【Briefings in Bioinformatics】四篇好文简读-专题18

一论文题目：

Quantitative model suggests both intrinsic and contextual features contribute to the transcript coding ability determination in cells 论文摘要：

基因转录和蛋白质翻译是“中心法则”的两个关键步骤。对影响哺乳动物转录本编码能力的反褶曲因子进行定量分析仍然是一个重大挑战。文章提出了核糖体计算器(RiboCalc)，用于定量模拟人类基因组中rna的编码能力。除了通过序列和转录特征高效预测实验确认的大量编码外，RiboCalc还提供了与生物信息相关的可解释参数。大规模分析进一步揭示了许多转录本具有不同类型细胞的各种编码能力(即上下文依赖的编码转录本)，这表明，与传统智慧相反，转录本的编码能力应该被建模为一个具有上下文依赖性质的连续谱。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab483/6445106 Github链接：

http://github.com/gaolab/RiboCalc/tree/master

二论文题目：

scIAE: an integrative autoencoder-based ensemble classification framework for single-cell RNA-seq data

论文摘要：

单细胞RNA测序可以在单细胞水平上定量分析基因表达，有利于研究细胞异质性。细胞类型的识别有助于复杂组织或生物中细胞图谱的构建，这是几乎所有下游scRNA-seq数据分析的基础。利用与疾病相关的scRNA-seq数据对疾病状态进行预测，有利于疾病的特异性诊断和个体化治疗。针对单细胞基因表达数据高维、稀疏且有断点的特点，文章提出了基于集成自编码器的集成分类框架scIAE，该框架首先进行多次随机投影，然后应用集成的可设计的自编码器，以获得降维特征。然后在低维表示的基础上建立基分类器，综合所有基模型的预测结果。scIAE与常用特征提取方法的比较表明，scIAE是有效的、鲁棒的，不受维数选择的影响，有利于后续的细胞分类。通过对不同类型数据进行测试，并与现有的通用和单细胞特异性分类方法进行比较，证明scIAE在数据集内细胞类型注释、跨批次、跨平台、跨物种以及疾病状态预测等方面具有很强的分类能力。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab508/6463428 Github链接：

https://github.com/JGuan-lab/scIAE

三论文题目：

OPUS-Rota4: a gradient-based protein side-chain modeling framework assisted by deep learning-based predictors 论文摘要：

准确的蛋白质侧链模型是蛋白质折叠和蛋白质设计的关键。在过去的几十年里，许多成功的方法被提出来解决这个问题。然而，它们大多依赖于来自rotamer库的离散样本，这可能对它们的准确性和用法有限制。文章开发了一个蛋白质侧链建模的开源工具包，名为OPUS-Rota4。它由三个模块组成:OPUS-RotaNN2，预测蛋白质侧链二面角;OPUS-RotaCM，它测量不同残差对侧链与OPUS-Fold2之间的距离和方向信息，利用前两个模块的约束来指导侧链建模。OPUS-Rota4采用OPUS-RotaNN2预测的二面角作为初始状态，OPUS-Fold2利用OPUS-RotaCM推导的侧链接触映射约束来细化侧链构象。因此，文章将边链建模问题转化为边链接触图预测问题。OPUS-Fold2是用Python和TensorFlow2.4编写的，其中包含了其他可微能量项，对用户很友好。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab529/6461160

四论文题目：

DeepDISOBind: accurate prediction of RNA-, DNA- and protein-binding intrinsically disordered residues with deep multi-task learning 论文摘要：

具有内在无序区(IDRs)的蛋白质在真核生物中很常见。许多IDR与核酸和蛋白质相互作用。这些相互作用的注释是由计算预测支持的，但到目前为止，只有一个工具预测与核酸的相互作用被发布，最近的评估表明，目前的方法只能达到中等水平的准确性。因此文章开发了DeepDISOBind，这是一种创新的深度多任务架构，可以从蛋白质序列准确预测脱氧核糖核酸(DNA)-、核糖核酸(RNA)-和蛋白质结合IDR。DeepDISOBind依赖于由创新的多任务深度神经网络处理的信息丰富的序列剖面，后续层逐渐专业化，以预测与特定组合类型的交互。公共输入层连接到区分蛋白质和核酸结合的层，后者进一步连接到区分DNA和RNA相互作用的层。经验测试表明，与单任务设计和现有方法的代表性选择相比，这种多任务设计在三种组合类型的预测质量上提供了统计上显著的收益，这些方法涵盖了无序和结构训练工具。对人类蛋白质组学预测的分析表明，DeepDISOBind预测可以被编码到蛋白质水平的倾向中，从而准确预测DNA和RNA结合蛋白和蛋白质中心。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab521/6461158