【Nature communications】四篇好文简读-专题12
【Nature communications】四篇好文简读-专题12
一
论文题目：
A universal deep neural network for in-depth cleaning of single-cell RNA-Seq data
论文摘要:
单细胞RNA测序（scRNA-Seq）正被广泛用于生物医学研究，并产生了巨大的数据量和多样性。原始数据包含多种类型的噪声和技术伪像，需要彻底清理。现有的去噪和归因方法主要集中在单一类型的噪声（即dropouts），并且有很强的分布假设，这大大限制了它们的性能和应用。在这里，作者设计和开发了AutoClass模型，整合了两个深度神经网络组件，一个自动编码器和一个分类器，以最大限度地去除噪声和保留信号。AutoClass与分布无关，因为它不对特定的数据分布进行假设，因此可以有效地清除各种噪声和伪迹。在多种类型的scRNA-Seq数据分析中，AutoClass的表现优于最先进的方法，包括数据恢复、差异表达分析、聚类分析和批量效应去除。重要的是，AutoClass在关键的超参数设置上是稳健的，包括瓶颈层大小、预聚类数量和分类器权重。
论文链接：
https://www.nature.com/articles/s41467-022-29576-y Github:
https://github.com/datapplab/AutoClass
二
论文题目：
Current progress and open challenges for applying deep learning across the biosciences 论文摘要：
最近，深度学习(Deep Learning, DL)使计算生物学的重大挑战之一——半个世纪前的蛋白质结构预测问题——取得了前所未有的进展。 本文从蛋白质结构预测、蛋白质功能预测、基因组工程、系统生物学与数据集成、系统发育推断等5个方面讨论了生物信息学的研究进展、局限性和前景。 作者讨论了每个应用领域，并涵盖了DL方法的主要瓶颈，例如训练数据、问题范围，以及在新环境中利用现有DL架构的能力。 最后，作者总结了生物科学领域DL所面临的特定主题和普遍挑战。
论文链接：
https://www.nature.com/articles/s41467-022-29268-7#article-info
三
论文题目：
Single-cell gene fusion detection by scFusion
论文摘要:
基因融合在肿瘤的发生和发展中起着重要作用。虽然迄今为止的融合检测是从大量样本中进行的，但单细胞RNA测序（scRNA-seq）提供了在单细胞水平上检测基因融合的可能性。然而，scRNA-seq数据具有高噪声，并且包含各种可能导致虚假融合发现的瑕疵。在这里，作者提出了一个计算工具--scFusion，用于基于scRNA序列的基因融合检测。作者使用模拟和五个真实的scRNA序列数据集评估了scFusion的性能，发现scFusion可以高效、灵敏地检测融合，并且错误发现率较低。结果表明，scFusion可以用于研究基因融合的细胞异质性及其在单细胞水平上的转录影响。
论文链接：
https://www.nature.com/articles/s41467-022-28661-6
四
论文题目：
Off-the-shelf proximity biotinylation for interaction proteomics
论文摘要：
邻近生物素化工作流程通常需要对靶细胞进行基于 CRISPR 的基因操作。为了克服这个瓶颈，作者将 TurboID 邻近生物素化酶与蛋白 A 融合。在靶细胞透化后，ProtA-Turbo 酶可以使用诱饵特异性抗体靶向蛋白质或感兴趣的翻译后修饰。然后添加生物素会触发诱饵附近的蛋白质生物素化。随后可以从粗裂解物中富集生物素化蛋白质并通过质谱法进行鉴定。作者通过针对 Emerin、H3K9me3 和 BRG1 来演示此工作流程。在主要发现中，作者的实验表明，必需蛋白 FLYWCH1 与人类细胞中 H3K9me3 标记的（周围）着丝粒的一个子集相互作用。ProtA-Turbo 酶代表一种现成的邻近生物素化酶，可促进原代细胞中的邻近生物素化实验，并可用于了解蛋白质在体内如何合作以及这如何促进细胞稳态和疾病。
论文链接：
https://www.nature.com/articles/s41467-021-25338-4