【Briefings in Bioinformatics】四篇好文简读-专题11

智能生信

发布于 2021-10-20 16:34:48

5600

发布于 2021-10-20 16:34:48

文章被收录于专栏：智能生信

一

论文题目：

Subtype-WESLR: identifying cancer subtype with weighted ensemble sparse latent representation of multi-view data

论文摘要：

肿瘤亚型的发现已成为肿瘤学研究的热点。将癌症患者划分为不同的亚型可以为不同的患者提供个性化的治疗。高通量技术为癌症分型提供了多种组学数据。在许多计算方法中，多视图数据的集成被用来识别癌症亚型，即使使用相同的多组数据，也可以获得相同癌症的不同亚型。不同方法的这些亚型在一定程度上是相关的，这可能对肿瘤亚型的划分有一定的指导意义。如何有效利用不同亚型的有价值信息来产生更准确可靠的亚型是一个挑战。文章提出了一种基于加权集成稀疏潜在表示(subtype-WESLR)的异构组学数据癌症亚型检测方法。利用加权集成策略将不同方法得到的基聚类作为先验知识进行融合，subtype-WESLR在保持原始样本特征空间的局部结构和与加权集成的一致性的同时，将每个数据类型的每个样本特征轮廓投影到公共潜在子空间，并通过迭代方法优化公共子空间来识别癌症亚型。在各种合成数据集和来自癌症基因组图谱的8个公共多视图数据集上进行实验。结果表明，subtypes-weslr通过集成现有方法的基聚类来获得更精确的子类型，优于其他方法。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab398/6381248

Github链接：

https://github.com/songwenjing123/subtype-WESLR

二

论文题目：

Deep-DRM: a computational method for identifying disease-related metabolites based on graph deep learning approaches 论文摘要：

在这项研究中，作者提出了一种基于图深度学习的方法，Deep-DRM，用于识别疾病相关代谢物。首先，代谢物的化学结构被用来计算代谢物的相似性。疾病的相似性是基于其功能基因网络和语义关联得到的，因此，代谢物和疾病网络都可以被建立。接下来，应用图卷积网络（GCN）分别对代谢物和疾病的特征进行编码。然后，通过主成分分析（PCA）降低这些特征的维度，保留99%的信息。最后，根据这些特征建立了深度神经网络来识别真正的代谢物-疾病对（MDPs）。在三个测试集上进行了10次交叉验证，与以前的方法和类似方法相比，Deep-DRM的AUC（0.952）和AUPR（0.939）非常出色，这表明Deep-DRM是一种有效的识别MDP的方法。

论文链接：

https://academic.oup.com/bib/article/22/4/bbaa212/5922326?searchresult=1 Github链接：

https://github.com/zty2009/GPDNN-for-Identify-ing-Disease-related-Metabolites

三

论文题目：

SAResNet: self-attention residual network for predicting DNA-protein binding

论文摘要：

近年来，基于深度学习的方法从序列数据中预测DNA-蛋白质结合，已经取得了显著的成功。然而，目前最先进的计算方法有一些缺点，与数据不足的数据集有关。为了解决这个问题，作者提出了一种新的基于迁移学习的方法，称为SAResNet，它结合了自我注意机制和残差网络结构。更具体地说，注意力驱动模块捕捉序列的位置信息，而残差网络结构保证结合点的高级特征可以被提取出来。同时，SAResNet采用的预训练策略提高了网络的学习能力，加快了网络在迁移学习中的收敛速度。SAResNet的性能在ChIP-seq实验的690个数据集上进行了广泛的测试，平均AUC为92.0%，比目前最好的方法高4.4%。当在较小的数据集上测试时，预测性能得到了更明显的提高，证明了DNA-蛋白质结合预测的优越性能可以通过结合注意机制和残差结构来实现。

论文链接：

https://academic.oup.com/bib/article/22/5/bbab101/6218493?searchresult=1

Github链接：

https://github.com/shenlongchen/saresnet

四

论文题目：

Comprehensive characterization genetic regulation and chromatin landscape of enhancer-associated long non-coding RNAs and their implication in human cancer

论文摘要：

来自增强子区域定义为增强子相关lncRNAs，简称elncRNAs的长链非编码rna正在成为疾病进展中的关键调控因子。然而，它们的生物学特性和临床意义尚未得到充分描述。文章基于传统的表达定量位点和我们优化的残留定量位点方法，全面描述了遗传对300多个淋巴母细胞系elncRNA表达的影响。同时，绘制了与基因调控状态相关的elncrna染色质图谱。通过应用最大似然估计方法，文章成功地鉴定了蛋白质编码基因表达重编程的因果elncrna，并显示其相关的单核苷酸多态性有利于转录因子的结合。进一步的表观基因组分析显示，两种免疫相关elncrna AL662844.4和LINC01215在人类癌症中具有高水平的H3K27ac和H3K4me1。此外，对3D基因组、转录组和调控体数据的泛癌分析表明，它们分别通过影响MHC I类基因和CD47来调控肿瘤-免疫细胞的相互作用。此外，文章的研究表明elncRNA与患者生存之间存在相关性。