生信爱好者周刊（第 59 期）：AlphaCode 编程大赛卷趴一半程序员

王诗翔呀

发布于 2023-02-28 16:40:21

7460

发布于 2023-02-28 16:40:21

文章被收录于专栏：优雅R优雅R

❝程序员中非常流行这样一种测试——编程竞赛。在竞赛中，主要考察的就是程序员通过经验进行批判性思维，为不可预见的问题创建解决方案的能力。这体现了人类智能的关键，而机器学习模型，往往很难模仿这种人类智能。但DeepMind的科学家们，打破了这一规律。 YujiA Li等人，使用自监督学习和编码器-解码器转换器架构，开发出了AlphaCode。它就在著名的Codeforces上，悄悄地参加了10场编程比赛，并一举击败了半数的人类码农。 ❞

@ShixiangWang - AI 正在为生活和科技工作创造更多的可能性。作为研究者，我们需要尽力去利用技术武装自己，提高效率；同时也要关注技术给我们带来的复杂性、诱导性，避免偏离我们实际所追寻的目标。

生信研究

1、[Science | 拟南芥着丝粒的遗传和表观遗传图景]( "Science | 拟南芥着丝粒的遗传和表观遗传图景")

T2T测序在动物领域比植物领域应用更广泛。本文成功组装了拟南芥5条染色体着丝粒的首个全序列基因组Col-CEN，揭示了拟南芥着丝粒的遗传和表观遗传图景。

论文链接：https://www.science.org/doi/10.1126/science.abi7489

2、Nature Communication | 基于全基因组测序数据定制癌症疗法，基因组特征模型iGenSig助力精准医疗临床决策支持

美国UPMC希尔曼癌症中心的研究团队开发了一组用于预测癌症药物反应的基因组特征模型iGenSig，并使用独立的细胞系和临床数据集对该模型进行了验证。该团队引入了一种白盒方法，称为整合基因组特征分析（iGenSig）（图1），利用高维冗余基因组特征作为整合基因组特征，以增强基于多组学的精准肿瘤学建模的可转移性。iGenSig方法旨在解决基于大数据建模的透明性、跨数据集适用性和可解释性问题。在临床试验数据集的交叉适用性方面，iGenSig模型表现出了更好的性能，能够容忍基因组数据中的实验变异和偏差。iGenSig模型可以在每一个详细的步骤中进行管理，利用研究团队开发的富集分析方法，可以很容易地从生物学角度解释基因组特征的潜在通路。研究团队期望，作为基于大数据的建模方法，iGenSig将在药物基因组学和临床试验数据集的治疗反应建模中有广泛应用。

论文链接：https://www.nature.com/articles/s41467-022-30449-7

3、iMeta | iMetaLab Suite-宏蛋白组学分箱一站式工具箱

宏蛋白组学研究所需的生物信息学工作流程包含了蛋白质鉴定（搜库）、定量至下游功能和分类分析，一定程度上限制了其他领域微生物研究人员对宏蛋白组学的使用和探索，为此，本工作开发了涵盖宏蛋白组中最常用的功能、分类和统计分析的流程化工具箱。

论文链接：https://onlinelibrary.wiley.com/doi/full/10.1002/imt2.25

4、Nature Communication | 如何测量复杂网络的维度？

本研究提出通过扩散动力学过程来探测空间几何并定义维度的新方法，空间中的每个点都可以被分配一个相对于扩散源的相对维度（relative dimension）。这一概念为网络的局部和全局维度提供了依赖于尺度的定义，能反映网络的拓扑属性。为了展示相对维度概念可以在现实复杂系统应用，作者还展示了维度测量在网络传播动态过程的应用。

论文链接：https://www.nature.com/articles/s41467-022-30705-w

博文资讯

5、纳米孔测序技术前沿[4]

在2022年伦敦会议上，Nanopore technologies宣布Guppy已更新到v6.1.1。Remora是一款位于Minion的新软件，正式推荐用于检测DNA修饰。

6、偏差-方差权衡的直观解释是什么?[5]

bias-variance tradeoff 是机器学习的核心概念，本帖子展示了大家对于这一概念的理解和讨论。

7、R语言构建基因之间相关性、cox风险和归类属性图

本文以TCGA-THCA数据为例，介绍了如何将基因相关性、cox风险和归类属性在同一张图中进行展示。

8、ComplexHeatmap 热图文本框注释

该文介绍了如何绘制textbox(文本框)并且如何将其作为热图的annotation。

工具

9、Bpipe ｜一个运行和管理生物信息学管道的工具[6]

hello = {
  exec "echo Hello"
}
world = {
  exec "echo World"
}

Bpipe.run { hello + world }

许多从事数据科学工作的人最终以shell脚本的形式运行作业。虽然这使得运行它们很容易，但也有很多限制。例如，当脚本中途失败时，通常很难判断失败的位置或原因，从失败点重新启动作业就更难了。没有执行命令或控制台输出的自动日志，以确保以后可以看到发生了什么。有时作业会在中途失败，留下创建一半的文件，可能会与好文件混淆。修改管道也很耗时，而且容易出错——添加或删除一个步骤需要在多个地方进行修改，在一个地方更改文件名很容易导致后面的命令失败，甚至更糟，在不正确的数据上运行。Bpipe试图解决所有这些问题（甚至更多!），同时尽可能少地偏离shell脚本的简单性。事实上，你的Bpipe脚本通常看起来与您开始时使用的原始shell脚本非常相似。