鑽石舞台

論文題目

Rescuing low frequency variants within intra-host viral populations directly from Oxford Nanopore sequencing data摘要

作者使用了納米孔測序技術構建了用於疾病變異檢測的方法。Oxford Nanopore Technologies (ONT) 平台上的傳染病監測提供了快速的周轉時間和低成本，被應用於跟蹤低頻宿主內變異為闡明宿主內病毒種群動態和傳播。鑑於 ONT 的錯誤率較高，準確識別具有低等位基因頻率的宿主內變體仍然是一個開放的挑戰，同時也沒有可行的計算解決方案可用。為了滿足這一需求，我們提出了 Variabel，這是一種新穎的方法，也是第一種方法，旨在僅從 ONT 數據中尋找到低頻宿主內變體。我們在合成數據（SARS-CoV-2）和患者衍生數據集（埃博拉病毒、諾如病毒、SARS-CoV-2）上評估 Variabel；我們的結果表明，Variabel 可以準確識別低於 0.5 等位基因頻率的低頻變體，在該任務中優於現有最先進的 ONT 變體調用者。

論文地址

https://www.nature.com/articles/s41467-022-28852-1代碼地址

www.gitlab.com/treangenlab/variabel。

論文題目:

Improved prediction of protein-protein interactions using AlphaFold2論文摘要:

預測相互作用的蛋白質鏈的結構是理解蛋白質功能的一個基本步驟。不幸的是，沒有一種計算方法能夠產生準確的蛋白質複合體結構。AlphaFold2，在模擬單鏈蛋白結構方面顯示出前所未有的準確度。在這裡，作者將AlphaFold2應用於預測異源二聚體蛋白的複合體。作者發現，AlphaFold2方法與優化的多序列比對一起，為63%的二聚體生成了具有可接受質量的模型（DockQ≥0.23）。根據預測的界面，作者創建了一個簡單的函數來預測DockQ得分，該函數可以區分可接受的和不正確的模型，以及相互作用的和不相互作用的蛋白質，具有最先進的準確性。作者發現，使用預測的DockQ分數，可以在1%的FPR下識別51%的所有相互作用對。

論文鏈接：

https://www.nature.com/articles/s41467-022-28865-w#Sec12Github:

https://gitlab.com/ElofssonLab/FoldDock

論文題目：

Discovery of rare cells from voluminous single cell expression data

論文摘要：

單細胞信使RNA測序(scRNA-seq)為我們提供了一個了解複雜組織中轉錄的途徑。最近引入的基於液滴的轉錄組學平台使數千個細胞的平行篩選成為可能。大規模的單細胞轉錄組學是有利的，因為它有望發現許多稀有的細胞亞群。為了尋找稀有的細胞，隨着樣本量增長到數萬個量級，現有的算法會緩慢地擴展或終止。我們提出了一種罕見實體查找器(FiRE)算法，該算法可以在幾秒鐘內為所研究的每個個體表達譜分配一個稀有度分數。我們演示了FiRE評分如何幫助生物信息學家將下游分析集中在超大scRNA-seq數據中的一小部分表達譜上。當應用於小鼠腦細胞的大型scRNA-seq數據集時，FiRE恢復了結節部譜系的一個新的亞型。

論文鏈接:

https://www.nature.com/articles/s41467-018-07234-6

論文題目

Fast custom wavelet analysis technique for single molecule detection and identification摘要

生物學單分子檢測。許多傳感器通過檢測和識別與時間相關的信號中的單個事件來運行，如果信號較弱且存在背景噪聲就很難簡單的獲取到以上信息。作者論證了了一種基於大規模並行連續小波變換 (CWT) 算法的強大、快速和穩健的信號分析技術。來自基於芯片的光流控單粒子傳感器的熒光信號證明了這種方法的優越性。該技術比簡單的尋峰算法更準確，並且比現有的 CWT 方法快幾個數量級，首次允許在傳感期間進行實時數據分析。如使用單個細菌 DNA 的無擴增檢測所證明的，將自定義小波應用於多峰信號可進一步提高性能。檢測率提高 4 倍，錯誤率提高了 6 倍，並展示了提取實驗參數的能力。這種基於集群的 CWT 分析將在信噪比受硬件限制時實現高性能實時傳感，例如在護理點環境中使用。

論文地址

https://www.nature.com/articles/s41467-022-28703-z代碼地址

https://github.com/vganjali/PCWA