[Nature communications]四篇好文简读-专题3

智能生信

发布于 2021-11-02 17:29:38

3960

发布于 2021-11-02 17:29:38

文章被收录于专栏：智能生信智能生信

一

论文题目：

Genome-wide detection of cytosine methylations in plant from Nanopore data using deep learning 论文摘要：

在植物中，胞嘧啶DNA甲基化(5mCs)可以在CpG、CHG和CHH(其中H = A、C或T)三个序列环境中发生，它们在的生物过程中发挥不同的作用。虽然长纳米孔测序在5mc的检测方面比短读亚硫酸氢盐测序更有优势，但现有方法只能在CpG环境下检测5mC，这限制了它们在植物中的应用。由此本文开发了DeepSignalplant，这是一种深度学习工具，可以通过Nanopore reads检测植物中所有三个环境的全基因组5mCs。本文使用Nanopore和亚硫酸氢盐测序技术对拟南芥和水稻进行测序。本文为训练模型开发了一个去噪过程，使DeepSignal-plant能够在所有三个环境中实现与亚硫酸氢盐测序5mC检测的高相关性。此外，DeepSignal-plant可以描绘更多的5mC位点，这将有助于提供更完整的理解不同生物学过程的表观遗传机制。

论文地址：

https://www.nature.com/articles/s41467-021-26278-9 代码地址：

http://github.com/PengNi/deepsignal-plant

二

论文题目：

Machine learning based energy-free structure predictions of molecules, transition states, and solids 论文摘要：

传统上，力场法或从头开始的方法通过能量最小化来确定结构，但这种准确性与成本的权衡方法使得难以合成大数据集，这些数据集是以原子学来说明化学空间，而作者的机器学习模型Graph-To-Structure（G2S）利用训练数据集中结构之间的隐性关联，在化合物空间中进行概括，以推断样本外化合物的原子间距离，有效地实现了坐标的重建，绕过了传统的能量优化任务。收集的数据包括有机分子、过渡态和晶体固体的三维坐标预测。G2S随训练集的大小而改进，在不到八千个训练结构中达到平均绝对原子间距离预测误差小于0.2 Å，比传统结构生成器更好。

论文链接：

https://www.nature.com/articles/s41467-021-24525-7 代码链接：

https://doi.org/10.5281/zenodo.4792292

三

论文题目：

ClusterMap for multi-scale clustering analysis of spatial gene expression 论文摘要：

在空间环境中定量RNA对于理解复杂组织中的基因表达和调控至关重要。原位转录组方法在完整组织中生成空间分辨的RNA谱。然而，目前还缺乏一个统一的计算框架来整合原位转录组数据分析。本文由此引入了一个无监督和无注释的框架，称为ClusterMap，它包含了RNA的物理位置和基因身份，将任务作为点模式分析问题，并通过密度峰聚类(DPC)识别具有生物学意义的结构。具体来说，ClusterMap在二维和三维空间中精确地将RNA聚集到亚细胞结构、细胞体和组织区域，并在各种组织类型上一致地执行，包括小鼠大脑、胎盘、肠道和人类心脏器官。本文证明ClusterMap可广泛应用于各种原位转录组测量，从具有高维转录组特征的图像中揭示基因表达模式、细胞生态位和组织组织原则。

论文地址：

https://www.nature.com/articles/s41467-021-26044-x

四

论文题目：

Unified AI framework to uncover deep interrelationships between gene expression and Alzheimer’s disease neuropathologies 论文摘要：

然而，深层神经网络（DNN）捕捉变量之间的复杂关系，因为它们需要大量样本，它们的潜力尚未被充分挖掘，以了解基因表达和人类表型之间的关系。在这里，我们介绍了一个分析框架，即MD-AD（阿尔茨海默病神经病理学的多任务深度学习），它利用了DNN和多队列设置之间意想不到的协同作用。在这些情况下，使用传统的统计方法可能会阻碍真正的联合分析，因为传统的统计方法需要“协调”的表型，并且倾向于捕获队列水平的变异，从而掩盖了更微妙的真正的疾病信号。相反，MD-AD结合了在队列中稀疏测量的相关表型，并学习了未使用线性模型发现的基因和表型之间的相互作用，识别了比队列水平变异更微妙的信号，这些变异可以在动物模型和跨组织中唯一重现。我们发现MD-AD利用了小胶质细胞免疫反应和神经病理学之间的性别特异性关系，为炎症基因和阿尔茨海默病之间的关联提供了一个微妙的背景。