【Bioinformatics】四篇好文简读-专题12

一

论文题目

scGAC: a graph attentional architecture for clustering single-cell RNA-seq data 摘要

新兴的单细胞 RNA 测序 (scRNA-seq) 技术支持细胞水平的生物学研究。然而，scRNA-seq数据的高可变性、高稀疏性和高维性给聚类分析带来了很多挑战。尽管最近已经开发了许多单细胞聚类方法，但很少有人能充分利用细胞之间的潜在关系，从而导致聚类结果不理想。在这里，作者针对 scRNA-seq 数据提出了一种新的无监督聚类方法 scGAC（单细胞图注意聚类）。scGAC首先构建一个细胞图并通过网络去噪对其进行细化。然后，它通过图注意力自编码器学习细胞的聚类表示，该自编码器在具有不同权重的细胞之间传播信息并捕获细胞之间的潜在关系。最后，scGAC 采用自优化方法获得细胞簇。对 16 个真实 scRNA-seq 数据集的实验表明，scGAC 取得了出色的性能，并且优于现有的最先进的单细胞聚类方法。

论文地址

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btac099/6530275

二

论文题目：

Modeling multi-scale data via a network of networks 论文摘要：

节点和图标签的预测是网络科学的重要任务。在这些任务中分析的数据有时是相关的：由较高级别（较高规模）网络中的节点表示的实体本身可以被建模为较低级别的网络。作者认为，涉及此类实体的系统应与“网络的网络”（network of networks， NoN）表示相结合。 然后，通过作者提出的方法实验使用多层NoN数据的实体预测是否比单独使用单层节点和图数据更准确，即，比传统的高层网络节点标签预测和低层网络图标签预测更准确。为了获得数据，作者开发了第一个合成NoN数据生成器，并且构建了一个真实的生物NoN数据集。作者评估了从合成的NoN蛋白数据中预测人工标记和从生物NoN蛋白预测蛋白质功能时该方法的准确性。对于合成的NoN数据，作者的NoN方法优于或与传统单层网络的方法一样好，这取决于NoN的属性。对于真实的生物NoN数据，NoN方法在不到一半的蛋白质功能上优于单层网络方法，对于30%的蛋白质功能，只有作者的NoN方法做出有意义的预测。因此，基于NoN数据的集成非常重要。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btac133/6541631 sever地址：

https://nd.edu/~cone/NoNs

三

论文题目：

A Network-Based Drug Repurposing Method Via Non-Negative Matrix Factorization 论文摘要：

药物再利用是传统药物发现过程的潜在替代方法。药物再利用可以制定为一个推荐系统，根据已知的药物-疾病关联为可用药物推荐新的适应症。本文提出了一种基于非负矩阵分解（NMF-DR）的预测药物相关候选疾病适应症的方法。本研究提出了一种基于推荐系统的药物再利用方法，通过整合药物和疾病相关数据源来预测新的药物适应症。为此，该框架首先整合了两类疾病的相似性，即药物与疾病之间的关联，以及药物之间的各种相似性，从不同的角度构建了一个异构的药物-疾病相互作用网络。然后，提出了一种改进的基于非负矩阵分解的方法，用未知药物-疾病对的预测分数来完成药物-疾病邻接矩阵。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab826/6454947 Github链接：

https://github.com/sshaghayeghs/NMF-DR

四

论文题目：

TSAFinder: Exhaustive Tumor Specific Antigen Detection with RNAseq 论文摘要：

识别人类癌症中的肿瘤特异性抗原（TSA）可预测治疗免疫反应，并为癌症疫苗和具有治疗潜力的过继性T细胞治疗提供靶点。作者用seq2HLA预测HLA-I基因型，将RNAseqfastq文件翻译成所有可能的长度为8-11的肽，并用netMHCpan-4.0测试肿瘤和对照样本中高表达和低表达的肽的MHC-I结合潜力。并在匹配的肿瘤和对照肺腺癌（LUAD）样本上进行验证。结果表明，由ExomesQ预测的新抗原在RNA水平上通常表达较差，并且在匹配的正常样本中有一部分表达。蛋白质组学数据中显示的TSA具有较高的RNA丰度和较低的MHC-I结合百分比，这些属性用于在验证队列中发现高置信度TSA。最后，这些高置信度TSA的一个子集在大多数LUAD肿瘤中表达，并代表有吸引力的疫苗靶点。

论文链接：

https://doi.org/10.1093/bioinformatics/btac116 Github链接：

https://github.com/RNAseqTSA.