Holographic bound and protein linguistics
物理学中的全息界限限制了生命的复杂性。可观测宇宙中有限的信息存储能力要求生命进化中的蛋白质语言学。我们发现遗传密码的进化决定了物种间氨基酸频率和基因组GC含量的差异。基于所有已知的完整蛋白质组的实验观察证实了优雅的语言机制。
2007-04-10 hep-th q-bio.GN q-bio.QM
Nucleosome positioning and energetics: Recent advances in genomic and computational studies
染色质是DNA、RNA和蛋白质的复合物，其主要功能是将基因组DNA包装到细胞核的紧密范围内。染色质的基本重复单位是核小体，核小体是组蛋白的八聚体，147个碱基对的DNA以几乎两圈的左旋超螺旋缠绕在核小体周围。染色质是一种动态结构，对基因表达和其他细胞功能的调节有着深远的影响。通过优化整个基因组的核小体位置以及通过响应各种外部和内部信号（例如环境扰动）重塑核小体来促进这些染色质指导的过程。在这里，我们讨论了大规模的地图，核小体的立场，通过最近的进展，并行高通量测序和微阵列技术。我们表明，这些地图揭示了核小体组织在真核生物基因组的共同特点。我们还调查了计算模型，旨在预测核小体形成分数或能量，并展示了如何这些预测可以用来定位多个核小体的基因组上没有空间重叠。
2009-12-20 cond-mat.soft q-bio.BM q-bio.GN
Essential role of long non-coding RNAs in de novo chromatin modifications: The genomic address code hypothesis
表观基因组，即整个染色质修饰，在细胞分化期间从母细胞转移到子细胞。然而，当在子细胞中进行从头染色质修饰（分别建立或消除新的或预先存在的DNA甲基化和/或组蛋白修饰）时，它具有与其母细胞不同的表观基因组。虽然从头染色质修饰是构成细胞分化基本过程的重要事件，但其分子机制仍知之甚少。我们在这封信中认为，解决这个问题的关键在于理解长链非编码RNA（lncRNA）的作用-这是一种在表观遗传学研究中变得越来越突出的RNA。许多研究表明，lncRNA在细胞核中形成核糖核-蛋白质复合物，并参与染色质修饰。然而，染色质修饰酶缺乏关于它们作用的基因组位置的信息。另一方面，已知单链RNA通常可以与双链DNA结合以形成三螺旋。如果每个lncRNA一方面与染色质修饰酶形成核糖核-蛋白质复合物，另一方面与基于其特定核苷酸序列的基因组区域形成三螺旋，则其可以在特定位点诱导从头染色质修饰。因此，lncRNA的多样性可以通过需要特异于其同源基因组区域的“基因组地址码”的多样性来解释，其中从头染色质修饰发生。
2017-03-08 q-bio.GN
Role of salt valency in the switch of H-NS proteins between DNA-bridging and DNA-stiffening modes
本工作通过粗粒度模型进行计算机模拟，研究H-NS蛋白和细菌基因组DNA的相互作用。该模型是专门开发的，以研究H-NS蛋白质从DNA-硬化到DNA-桥接模式的转换，这在向缓冲液中加入多价阳离子后已被反复观察到，但仍不清楚。解开相应的机制是更加关键的，因为H-NS蛋白以及其他类核蛋白的调节特性与它们的DNA结合特性有关。这里报道的模拟支持一种机制，根据该机制，多价阳离子的主要作用在于与H-NS/H-NS相互作用相比降低H-NS/DNA相互作用的强度，后者变得相对于前者在缓冲液的阳离子的有效价态的一定阈值以上在能量上有利。在阈值以下，H-NS二聚体形成细丝，其沿着DNA分子伸展，但在桥接基因组上遥远的DNA位点（DNA硬化模式）方面非常低效。相比之下，仅在阈值以上，H-NS二聚体形成3维簇，其能够连接远离基因组观点的DNA位点（DNA桥接模式）。该模型提供了明确的理论基础的实验观察，这两种模式之间的切换是一个阈值效应和H-NS二聚体的能力，以形成更高的顺序低聚物是至关重要的，他们的桥接能力。
2018-03-26 physics.bio-ph q-bio.BM q-bio.GN
Universal power law behaviors in genomic sequences and evolutionary models
我们研究了一类特殊的DNA序列的长度分布，称为5'UTR外显子。这些外显子属于蛋白质编码基因的信使RNA，但它们不编码（它们位于mRNA编码部分的上游），因此从进化的角度来看，它们受到的限制较少。我们发现，在小鼠和人类中，这些外显子的长度分布显示出非常干净的幂律衰减，并提出了一个简单的进化模型，可以解释这一发现。我们推测，这种幂律行为可能确实是高等真核生物的一般特征。
2007-06-15 cond-mat.other physics.bio-ph q-bio.GN
Increasing biological complexity is positively correlated with the relative genome-wide expansion of non-protein-coding DNA sequences
背景资料：在当前的基因组时代之前，有人认为生物体所使用的蛋白质编码基因的数量是衡量其复杂性的有效指标。然而，现在很清楚的是，主要的不一致性存在，生物复杂性和蛋白质编码基因的数量之间只有微弱的关系。例如，使用蛋白质编码基因数量作为评估生物复杂性的基础，将使尾索动物和昆虫的复杂性低于线虫，而人类的复杂性低于水稻。结果如下：我们分析了85个测序物种的非编码基因组DNA与总基因组DNA的比率（ncDNA/tgDNA），发现这个比率与生物学复杂性的增加密切相关。对于原核生物，ncDNA/tgDNA比率通常包含在0.05-0.24的带宽内，但在单细胞真核生物中上升到0.26-0.52，并且对于发育复杂的多细胞生物体上升到0.62-0.985。值得注意的是，原核生物物种的物种分布不均匀，接近平均值0.1177 ncDNA/tgDNA（p=1.58 x 10^-13），ncDNA/tgDNA与基因组大小呈非线性关系（r=0.15）。重要的是，ncDNA/tgDNA比率校正倍性，并且基本上不受重复序列的可变负荷的影响。结论：我们认为，所观察到的非编码DNA的增加和组成模式主要是增加的信息含量的函数。因此，内含子、基因间序列、重复元件和基因组DNA可能对复杂生物的进化和功能库比以前认识到的要重要得多。
2004-01-15 q-bio.GN q-bio.PE
Guide to k-mer approaches for genomics across the tree of life
本文系统综述了k-mer方法在生物多样性基因组学中的理论基础与实际应用，旨在为应对复杂基因组测序挑战提供参考手册。
2024-04-01 q-bio.GN
Leveraging Natural Language Processing to Unravel the Mystery of Life: A Review of NLP Approaches in Genomics, Transcriptomics, and Proteomics
The Shmunis School of Biomedicine and Cancer Research, George S. Wise Faculty of Life Sciences, Tel-Aviv University（谢蒙尼生物医学与癌症研究学院，乔治·S·威斯生命科学学院，特拉维夫大学）
探讨自然语言处理方法在生物序列数据（基因组学、转录组学和蛋白质组学）中的应用，介绍从经典到先进模型的适配，分析分词策略与模型架构，提及生物数据应用进展及语言模型融入生物信息学的前景。
2026-07-07 cs.AI cs.CL q-bio.GN
A Computational Approach to Finding RNA Tertiary Motifs in Genomic Sequences
在DNA、RNA和蛋白质中发现模体在生命科学研究中起着重要的作用。最近有关在生物分子数据中发现基序的专利被记录在DNA专利数据库中，该数据库为对基因组学、遗传学和生物技术等领域感兴趣的政策制定者和公众成员提供了资源。在本文中，我们提出了一个计算方法来挖掘RNA的三级模体的基因组序列。具体来说，我们描述了一种方法，命名为CSminer，用于发现RNA同轴螺旋堆叠在基因组中。共轴螺旋堆积发生在RNA三级结构中，其中两个单独的螺旋元件形成假邻接螺旋，并为整个分子提供热力学稳定性。实验结果证明了该方法的有效性。
2017-01-02 cs.CE q-bio.GN
An Extension of Deep Pathway Analysis: A Pathway Route Analysis Framework Incorporating Multi-dimensional Cancer Genomics Data
癌症研究的最新突破来自于新兴的通路分析领域。通过将统计方法应用于先前已知的基因和蛋白质调控信息，通路分析提供了一种有意义的方式来解释基因组数据。虽然已经研究了许多基因/蛋白质调控关系，但以前从未以基因/蛋白质调控网络和途径的有组织形式提供如此大量的数据。然而，通径分析的研究还处于起步阶段，尤其是在将其应用于解决实际问题时。在本文中，我们提出了一种新的方法来研究生物途径，交叉分析突变信息，转录组和蛋白质组学数据。利用这一结果，我们确定了可能导致疾病病因的异常途径。每个途径路径被编码为一个bavonet网络，该网络用一系列条件概率初始化，这些条件概率专门设计用于编码途径中编码的调控关系的方向性。更复杂的相互作用，如磷酸化和甲基化，在其他途径中，可以使用这种方法建模。我们的模型的有效性通过其区分真实途径与TCGA mRNA-seq上的诱饵、突变、拷贝数变异和乳腺癌和卵巢癌研究的磷酸化数据的能力来证明。大多数的途径可以通过生物学文献来证实。此外，正确识别途径的比例高于以前的工作，其中仅纳入乳腺癌患者的mRNA-seq突变数据。因此，这种结合更多样化数据的深入途径分析可以提高扰动途径检测的准确性。
2017-10-10 cs.OH q-bio.GN stat.ME
Protein and DNA sequence determinants of thermophilic adaptation
生活在极端环境温度下的原核生物在其蛋白质的氨基酸组成和其基因组的核苷酸组成中表现出明显的特征，反映了其对热环境的适应。然而，尽管做出了重大努力，但原核生物最佳生长温度的基因组和蛋白质组组成决定因素的确切答案仍然难以捉摸。在这里，作者通过详尽地评估所有氨基酸和核苷酸的组合作为具有全序列基因组的所有原核生物的最佳生长温度的可能决定因素，对嗜热适应的氨基酸和核苷酸组成特征进行了全面分析。作者发现，蛋白质组中7种氨基酸的总浓度IVYWREL可作为原核生物最佳生长温度的通用蛋白质组预测因子。解决了长期存在的争议，作者确定核苷酸组成的变化（嘌呤负荷或A+G含量随温度的增加）在很大程度上是蛋白质热适应的结果。然而，A和G核苷酸在基因组序列中作为最近邻出现的频率与最佳生长温度强烈且独立地相关。这是相应基因组中密码子偏好的结果。总之，这些结果提供了一个完整的图片蛋白质组和基因组的嗜热适应的决定因素。
2006-11-23 q-bio.BM q-bio.GN
Highly conserved sequence-specific double-stranded DNA binding networks contributing to divergent genomic evolution of human and chimpanzee brain development
Institute of Engineering in Medicine University of California, San Diego（加州大学圣地亚哥分校工程医学院）
本研究发现人类和黑猩猩大脑发育的分歧基因组进化与高度保守的序列特异性双链DNA结合网络有关，这些网络通过转座子提供的基因组调控种子模板起关键作用。
2024-09-12 q-bio.GN q-bio.MN q-bio.PE
Of Protein Size and Genomes
提出了一种近似计算基因组中基因数量的方法，该方法考虑了物种的平均蛋白质长度。许多病毒、细菌和真核生物的基因组被仔细检查。基因组的数字，支持的平均蛋白质大小的一个物种作为评估生命复杂性的标准。研究了人类基因在23条染色体上的分布，强调了基因组率、平均外显子长度和平均外显子/基因。它表明，存储一个人的所有基因肯定需要不到12 MB。
2015-02-12 q-bio.GN stat.AP
HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution
Stanford University（斯坦福大学）；Harvard University（哈佛大学）；SynTensor；Mila and Université de Montréal（Mila 和蒙特利尔大学）
针对基因组长程建模与单核苷酸分辨率问题，提出基于隐式卷积的HyenaDNA基础模型，支持百万级token上下文，在多个基准上达到最先进性能。
2023-11-14 cs.LG q-bio.GN
Seven clusters in genomic triplet distributions
在最近的几篇论文中，提出了新的基因检测算法，用于检测蛋白质编码区，而无需学习已知基因的数据集。无监督基因检测的可能性与寡聚体频率分布中簇结构的存在密切相关。在本文中，我们研究了几个基因组在其三联体频率空间的聚类结构，使用纯数据探索策略。几个完整的基因组序列进行了分析，使用滑动窗口中的三联体频率表的可视化。三重态频率的64维矢量的分布显示出可检测的簇结构。发现该结构由七个簇组成，对应于两条互补链中的一条中的三个可能阶段中的蛋白质编码信息，并且在非编码区中具有高准确性（在核苷酸水平上高于90%）。可视化和理解结构允许有效地分析不同基因预测工具的性能。由于该方法不需要提取ORF，因此它甚至可以应用于未组装的基因组。分析了三重态分布的信息含量和平均场模型的有效性。
2004-11-23 cond-mat.dis-nn cs.CV physics.bio-ph
A mechanistically interpretable neural network for regulatory genomics
Genentech（基因泰克）；Biology Research（生物学研究）；AI Development（人工智能开发）
针对调控基因组学领域传统基序提取方法信息分散难解释、重要性得分法不稳定的问题，提出一种机制可解释的神经网络架构，基序及语法可直接从权重和激活中读取，兼具完全表达能力与高可解释性，在基序发现等任务上表现优异且支持可解释的功能序列生成。
2024-10-08 cs.LG q-bio.GN
A Comparative Analysis of Ensemble Classifiers: Case Studies in Genomics
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
使用集成方法的多个分类器的组合对于在各种困难的预测问题中取得进展越来越重要。我们通过基因组学中的两个案例研究，即遗传相互作用和蛋白质功能的预测，对几种集成方法进行了比较分析，以证明它们在真实世界数据集上的有效性，并得出有关其行为的有用结论。这些方法包括简单聚合、元学习、基于聚类的元学习和集成选择，这些方法使用在重采样数据上训练的异构分类器来提高其预测的多样性。我们在4个基因组学数据集上对这些方法进行了详细分析，并发现这些方法中最好的方法在各自领域的最新技术水平上提供了统计学上的显着改进。此外，我们建立了集成选择和元学习之间的新联系，展示了这两种不同的方法如何在集成多样性和性能之间建立平衡。
2013-09-19 cs.LG q-bio.GN stat.ML
Global protein function prediction in protein-protein interaction networks
蛋白质功能的确定是后基因组时代最具挑战性的问题之一。全基因组的测序和获得基因共表达模式的可能性已经将注意力从单个蛋白质或小复合物的研究转移到整个蛋白质组的研究。在这种背景下，寻找可靠的蛋白质功能分配方法是极其重要的。以前的方法来推断未知功能的一类蛋白质利用序列相似性或聚类的共调节基因，系统发育概况，蛋白质-蛋白质相互作用，和蛋白质复合物。我们建议从蛋白质的物理相互作用网络中分配功能类，通过最小化具有不同类别的相互作用蛋白质的数量。功能分配是在全局范围内进行的，并且取决于蛋白质网络的整个连接模式。由于存在多个等价的解，使得多个功能分配成为可能。将该方法应用于酿酒酵母蛋白质-蛋白质相互作用网络。在存在高百分比未分类蛋白质和缺失/插入相互作用的情况下检测耐用性。
2003-06-24 cond-mat.dis-nn cond-mat.stat-mech q-bio.GN
Feedback GAN (FBGAN) for DNA: a Novel Feedback-Loop Architecture for Optimizing Protein Functions
Stanford University（斯坦福大学）
生成对抗网络（GANs）代表了一种有吸引力的新颖方法，可以在合成生物学中生成真实的数据，如基因，蛋白质或药物。在这里，我们应用GANs来生成编码可变长度蛋白质的合成DNA序列。我们提出了一种新的反馈环架构，称为反馈GAN（FBGAN），使用外部函数分析器优化合成基因序列的所需属性。所提出的架构还具有分析器不需要是可区分的优点。我们将反馈环机制应用于两个例子：1）生成编码抗菌肽的合成基因，以及2）优化合成基因以获得其所得肽的二级结构。一系列指标表明，GAN产生的蛋白质具有理想的生物物理特性。FBGAN架构还可用于优化GAN生成的数据点，以获得基因组学以外领域的有用属性。
2018-04-05 cs.LG cs.NE q-bio.GN
GENERator: A Long-Context Generative Genomic Foundation Model
Equal Contribution 12pt Senior Authorship 0.15in 1Alibaba Cloud Computing, Beijing, China 0.05in 2Zhongguancun Academy, Beijing, China 0.05in 3Zhongguancun Institute of Artificial Intelligence, Beijing, China 0.05in 4University of Science；Technology of China, Hefei, China 0.05in 5State Key Laboratory of Genome；Multi-omics Technologies, Shenzhen Branch, Guangdong Laboratory for Lingnan Modern Agriculture, Key Laboratory of Livestock；Poultry Multi-Omics of MARA, Agricultural Genomics Institute at Shenzhen, Chinese Academy of Agricultural Sciences, Shenzhen, China 0.05in 6Innovation Group of Pig Genome Design；Breeding, Research Centre for Animal Genome, Agricultural Genomics Institute at Shenzhen, Chinese Academy of Agricultural Sciences, Shenzhen, China 0.05in 7The Hong Kong University of Science；Technology (Guangzhou), Guangzhou, China 0.05in 8The Hong Kong University of Science；Technology , Hong Kong SAR, China 0.05in 9Mila - Qu\'ebec AI Institute, Montr\'eal, Canada 0.05in 10University of Montr\'eal, Montr\'eal, Canada 0.05in 11HEC Montr\'eal, Montr\'eal, Canada 0.05in 12CIFAR AI Chair, Canada 0.05in 13Carnegie Mellon University, Pittsburgh, USA 0.15in to
GENErator是一种长上下文生成基因组基础模型，通过大规模预训练实现高效基因组解读与可编程序列设计。
2026-01-31 cs.CL q-bio.GN
ProtVec: A Continuous Distributed Representation of Biological Sequences
University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室）
提出了一种新的生物序列表示和特征提取方法。命名为bio-vectors（BioVec）是指生物序列，蛋白质（氨基酸序列）是蛋白质载体（ProtVec），基因序列是基因载体（GeneVec），这种表示法可以广泛用于蛋白质组学和基因组学中的深度学习应用。在本文中，我们专注于蛋白质载体，可用于广泛的生物信息学研究，如家庭分类，蛋白质可视化，结构预测，无序蛋白质鉴定，和蛋白质相互作用预测。在该方法中，我们采用人工神经网络的方法，并表示一个蛋白质序列与一个单一的密集的n维向量。为了评估该方法，我们将其应用于从Swiss-Prot获得的属于7，027个蛋白质家族的324，018个蛋白质序列的分类，其中获得了93% ± 0.06%的平均家族分类准确率，优于现有的家族分类方法。此外，我们使用ProtVec表示从结构蛋白质预测无序蛋白质。使用两个无序序列数据库：DisProt数据库以及具有富含苯丙氨酸-甘氨酸重复序列（FG-NUPS）的核孔蛋白的无序区域的数据库。使用支持向量机分类器，FG-Nup序列与蛋白质数据库（PDB）中发现的结构化蛋白质序列区分的准确率为99.8%，非结构化DisProt序列与结构化DisProt序列区分的准确率为100.0%。这些结果表明，通过仅将各种蛋白质的序列数据提供到该模型中，可以确定关于蛋白质结构的准确信息。
2016-05-26 cs.AI cs.LG q-bio.GN
Securing the Language of Life: Inheritable Watermarks from DNA Language Models to Proteins
本文提出DNAMark和CentralMark两种DNA水印技术，通过同义密码子替换和蛋白质嵌入实现从DNA到蛋白质的可继承追踪，在保持序列功能的同时抵御突变与攻击，为DNA语言模型的生物安全治理提供框架。
2025-09-20 q-bio.GN
An investigation into inter- and intragenomic variations of graphic genomic signatures
我们提供了，在一个广泛的数据集，并使用几个不同的距离，确认CGR模式沿基因组DNA序列保存的假设，是不同的DNA序列起源于不同物种的基因组。这一发现支持了基因组序列的CGR可以作为图形基因组签名的理论。特别是，我们比较了来自六种生物基因组的500多个不同的150，000 bp基因组序列的CGR模式，每种生物都属于生命王国之一：H。sapiens，S. cerevisiae，A. thaliana、恶性疟原虫（P. falciparum）、E. coli和P. furiosus。我们还提供了初步的证据，这种方法的适用性密切相关的物种，通过比较H。sapiens（21号染色体）序列和来自P. troglodytes（Animalia; Y染色体）的超过150个基因组序列，也是150，000 bp长，分析的总长度超过1.01亿个碱基对。我们使用六种不同的距离计算这些基因组序列的CGR之间的成对距离，并构建分子距离图，将所有序列可视化为二维或三维空间中的点，以同时显示它们的相互关系。我们的分析证实，来自相同基因组的DNA序列的CGR模式通常在数量上相似，而来自不同物种基因组的DNA序列则不同。我们对评估距离性能的分析使用了三种不同的质量指标，并表明几种距离优于欧几里得距离，到目前为止，欧几里得距离几乎只用于此类研究。特别是，我们表明，对于这个数据集，DSSIM（结构相异指数）和描述符距离（…
2015-03-10 q-bio.GN
Origins of de novo genes in human and chimpanzee
新基因的诞生是进化创新的重要动力。尽管许多新基因是通过基因复制产生的，但其他基因起源于不包含任何基因或基因拷贝的基因组区域。这些新表达的基因中的一些可能获得编码或非编码功能，并通过自然选择而被保留。然而，目前还不清楚哪种是从头基因出现的普遍性和潜在机制。为了全面了解这一过程，我们对人类、黑猩猩、猕猴和小鼠四种哺乳动物的转录组进行了深入测序，随后比较了组装的转录本和相应的同线基因组区域。这导致在人类和/或黑猩猩中鉴定出超过5000个新的转录多外显子事件，这些事件在其他物种中没有观察到。通过比较基因组学，我们发现，这些转录本的表达与转录起始位点（TSS）上游的调控基序和TSS下游的U1 snRNP位点的增益相关。我们还发现，新基因的编码潜力高于偶然的预期，这与数据集中蛋白质编码基因的存在一致。利用现有的人类组织蛋白质组学和核糖体分析数据，我们确定了几个从头基因的翻译证据。这些基因显示出显著的纯化选择特征，表明它们可能是功能性的。总的来说，这些数据支持了一个模型，即基因组中频繁发生的新转录事件为新蛋白质的进化提供了原材料。
2015-09-09 q-bio.GN
Entropic stabilization of proteins and its proteomic consequences
我们在这里报告了一个新的熵机制，蛋白质的热稳定性，由于在自然状态下的旋转异构体异构化的残余动力学。全原子模拟表明，在蛋白质的折叠状态下，赖氨酸比精氨酸具有更多的可接近旋转异构体。这一发现表明赖氨酸将优先熵稳定天然状态。事实上，我们在计算实验中表明，精氨酸到赖氨酸氨基酸取代导致蛋白质的显着稳定。然后，我们假设，如果进化在其嗜热适应策略中使用这种物理机制，那么超耐热生物体在其蛋白质组中的赖氨酸含量将远远高于大小和电荷相似的精氨酸。与此一致，完整蛋白质组的高通量比较分析显示，在超嗜热生物体中，对精氨酸至赖氨酸的替代具有极强的偏好，并且在超嗜热生物体中，赖氨酸的含量总体上比精氨酸高得多。这一发现不能用GC成分偏差来解释。我们的研究提供了一个例子，说明如何分析热稳定性的一个微妙的物理机制，有助于解决比较基因组学中的一个难题，即为什么超嗜热蛋白质组的氨基酸组成明显偏向赖氨酸，而不是精氨酸
2005-06-22 cond-mat.soft physics.bio-ph q-bio.BM
Just-DNA-Seq, open-source personal genomics platform: longevity science for everyone
本文提出开源平台Just-DNA-Seq，让用户上传VCF文件即可获得长寿相关遗传变异注释和多基因风险评分，并配套GeneticsGenie GPT问答，填补了全面长寿基因组报告工具的空白。
2024-03-28 q-bio.GN
Robust Genomic Prediction and Heritability Estimation using Density Power Divergence
本文提出一种基于最小密度幂散度估计器（MDPDE）的稳健统计框架，结合一阶段与两阶段线性混合模型进行基因组预测与遗传力估计，在数据污染下表现出优于现有方法的稳健性与准确性。
2024-11-14 q-bio.GN stat.AP stat.ME
Prediction of PLX-4720 Sensitivity in Cancer Cell Lines through Multi-Omics Integration and Attention-Based Fusion Modeling
本文提出基于注意力机制的多组学整合模型，通过整合基因组和转录组数据预测PLX-4720敏感性，验证R2值超过0.92，强调数据类型选择的重要性。
2025-12-13 q-bio.GN
Excess of genomic defects in a woolly mammoth on Wrangel island
长毛猛犸象（Mammuthus mammgenius）在更新世和全新世早期居住在西伯利亚、白令海和北美。最近在古代DNA测序方面取得的突破使得两个长毛猛犸标本的完整基因组测序成为可能（Palkopoulou et al. 2015）。一个猛犸象标本来自45,000年前的大陆种群，当时猛犸象数量很多。第二，4300岁的标本，来自弗兰格尔岛上的一个孤立的人口猛犸象生存的小有效种群大小比以前的人口低43倍以上。这些有效种群大小的极端差异提供了一个难得的机会来测试单个物种内基因组架构进化的近乎中性的模型。使用这些先前发表的猛犸序列，我们确定缺失，逆转录酶，和非功能点突变。在弗兰格尔岛猛犸象中，我们发现了更多的缺失，更大比例的影响基因序列的缺失，更多的候选逆转录基因，以及更多的提前终止密码子。这种有害突变的积累与弗兰格尔岛上日益减少的猛犸象种群中的低有效种群大小引起的基因组崩溃是一致的。此外，我们观察到嗅觉受体和尿蛋白的损失率很高，因为这些位点是非必需的，或者因为它们在岛屿环境中受到不同选择压力的青睐。最后，在FOXQ 1基因座，我们观察到两个独立的功能丧失突变，这将赋予缎大衣表型在这个岛猛犸象。
2017-01-19 q-bio.GN q-bio.PE
To Understand Nature - Computer Modelling between Genetics and Evolution
我们已经介绍了编码遗传信息的分子结构的基本知识，这些信息从DNA转移到蛋白质的机制以及与DNA复制有关的现象。特别是，我们已经描述了与前导和滞后DNA链的复制有关的突变压力的差异。我们已经展示了DNA的不对称复制如何影响基因组的结构、基因的位置、它们的功能和氨基酸组成。蛋白质编码序列进化的Monte Carlo模拟结果表明，遗传密码在最大限度地减少核苷酸取代对蛋白质氨基酸组成的影响方面具有特殊作用。模拟的结果进行了比较的基因组和蛋白质组数据库的分析结果。这一章被认为是对后面章节的介绍，在后面章节中，染色体与由核苷酸序列表示的基因被替换为具有单个比特表示基因的比特串。
2009-01-11 q-bio.GN q-bio.PE
Physical descriptions of the bacterial nucleoid at large scales, and their biological implications
最近的实验和理论方法试图量化的物理组织（压实和几何形状）的细菌染色体与其互补的蛋白质（类核）。基因组DNA以复杂和动态的富含蛋白质的状态存在，其在各种长度尺度上高度组织。这对调节（当不启用时）复制，转录，分离的核心生物过程具有影响。我们概述了在这一领域的进展，在过去几年中，新的科学思想和新的跨学科实验技术，从高空间和时间分辨率显微镜，高通量基因组学采用测序映射不同方面的核苷相关的相互作用组。这篇评论的目的是从物理学的角度，连贯地提出广泛的实验和理论研究结果。我们还讨论了一些尝试的解释，统一不同的结果，突出的作用，统计和软凝聚态物理，特别是经典的和更现代的工具，从聚合物理论，在描述这个系统的基本生物学的重要性，并指出未来的调查可能的方向。
2012-05-29 cond-mat.soft physics.bio-ph q-bio.GN
A Critical Review of the Impact of Candidate Copy Number Variants on Autism Spectrum Disorders
自闭症谱系障碍（ASD）是一种异质性神经发育障碍（NDD），由遗传、表观遗传和环境因素引起。基因组分析的最新进展已经发现了许多具有增加ASD易感性的常见和/或罕见突变的候选基因。此外，越来越多的证据表明，拷贝数变异（CNVs），单核苷酸多态性（SNP）和不寻常的从头变异以各种方式对神经发育途径产生负面影响。在自闭症患者中发现的拷贝数变异的总体比率为10%-20%，其中3%-7%可以通过细胞遗传学检测到。虽然最近已经研究了亚显微CNVs在ASD中的作用，但它们与基因组位点和基因的关联尚未得到适当的研究。本文就47个ASD相关CNV区域及其相关基因进行综述。在这里，我们确定了1,632个蛋白质编码基因和这些区域内的长非编码RNA（lncRNA）。其中，552个在脑中显著表达。使用SFARI的ASD相关基因列表，我们检测到17个包含至少一个已知ASD相关蛋白编码基因的区域。在剩余的30个区域中，我们鉴定了24个区域，其含有至少一个在小鼠突变体中具有脑富集表达和神经系统表型的蛋白质编码基因，以及一个在iPSC向神经元分化中具有脑富集表达和上调的lncRNA。我们的分析突出了CNV区域遗传病变的多样性，有助于ASD，并提供了新的遗传证据，lncRNA基因可能有助于ASD的病因。此外，发现的CNVs将是诊断设施，治疗策略和变异优先级研究的宝贵资源。
2023-03-06 q-bio.GN q-bio.NC
Classification of life by the mechanism of genome size evolution
生命的分类应该基于生命进化的基本机制。我们发现，物种之间的全球关系应该是循环系统发育，这与基于系统发育树的常识有很大的不同。通过对当代物种蛋白质长度分布的分析，可以清楚地观察到系谱圈。因此，我们建议域可以定义为区别系统发育圈，这是全球性的和稳定的生活系统的特征。阐明了基因组大小进化的机制，从而解释了C值之谜的主要组成问题。根据蛋白质长度分布的相关性和准周期性，我们还可以将生命分为三个域。
2009-05-17 q-bio.GN q-bio.PE
RNAMunin: A Deep Machine Learning Model for Non-coding RNA Discovery
Jorgmundir
本文提出RNAMunin，一种仅利用基因组序列即可在多个Gbp规模的长读长宏基因组数据中发现非编码RNA的轻量级机器学习模型，无需转录组数据，参数约1M且计算快速。
2025-07-16 cs.LG q-bio.GN
