kongjianyang commented 1 year ago

生信爱好者周刊（第 81 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: openbiox/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

862

本周话题：

1090

生信研究

929 1
945 2
949 3

博文资讯

791 4
1172 5
1170 6

工具

880 7
816 8
1273 9

资源

1149 10
1180 11
1270 12

历史上的本周

第 41 期：人体是一个共生生态系统

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）
@kongjianyang（空间阳）

单细胞ATAC-seq（scATAC）在研究表观遗传景观中的细胞异质性方面具有巨大前景，但由于数据高维性和稀疏性的特点，scATAC的分析仍然面临重大挑战。为此，作者提出了一种基于DNA序列的卷积神经网络方法(scBasset)来对scATAC数据进行建模。实验表明，通过利用可及性峰值下的DNA序列信息和神经网络模型的表达能力，scBasset在scATAC和单细胞多组数据集的各种任务中展现了最先进的性能，包括细胞类型识别、scATAC去噪、数据集成和转录因子活性推断。

论文链接：https://www.nature.com/articles/s41592-022-01562-8

4、[关于bioRxiv文章的解读](https://centuryofbio.com/)

一位斯坦福的博士定期更新生物医药领域的最新进展，非常有启发。

12、[Cookiecutter Data Science](https://drivendata.github.io/cookiecutter-data-science/)

Cookiecutter 是一个强大的模板工具。Cookiecutter Data Science提供了对数据科学项目的初始化，方便构建相关的分析项目，会生成大体如下的目录结构：

├── LICENSE
├── Makefile           <- Makefile with commands like `make data` or `make train`
├── README.md          <- The top-level README for developers using this project.
├── data
│   ├── external       <- Data from third party sources.
│   ├── interim        <- Intermediate data that has been transformed.
│   ├── processed      <- The final, canonical data sets for modeling.
│   └── raw            <- The original, immutable data dump.
│
├── docs               <- A default Sphinx project; see sphinx-doc.org for details
│
├── models             <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks          <- Jupyter notebooks. Naming convention is a number (for ordering),
│                         the creator's initials, and a short `-` delimited description, e.g.
│                         `1.0-jqp-initial-data-exploration`.
│
├── references         <- Data dictionaries, manuals, and all other explanatory materials.
│
├── reports            <- Generated analysis as HTML, PDF, LaTeX, etc.
│   └── figures        <- Generated graphics and figures to be used in reporting
│
├── requirements.txt   <- The requirements file for reproducing the analysis environment, e.g.
│                         generated with `pip freeze > requirements.txt`
│
├── setup.py           <- Make this project pip installable with `pip install -e`
├── src                <- Source code for use in this project.
│   ├── __init__.py    <- Makes src a Python module
│   │
│   ├── data           <- Scripts to download or generate data
│   │   └── make_dataset.py
│   │
│   ├── features       <- Scripts to turn raw data into features for modeling
│   │   └── build_features.py
│   │
│   ├── models         <- Scripts to train models and then use trained models to make
│   │   │                 predictions
│   │   ├── predict_model.py
│   │   └── train_model.py
│   │
│   └── visualization  <- Scripts to create exploratory and results oriented visualizations
│       └── visualize.py
│
└── tox.ini            <- tox file with settings for running tox; see tox.readthedocs.io

NiEntropy commented 1 year ago

3、4、12

2、5、10

NiEntropy commented 1 year ago

2、CAP | 免疫治疗患者的dMMR、MSI检测指南

美国病理学家协会（CAP）最近提醒医务工作者，为了更好地指导患者选择免疫治疗方案，要慎重选择检测dMMR或MSI的方法。CAP的专家小组对于不同的检测方法（包括免疫组化（IHC）、PCR和下一代测序（NGS））的优缺点和推荐，以及针对不同的癌症类型的建议。文章强调了这些检测方法并不是完全可互换的，而且在某些癌症类型中，目前还缺乏足够的证据来支持使用NGS来检测dMMR或MSI。

文章链接：https://www.precisionmedicineonline.com/molecular-diagnostics/cap-weighs-dmmr-msi-assays-immunotherapy-patient-selection

5、[ggThemeAssist | 鼠标交互修改ggplot2图形主题参数](https://mp.weixin.qq.com/s/8O9BM-x1YQx4HOKRmcMYkw)

ggThemeAssist是一个R语言的包，它可以帮助用户在RStudio中轻松地定制ggplot2图形的主题。用户只需要在RStudio中选择一个ggplot2对象，然后点击“Addins”菜单中的“ggThemeAssist”，就可以在一个交互式的窗口中调整图形的各种元素，如标题、坐标轴、图例、背景、颜色等。用户可以实时地看到图形的变化，并且可以复制或插入生成的代码到脚本中。我强烈推荐你试一试ggThemeAssist包，个人感觉学了这个包直接秒杀GraphPad Prism，你一定会喜欢上它的！

github：https://github.com/calligross/ggthemeassist

10、[SingleR | 自动化细胞类型注释](https://bioconductor.org/books/release/SingleRBook/)

SingleR是一个R语言的包，它可以将新的单细胞数据与已知的参考细胞类型进行比较，根据表达谱的相似度，为每个新细胞分配一个参考类型。这样可以避免手动地对单细胞数据进行聚类和注释，节省时间和精力，提高准确性和可重复性。教程从SingleR的动机和方法描述开始，然后通过一些实例数据，展示了如何使用SingleR的不同模式和选项，以及如何进行注释结果的诊断和评估。

教程链接：https://bioconductor.org/books/release/SingleRBook/

kongjianyang commented 1 year ago

3、4、12

2、5、10

1、6、7、8、9、11

kongjianyang commented 1 year ago

1、DeepPseudoMSI: 使用深度学习对pseudo-质谱图像分析用于精准医学

发表在生物信息学top杂志Briefing in Bioinformatics上的文章，开发了基于深度学习的pseudo质谱图像(deepPseudoMSI) 项目，可以将 LC-MS 原始数据转换为pseudo- MSI(质谱图像图像)，然后通过深度学习对其进行处理,从而用于精准医学。通过真实数据验证，deepPseudoMSI优于传统的LC-MS处理方法。