一
論文題目：
scGNN is a novel graph neural network framework for single-cell RNA-Seq analyses論文摘要:
單細胞RNA測序（scRNA-Seq）被廣泛用於揭示組織、生物體和複雜疾病的異質性和動態性，但其分析仍然受到多種巨大挑戰，包括測序稀疏性和基因表達的複雜差異模式。作者引入scGNN（單細胞圖神經網絡），為scRNA-Seq分析提供一個無假設的深度學習框架。這個框架用圖神經網絡制定和聚集細胞-細胞關係，並使用左截斷混合高斯模型對異質基因表達模式進行建模。scGNN整合了三個迭代的多模式自動編碼器，並在四個基準scRNA-Seq數據集上優於現有的基因歸類和細胞聚類工具。在一項有死後腦組織的13,214個單核的阿爾茨海默病研究中，scGNN成功地說明了與疾病有關的神經發展和差異機制。scGNN提供了基因表達和細胞-細胞關係的有效表示。它也是一個強大的框架，可以應用於一般的scRNA-Seq分析。
論文鏈接：
https://www.nature.com/articles/s41467-021-22197-xGithub鏈接：
https://github.com/juexinwang/scGNN
二
論文標題：
RNA secondary structure prediction using deep learning with thermodynamic integration
論文摘要：
對RNA二級結構的準確預測有助於揭示功能性非編碼RNA的作用。儘管基於機器學習的模型在預測精度方面取得了很高的性能，但對於這種高度參數化的模型來說，過度擬合是一種常見的風險。在這裡，我們表明，當使用深度神經網絡學習的RNA摺疊分數與Turner的最近鄰自由能參數相結合時，過度擬合可以最小化。用熱力學正則化訓練模型可以確保摺疊分數和計算的自由能儘可能接近。在為新發現的非編碼RNA設計的計算實驗中，與其他幾種算法相比，我們的算法（MXfold2）在不犧牲計算效率的情況下實現了對RNA二級結構最穩健和準確的預測。結果表明，整合熱力學信息有助於提高基於深度學習的RNA二級結構預測的穩健性。
論文鏈接：
https://www.nature.com/articles/s41467-021-21194-4
三
論文題目：
Algebraic graph-assisted bidirectional transformers for molecular property prediction論文摘要：
分子性質預測的能力對藥物發現、人類健康和環境保護具有重要意義。儘管做出了相當大的努力，各種分子特性的定量預測仍然是一個挑戰。儘管一些機器學習模型，如來自transformer的雙向編碼器，可以通過自監督學習策略將大量未標記的分子數據納入分子表徵，但它忽略了三維立體化學信息。代數圖，特別是特定元素的多尺度加權彩色代數圖，將互補的三維分子信息嵌入圖的不變量中。作者提出了一個代數圖輔助的雙向transformer框架，融合了代數圖和雙向transformer產生的表徵，以及各種機器學習算法，包括決策樹、多任務學習和深度神經網絡。作者在八個分子數據集上驗證了AGBT框架，涉及定量毒性、物理化學和生理學數據集。大量的數值實驗表明，AGBT是一個最先進的分子特性預測框架。
論文鏈接：
https://www.nature.com/articles/s41467-021-23720-wGithub鏈接：
https://github.com/ChenDdon/AGBTcode
四
論文題目：
A topology-preserving dimensionality reduction method for single-cell RNA-seq data using graph autoencoder論文摘要:
降維對於高維單細胞RNA測序（scRNA-seq）數據的可視化和解釋至關重要。然而，將細胞間的拓撲結構保留到低維空間仍然是一個挑戰。在此，作者提出了單細胞圖自動編碼器（scGAE），一種在scRNA-seq數據中保留拓撲結構的降維方法。scGAE建立了一個細胞圖，並使用面向多任務的圖自動編碼器來同時保留scRNA-seq數據的拓撲結構信息和特徵信息。作者進一步將scGAE擴展為scRNA-seq數據的可視化、聚類和軌跡推斷。對模擬數據的分析表明，scGAE能準確地重建發展軌跡，並在不同情況下分離出離散的細胞集群，其性能優於最近開發的深度學習方法。此外，在經驗數據上實施scGAE顯示scGAE提供了對細胞發育譜系的新見解，並保留了集群間的距離。論文鏈接：
https://www.nature.com/articles/s41598-021-99003-7 - code-availabilityGithub鏈接：
https://github.com/ZixiangLuo1161/scGAE
留言列表