【Nature Methods】四篇好文简读-专题5

一

论文题目：

The SpliZ generalizes ‘percent spliced in’ to reveal regulated splicing at single-cell resolution 论文摘要：

从基于液滴的技术中检测单细胞调控剪接具有挑战性。在这里作者介绍了剪接 Z 评分 (SpliZ)，这是一种无需注释的统计方法，用于检测单细胞 RNA 测序中的调节剪接。作者将 SpliZ 应用于人类肺细胞，发现了数百个具有细胞类型特异性剪接模式的基因，其中包括对基础生物学和转化生物学具有潜在影响的基因。

论文链接：

https://www.nature.com/articles/s41592-022-01400-x

二

论文题目：

Alevin-fry unlocks rapid, accurate and memory-frugal quantification of single-cell RNA-seq data 论文摘要：

高通量单细胞和单核 RNA 测序（scRNA-seq 和 snRNA-seq）技术的快速发展在过去几年里产生了大量数据。这些数据的大小、体积和独特特征需要开发新的计算方法，以准确有效地将 sc/snRNA-seq 数据量化为构成下游分析输入的计数矩阵。作者介绍了用于量化 sc/snRNA-seq 数据的 alevin-fry 框架。除了比其他精确量化方法更快、更节省内存之外，alevin-fry 还缓解了其他轻量级工具所表现出的内存可扩展性和假阳性表达问题。作者展示了 alevin-fry 如何有效地用于量化 sc/snRNA-seq 数据，以及如何从用于生成正常基因表达的相同预处理数据中无缝提取作为 RNA 速度分析输入所需的剪接和未剪接分子量化计数矩阵。

论文链接：

https://www.nature.com/articles/s41592-022-01408-3

三

论文题目：

scGen predicts single-cell perturbation responses 论文摘要：

准确地模拟细胞对扰动的反应是计算生物学的一个关键问题。虽然这种建模是基于特定设置下的统计和机器学习模型，但尚未证明对训练数据（样本外）中缺失的现象进行预测的推广。在这里，我们介绍scGen。一个结合自编码器和潜在空间向量算法的高维单细胞基因表达数据的模型。我们发现，scGen准确地模拟了跨细胞类型、研究和物种的细胞的扰动和感染反应。特别是，我们证明了scGen学习细胞类型和物种特异性反应，这意味着它捕获了区分反应和无反应基因和细胞的特征。随着健康状态下大规模器官图谱的出现，我们设想scGen将通过疾病和药物治疗背景下的扰动反应的硅筛选成为实验设计的工具。

论文链接:

https://www.nature.com/articles/s41592-019-0494-8

四

论文题目：

Biophysical prediction of protein–peptide interactions and signaling networks using machine learning

论文摘要:

在哺乳动物细胞中，许多信号传导是由伙伴蛋白中球状多肽结合域(PBD)和非结构化多肽motifs之间的弱蛋白-蛋白相互作用介导的。这些PBD的数量和多样性(已知的超过1800个)，它们的低结合亲和力，以及结合性质对微小序列变化的敏感性，对PBD特异性和PBD创建的网络的实验和计算分析提出了巨大的挑战。在这里，作者介绍了一种定制的机器学习方法，分层统计力学建模(HSM)，能够准确地预测多个蛋白质家族中PBD-肽相互作用的亲和力。通过在现代机器学习框架内综合生物物理先验，HSM优于现有的计算方法和高通量实验分析。HSM模型可以在三个空间尺度上用常见的生物物理术语来解释：蛋白质-肽结合的能量学，蛋白质-蛋白质相互作用的多齿组织和信号网络的全球架构。

论文链接：

https://www.nature.com/articles/s41592-019-0687-1

Github:

https://github.com/aqlaboratory/hsm