Tomcxf commented 1 year ago

生信爱好者周刊（第 52 期）：

这里记录每周值得分享的生信相关内容，周日发布。

本杂志开源（GitHub: ShixiangWang/weekly），欢迎提交 issue，投稿或推荐生信相关内容。

「生信周刊讨论区」

封面图

本周话题：

贡献者（GitHub ID）

「Openbiox 生信周刊」运维小队：

@ShixiangWang（王诗翔）
@kkjtmac（阚科佳）
@NiEntropy（赵启祥）
@He-Kai-fly（何凯）
@JnanZhang（张佳楠）
@Tomcxf（陈啸枫）
@wangdepin（王德品）

1. 生信研究 | Nature Methods | 陈曦/靳文菲团队开发单细胞多组学技术ISSAAC-seq

A schematic view of ISSAAC-seq workflow

2022年9月15日，南方科技大学生命科学学院陈曦课题组和靳文菲课题组合作在Nature Methods上发表了一种简单可靠的单细胞多组学技术ISSAAC-seq，该方法能够在同一细胞内同时检测染色质可及性（ATAC-seq）以及基因表达（RNA-seq）。该方法操作灵活，既适用于基于孔板的低通量实验方案，又可以通过微流控装置进行高通量研究。

论文链接：https://www.nature.com/articles/s41592-022-01601-4

5. 博文资讯 | Nat Commun评论文章：复杂癌症的功能基因组学 | 挑战和机遇并存

近日，美国杰克逊基因组医学实验室的Francesca Menghi 和Edison T.Liu在Nature Communications总结分析了在癌症功能基因组学领域，科学家们是如何利用新一代测序技术、功能基因组学方法（通常与系统生物学方法相结合）揭示新的癌症发病机制，并提出这些最新成果超越了早期“一种基因、一种表型”的原始研究范式。

论文链接：https://www.nature.com/articles/s41467-022-33717-8

14. 资源推荐 | GSVA教程

GSVA algorithm

基因集变异分析(GSVA)是一种特殊类型的基因集富集方法，它可以对单个样本进行分析，通过在从基因到基因集的分析功能单元中执行概念上简单但功能强大的变化，实现以通路为中心的分子数据分析。GSVA包提供了四种单样本基因集富集方法的实现，具体为zscore、plage、ssGSEA和它自己的GSVA。虽然这种方法最初是为基因表达数据开发的，但它可以应用于其他类型的分子分析数据。在这个教程中我们演示了如何使用GSVA包处理microarray和RNA-seq表达数据。

JnanZhang commented 1 year ago

生信研究 | 一种多用途深度学习方法，用于CITE-seq和单细胞RNA-seq数据与细胞表面蛋白预测和插补的集成

CITE-seq 分析的一个挑战是多个 CITE-seq 数据集的集成。这种整合并非微不足道，因为不同 CITE-seq 数据集的蛋白质面板通常有一些不重叠，这会阻止简单的连接。为了规避这一点，研究人员为 sciPENN 引入了一种审查损失函数方案，其中蛋白质损失被掩盖，并且当它从细胞中丢失时不会有助于反向传播。这允许 sciPENN 从具有部分不重叠蛋白质面板的多个 CITE-seq 数据集中学习，估算每个组成 CITE-seq 数据集的缺失蛋白质，甚至在从部分重叠的 CITE-seq 数据集学习后预测外部 scRNA-seq 数据集中的蛋白质表达，这是 totalVI 和 Seurat 4 无法完成的任务。此外，sciPENN 比 totalVI 和 Seurat 4 快一个数量级，这使其成为综合 CITE-seq 和 scRNA-seq 数据分析的理想工具。论文链接：https://www.nature.com/articles/s42256-022-00545-w

工具/资源推荐 | sangerbox

Sangerbox (http://vip.sangerbox.com) 是基于网络的工具平台，用户可以在一个友好的交互页面中进行不同的分析。平台提供可交互的图形化分析工具，包括相关性分析工具，通路富集分析、WGCNA分析等常见的工具和功能。论文链接：https://onlinelibrary.wiley.com/doi/full/10.1002/imt2.36

NiEntropy commented 1 year ago

4、[Nature Communications | SCALEX 单细胞数据整合工具](https://mp.weixin.qq.com/s/zCktPgItPw3QLOmfcSE1PQ) SCALEX，一款基于深度学习方法的单细胞整合算法，将细胞投射到批次不变的、共同的细胞嵌入空间，即每次投影整合都不需要重新训练模型，节省了计算成本，并且在作者的测试数据中SCALEX算法由于常见的需要重新训练模型的单细胞整合算法。

Github：https://github.com/jsxlei/SCALEX
论文链接：https://www.nature.com/articles/s41467-022-33758-z

7、[机器学习的数学本质](https://mp.weixin.qq.com/s/DdTAV75tArW3235g2JYvsw)

该推文分享了鄂维南院士在2022年的国际数学家大会对机器学习数学本质的理解，即函数逼近、概率分布的逼近与采样、Bellman方程的求解；机器学习模型的逼近误差、泛化性质以及训练等方面的数学理论，以及如何利用机器学习来求解困难的科学计算和科学问题，即AI for science。

视频-再谈AI for Science：https://www.bilibili.com/video/BV1vR4y1c7gQ/?vd_source=3afc2da90da868f4f01d17b6a37ffeba

8、[分子研究利器 | 相分离](https://mp.weixin.qq.com/s/XrqjgecseZqoNtARJNckAw) 相分离(phase separation)，即二元或多元混合物在一定条件下分离成不同的相，例如：生活中的水和油。细胞中的相分离：在细胞中的无膜细胞器形成的与外界环境隔离的稳定反应空间、缓存细胞内的分子、形成物理化学和机械过滤结构等等。相分离的应用：在生物信息学中，科学家基于相分离理论预测蛋白的相分离能力和饱和浓度。

openbiox / weekly

【周刊】第 52 期 #1147