，如由于稀少训练数据的相关性而产生的过拟合问题，还有高计算成本问题。学术领域和新兴公司的（如Deep Genomics，2015年7月22日成立）的研究人员将越来越多地应用深度学习来进行基因组分析和精确预测药物。当前目标是预测基因变异对细胞调节总体情况和疾病发展的影响，不管这种变异是自然状态下发生的还是由于基因组编辑引入的 。
细胞内蛋白标记（Protein labeling in cells）
更好的蛋白标记技术会提高成像。
荧光化学染料相对较小，具有良好的光物理性质还有多种颜色，这使它们成为可取代荧光蛋白的备选方案。研究人员正积极开发在活细胞中用染料标记蛋白的工具。为了实用，让染料浸染蛋白的方法必须支持蛋白质的特异性标记。在这方面，已经存在一些工具，如SNAP和Halo标签、Flash和ReAsH和组氨酸标记。这些工具包括了一些标记靶蛋白并与染料特异性结合的小分子蛋白或肽。一种替代方法是在翻译过程中，将非天然氨基酸加入到蛋白质中；这里所讲的非天然氨基酸或者是荧光的，或者可以通过“点击化学”制成荧光。
虽然这些方法日益普及，它们也有如复合成像方法用途有限问题，低标记效率问题和染料能穿过活细胞膜的数量和质量问题。这种染料的研发是一个活跃的研究领域。今后的工作无疑将会提高标记效率，这将有助于增强定量成像；提高现有染料质量，增加复用次数，减少必要的成像光剂量；还可能揭示蛋白质全新的标记方法。
特异性蛋白标记也将提高某些活细胞的超高分辨率成像。随着解析能力接近几十纳米，标记方法脱颖而出。例如，用抗体标记会增加结构精度，而且使用二次抗体会更加精确。还有一种替代方案，研究人员正在开发纳米抗体，它是更小的用于标记的单链抗体
