生信爱好者周刊（第 28 期）：华大Stereo-seq系列成果揭秘超高分辨率生命全景时空图谱
生信爱好者周刊（第 28 期）：华大Stereo-seq系列成果揭秘超高分辨率生命全景时空图谱
这里记录每周值得分享的生信相关内容，周日发布。
本杂志开源（GitHub: ShixiangWang/weekly[1]），欢迎提交 issue，投稿或推荐生信相关内容。
「生信周刊讨论区（语雀）」[2]
Stereo-seq芯片工作原理及小鼠胚胎发育时空转录组图谱。（via）
封面图
本周话题：华大Stereo-seq系列成果揭秘超高分辨率生命全景时空图谱
国际顶级期刊Cell和子刊Developmental Cell，上线了4篇应用Stereo-seq技术的研究文章，揭示其在小鼠、斑马鱼、果蝇、拟南芥等模式生物中的应用成果，其中Cell文章详细介绍了Stereo-seq技术原理和细节。此外，Cell出版社官网还特设专题网页（https://www.cell.com/consortium/spatiotemporal-omics），展示了以上4篇文章及4篇应用Stereo-seq技术的BioRxiv预印成果，包括食蟹猴脑时空组图谱、蝾螈脑再生时空图谱、实体瘤时空组图谱等。
相较国际同类技术，Stereo-seq通过时空捕获芯片，结合原位RNA捕获，实现了500 nm的分辨率，同时捕获面积可达13cm x 13cm，成为全球首个同时实现“纳米级分辨率”和“厘米级全景视场”的技术，且实现了基因与影像同时分析。与当前其他技术相比，在相同的精度下，Stereo-seq具备更灵敏和更强的mRNA捕获能力。该技术作为新时代的分子 “显微镜”，为重新认知器官结构、生命发育、物种演化和定义人类疾病提供了底层工具，将推动继显微镜和DNA测序技术以来的生命科学领域第三次科技革命。
生信科技动态
自20世纪上半叶起，突变的随机性就一直是生物演化理论的重要基础。这个观点如同生物学领域的公理，对于生物学家建立演化模型、理解遗传多样性产生了深刻影响。现在，这个经典的观点受到一项全新研究的有力挑战。
在一篇发表于《自然》杂志的论文中，一支国际研究团队通过对模式植物拟南芥的研究提出，突变的诞生不是完全随机的，相反，突变出现的区域有着明显的规律性。这个发现从根本上改变了我们对于生命演化的理解，并且有望帮助科学家培育具有更优良性状的作物，甚至帮助人类对抗癌症。
2、Nature Communication｜基于2万余个肿瘤体细胞突变谱，揭示年龄对肿瘤突变数量及进化时间的影响
该研究通过分析来自TCGA、AACR GENIE和PCAWG三个项目中的数据，揭示了年龄对肿瘤中的突变数量（每年每兆碱基0.077个突变）及其进化时间的影响，绘制了具有临床意义的与年龄相关癌症体细胞突变图谱。
3、Nature | slide-DNA-seq - 自带GPS的测序技术
该研究推出的slide-seq，可以在一个直径3毫米的视野内，以10微米的分辨率，对每不同位置的聚苯乙烯珠子，添加对应空间位置的条形码，标记空间位置，之后通过PCR扩增，实现DNA原位测序。在每个阵列中，包含2万到4万个柱子，每个珠子中，可以检测到的DNA序列，约为165-421个。
文章
1、GitHub，版本控制与协作[3]
本文介绍如何使用GitHub进行版本控制与协作。
贝叶斯优化是AutoML中的重要概念，近年来变得很火热。作为一种重要的基于先验的调参/策略选择技术，贝叶斯的应用范围也很广。但这个概念对于初次接触的同学可能较难理解，经过数天的论文研读、博客/教程/代码查阅，有了这篇科普文，也手绘了一些示意图，希望尽量在一篇文章内、通俗易懂地讲清楚什么是贝叶斯优化。
工具
1、conflicted - An alternative conflict resolution strategy for R[4]
R经常存在同名函数，会造成计算问题，最常见的就是filter()和select()函数。conflicted包提供了一种解决策略，一旦出现重名就报错，这样提示你一定要指定函数的包名。
library(conflicted)
library(dplyr)
filter(mtcars, cyl == 8)
#> Error: [conflicted] `filter` found in 2 packages.
#> Either pick the one you want with `::`
#> * dplyr::filter
#> * stats::filter
#> Or declare a preference with `conflict_prefer()`
#> * conflict_prefer("filter", "dplyr")
#> * conflict_prefer("filter", "stats")
2、report - bridge the gap between R’s output and the formatted results contained in your manuscript[5]
report根据最佳实践指南(如APA的风格)自动生成模型和数据框架的报告，确保结果报告的标准化和质量。
3、pdfcpu - a Go PDF processor[6]
一个处理PDF文件的命令工具。
4、gtreg - Regulatory Tables For Clinical Research with 'gtsummary'[7]
library(gtreg)
gtsummary::theme_gtsummary_compact()
#> Setting theme `Compact`
tbl_ae <-
df_adverse_events %>%
tbl_ae(
id_df = df_patient_characteristics,
id = patient_id,
ae = adverse_event,
soc = system_organ_class,
by = grade,
strata = trt
) %>%
modify_header(all_ae_cols() ~ "**Grade {by}**") %>%
bold_labels()
5、[parsermd - R Markdown 提取器]( "parsermd - R Markdown 提取器")
方便对R Markdown文件进行编程控制。
(rmd = parsermd::parse_rmd(system.file("minimal.Rmd", package = "parsermd")))
#> ├── YAML [4 lines]
#> ├── Heading [h1] - Setup
#> │ └── Chunk [r, 1 opt, 1 lines] - setup
#> └── Heading [h1] - Content
#> ├── Heading [h2] - R Markdown
#> │ ├── Markdown [6 lines]
#> │ ├── Chunk [r, 1 lines] - cars
#> │ └── Chunk [r, 1 lines] - <unnamed>
#> └── Heading [h2] - Including Plots
#> ├── Markdown [2 lines]
#> ├── Chunk [r, 1 opt, 1 lines] - pressure
#> └── Markdown [2 lines]
as_tibble(rmd)
#> # A tibble: 12 x 5
#> sec_h1 sec_h2 type label ast
#> <chr> <chr> <chr> <chr> <rmd_ast>
#> 1 <NA> <NA> rmd_yaml_list <NA> <yaml>
#> 2 Setup <NA> rmd_heading <NA> <heading [h1]>
#> 3 Setup <NA> rmd_chunk "setup" <chunk [r]>
#> 4 Content <NA> rmd_heading <NA> <heading [h1]>
#> 5 Content R Markdown rmd_heading <NA> <heading [h2]>
#> 6 Content R Markdown rmd_markdown <NA> <rmd_mrkd [6]>
#> 7 Content R Markdown rmd_chunk "cars" <chunk [r]>
#> 8 Content R Markdown rmd_chunk "" <chunk [r]>
#> 9 Content Including Plots rmd_heading <NA> <heading [h2]>
#> 10 Content Including Plots rmd_markdown <NA> <rmd_mrkd [2]>
#> 11 Content Including Plots rmd_chunk "pressure" <chunk [r]>
#> 12 Content Including Plots rmd_markdown <NA> <rmd_mrkd [2]>
rmd_select(rmd, by_section("Content"))
#> └── Heading [h1] - Content
#> ├── Heading [h2] - R Markdown
#> │ ├── Markdown [6 lines]
#> │ ├── Chunk [r, 1 lines] - cars
#> │ └── Chunk [r, 1 lines] - <unnamed>
#> └── Heading [h2] - Including Plots
#> ├── Markdown [2 lines]
#> ├── Chunk [r, 1 opt, 1 lines] - pressure
#> └── Markdown [2 lines]
rmd_select(rmd, by_section(c("Content", "*"))) %>%
rmd_select(has_type(c("rmd_chunk", "rmd_heading")))
#> └── Heading [h1] - Content
#> ├── Heading [h2] - R Markdown
#> │ ├── Chunk [r, 1 lines] - cars
#> │ └── Chunk [r, 1 lines] - <unnamed>
#> └── Heading [h2] - Including Plots
#> └── Chunk [r, 1 opt, 1 lines] - pressure
rmd_select(rmd, "pressure")
#> └── Chunk [r, 1 opt, 1 lines] - pressure
rmd_select(rmd, 1:3)
#> ├── YAML [4 lines]
#> └── Heading [h1] - Setup
#> └── Chunk [r, 1 opt, 1 lines] - setup
5、ggdistribute - A ggplot2 Extension for Plotting Unimodal Distributions[8]
ggdistribute包是绘制后向或其他类型的单峰分布的扩展，这些单峰分布需要覆盖关于分布间隔的信息。它利用ggproto系统扩展ggplot2，提供额外的“geoms”、“stats”和“position”。扩展与现有的ggplot2层元素集成。
6、cannonball - 定量方法论和统计学相关函数工具[9]
plot_r(): Draw different scatterplots with the same correlation coefficient
资源
1、Shiny开发者系列访谈[10]
参考资料
[1]
ShixiangWang/weekly: https://github.com/ShixiangWang/weekly
[2]
「生信周刊讨论区（语雀）」: https://www.yuque.com/shixiangwang/bioinfo
[3]
GitHub，版本控制与协作: https://julia.quantecon.org/software_engineering/version_control.html
[4]
conflicted - An alternative conflict resolution strategy for R: https://github.com/r-lib/conflicted
[5]
report - bridge the gap between R’s output and the formatted results contained in your manuscript: https://github.com/easystats/report
[6]
pdfcpu - a Go PDF processor: https://github.com/pdfcpu/pdfcpu
[7]
gtreg - Regulatory Tables For Clinical Research with 'gtsummary': https://github.com/shannonpileggi/gtreg
[8]
ggdistribute - A ggplot2 Extension for Plotting Unimodal Distributions: https://github.com/iamamutt/ggdistribute
[9]
cannonball - 定量方法论和统计学相关函数工具: https://github.com/janhove/cannonball
[10]
Shiny开发者系列访谈: https://shinydevseries.com/interview/