【Briefings in Bioinformatics】四篇好文简读-专题17
【Briefings in Bioinformatics】四篇好文简读-专题17
一论文题目：
A network-based method for brain disease gene prediction by integrating brain connectome and molecular network 论文摘要：
脑疾病基因鉴定对于揭示脑疾病的生物学机制和开发脑疾病药物至关重要。为了加强脑疾病基因的识别，采用了基于相似性的计算方法，特别是基于网络的方法来缩小搜索空间。然而，这些基于网络的方法仅使用分子网络，忽略了脑连接组数据，而脑连接组数据在许多脑相关研究中得到了广泛的应用。文章提出了一个新的框架，名为brainMI ，用于整合脑连接组数据和基于分子的基因关联网络来预测脑疾病基因。为了将分子网络数据与脑连接体数据进行一致表征，brainMI首先基于静息态功能磁共振成像数据和脑区域特异性基因表达数据构建了一种新的基因网络，即基于脑功能连接的基因网络。然后，提出了一种基于bfc的基因网络与现有蛋白质相互作用网络相结合的多网络集成方法来学习基因的低维特征。最后，基于支持向量机模型，利用这些特征预测脑疾病基因。结果表明，与现有的3种最先进的方法相比，brainMI在预测脑疾病基因方面具有更高的性能。
论文链接：
https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab459/6415315 Github链接：
https://github.co m/MedicineBiology-AI/brainMI
二论文题目：
GraphCDR: a graph neural network method with contrastive learning for cancer drug response prediction 论文摘要：
预测肿瘤细胞系对治疗药物的反应是现代肿瘤学的一个重要课题，它可以帮助癌症的个性化治疗。尽管已有许多机器学习方法用于预测癌症药物反应(CDR)，但整合癌症细胞系、药物及其已知反应的各种信息仍然是一个巨大的挑战。文章提出了一种基于对比学习的图神经网络CDR预测方法。GraphCDR基于癌症细胞株的多组学特征、药物化学结构和已知癌症细胞株药物反应构建了一个图神经网络，用于CDR预测，而对比学习任务作为多任务学习范式中的正则化任务，以增强泛化能力。在计算实验中，在不同的实验配置下，GraphCDR优于最新的方法，而消融研究揭示了GraphCDR的关键组成部分:生物学特征、已知的癌细胞系药物反应和对比学习对CDR的高精度预测非常重要。实验分析表明，GraphCDR的预测能力和指导抗癌药物选择的潜在价值。
论文链接：
https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab457/6415314 Github链接：
https://github.com/BioMedicalBigDataMiningLab/Gra phCDR
三论文题目：
StaBle-ABPpred: a stacked ensemble predictor based on biLSTM and attention mechanism for accelerated discovery of antibacterial peptides 论文摘要：
由于耐多药细菌的迅速出现，现有的抗生素正变得无效。因此，研究人员正在寻找以抗菌肽(ABPs)为基础的药物的替代品。利用湿实验室实验发现新型ABP是费时和昂贵的。许多机器学习模型已被提出用于搜索新的ABP，但仍有空间开发具有高精度和精度的鲁棒模型。文章提出了StaBle-ABPpred，这是一种基于堆叠集成技术的深度学习分类器，在基本水平上使用双向长短期记忆(bi-LSTM)和注意力机制，在元水平上使用随机森林、梯度增强和逻辑回归集成来分类抗菌肽或非抗菌肽。将文章的模型与几种最先进的分类器进行了性能比较，并对结果进行了方差分析(ANOVA)检验及其事后分析，证明文章的模型比现有的分类器性能更好。文章开发的模型和应用程序可进一步探索蛋白质多样性，以鉴定具有广谱活性的新型ABPs，特别是抗MDR病原菌。
论文链接： https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab439/6423526
四论文题目：
SMNN: batch effect correction for single-cell RNA-seq data via supervised mutual nearest neighbor detection
论文摘要：
当整合来自多个批次的单细胞RNA测序(scRNA-seq)数据时，批效应校正被认为是必不可少的。最先进的方法忽略了单细胞聚类标签信息，但这些信息可以提高批次效应校正的有效性，特别是在生物差异与批次效应不正交的现实情况下。为了解决这个问题，我们提出了SMNN，通过监督互最近邻检测对单细胞RNA测序数据进行批量效应校正。我们在仿真和真实数据集的广泛评估表明，SMNN提供了跨批次相应细胞类型的改进合并，使MNN、Seurat v3和LIGER在跨批次分化减少。此外，SMNN保留了更多的细胞类型特异性特征，部分表现为经过SMNN校正后发现的细胞类型之间的差异表达基因在生物学上更相关，精度提高了高达841.0%。
论文链接:
https://academic.oup.com/bib/article-abstract/22/3/bbaa097/5855265?redirectedFrom=fulltext