【Nature communications】四篇好文简读-专题2

一

论文题目：

scGNN is a novel graph neural network framework for single-cell RNA-Seq analyses 论文摘要:

单细胞RNA测序（scRNA-Seq）被广泛用于揭示组织、生物体和复杂疾病的异质性和动态性，但其分析仍然受到多种巨大挑战，包括测序稀疏性和基因表达的复杂差异模式。作者引入scGNN（单细胞图神经网络），为scRNA-Seq分析提供一个无假设的深度学习框架。这个框架用图神经网络制定和聚集细胞-细胞关系，并使用左截断混合高斯模型对异质基因表达模式进行建模。scGNN整合了三个迭代的多模式自动编码器，并在四个基准scRNA-Seq数据集上优于现有的基因归类和细胞聚类工具。在一项有死后脑组织的13,214个单核的阿尔茨海默病研究中，scGNN成功地说明了与疾病有关的神经发展和差异机制。scGNN提供了基因表达和细胞-细胞关系的有效表示。它也是一个强大的框架，可以应用于一般的scRNA-Seq分析。

论文链接：

https://www.nature.com/articles/s41467-021-22197-x Github链接：

https://github.com/juexinwang/scGNN

二

论文标题：

RNA secondary structure prediction using deep learning with thermodynamic integration

论文摘要：

对RNA二级结构的准确预测有助于揭示功能性非编码RNA的作用。尽管基于机器学习的模型在预测精度方面取得了很高的性能，但对于这种高度参数化的模型来说，过度拟合是一种常见的风险。在这里，我们表明，当使用深度神经网络学习的RNA折叠分数与Turner的最近邻自由能参数相结合时，过度拟合可以最小化。用热力学正则化训练模型可以确保折叠分数和计算的自由能尽可能接近。在为新发现的非编码RNA设计的计算实验中，与其他几种算法相比，我们的算法（MXfold2）在不牺牲计算效率的情况下实现了对RNA二级结构最稳健和准确的预测。结果表明，整合热力学信息有助于提高基于深度学习的RNA二级结构预测的稳健性。

论文链接：

https://www.nature.com/articles/s41467-021-21194-4

三

论文题目：

Algebraic graph-assisted bidirectional transformers for molecular property prediction 论文摘要：

分子性质预测的能力对药物发现、人类健康和环境保护具有重要意义。尽管做出了相当大的努力，各种分子特性的定量预测仍然是一个挑战。尽管一些机器学习模型，如来自transformer的双向编码器，可以通过自监督学习策略将大量未标记的分子数据纳入分子表征，但它忽略了三维立体化学信息。代数图，特别是特定元素的多尺度加权彩色代数图，将互补的三维分子信息嵌入图的不变量中。作者提出了一个代数图辅助的双向transformer框架，融合了代数图和双向transformer产生的表征，以及各种机器学习算法，包括决策树、多任务学习和深度神经网络。作者在八个分子数据集上验证了AGBT框架，涉及定量毒性、物理化学和生理学数据集。大量的数值实验表明，AGBT是一个最先进的分子特性预测框架。

论文链接：

https://www.nature.com/articles/s41467-021-23720-w Github链接：

https://github.com/ChenDdon/AGBTcode

四

论文题目：

A topology-preserving dimensionality reduction method for single-cell RNA-seq data using graph autoencoder 论文摘要:

降维对于高维单细胞RNA测序（scRNA-seq）数据的可视化和解释至关重要。然而，将细胞间的拓扑结构保留到低维空间仍然是一个挑战。在此，作者提出了单细胞图自动编码器（scGAE），一种在scRNA-seq数据中保留拓扑结构的降维方法。scGAE建立了一个细胞图，并使用面向多任务的图自动编码器来同时保留scRNA-seq数据的拓扑结构信息和特征信息。作者进一步将scGAE扩展为scRNA-seq数据的可视化、聚类和轨迹推断。对模拟数据的分析表明，scGAE能准确地重建发展轨迹，并在不同情况下分离出离散的细胞集群，其性能优于最近开发的深度学习方法。此外，在经验数据上实施scGAE显示scGAE提供了对细胞发育谱系的新见解，并保留了集群间的距离。 论文链接：

https://www.nature.com/articles/s41598-021-99003-7 - code-availability Github链接：

https://github.com/ZixiangLuo1161/scGAE

欢迎关注公众号，获取更多论文解读

转载或合作请联系邮箱 intbioinfo@163.com