IGoR: a tool for high-throughput immune repertoire analysis
高通量免疫库测序有望为医学和生物学带来新的统计诊断工具。这些方法的成功实施需要对这些数据集进行正确的表征、分析和解释。我们提出了IGoR -一种新的综合工具，它可以读取B或T细胞受体序列，并定量表征cDNA和gDNA受体生成的统计数据。它概率性地注释序列，其模块结构可以研究不同生物体的生物复杂性增加的模型。对于B细胞，IGoR返回超突变统计数据，我们使用它来揭示超突变沿序列的共定位。我们证明了IGoR在准确性和估计可靠的剧目表征所需的样本量方面优于现有的工具。
2017-05-23 q-bio.GN q-bio.QM
DeDaL: Cytoscape 3.0 app for producing and morphing data-driven and structure-driven network layouts
分子谱数据的可视化和分析以及生物网络能够为生物功能提供新的机制见解。目前，高吞吐量数据通常在预定义的网络布局上可视化，这些网络布局并不总是适合给定的数据分析任务。我们开发了一个Cytoscape应用程序，该应用程序允许基于作为节点属性值导入的分子谱数据构建生物网络布局。DeDaL是一款Cytoscape 3.0应用程序，它使用线性和非线性降维算法来生成基于多维数据（通常是基因表达）的数据驱动网络布局。DeDaL实现了几个数据预处理和布局后处理步骤，例如在两个任意网络布局之间连续变形，以及通过旋转和镜像将一个网络布局与另一个网络布局对齐。结合这些可能性有助于创建有洞察力的网络布局，表示结构网络特征和多变量数据中的相关模式。DeDaL是第一种允许从高通量数据构建生物网络布局的方法。DeDaL可在http://bioinfo-out.curie.fr/projects/dedal/上免费下载，并提供分步教程。
2015-02-02 q-bio.GN q-bio.MN q-bio.QM
Machine Learning for Uncovering Biological Insights in Spatial Transcriptomics Data
University of California, San Francisco（加利福尼亚大学旧金山分校）
多细胞系统的发育和稳态都需要对空间分子模式的形成和维持进行精确的控制。在空间分辨和高通量分子成像方法，如多重免疫荧光和空间转录组学（ST）的进步提供了令人兴奋的新的机会，以增加我们的基本了解这些过程中的健康和疾病。这些技术（特别是ST）产生的大型复杂数据集导致了主要基于深度学习技术的创新机器学习（ML）工具的快速发展。这些机器学习工具现在越来越多地用于集成的实验和计算工作流，以将复杂生物系统中的信号与噪声分离开来。然而，理解和平衡ST中快速扩展的分析工具箱的不同隐式假设和方法可能很困难。为了解决这个问题，我们总结了ML可以帮助解决的主要ST分析目标和当前分析趋势。我们还描述了四个主要的数据科学概念和相关的知识，可以帮助指导从业者为正确的生物学问题选择正确的工具。
2023-03-29 cs.LG q-bio.QM
OMICtools: a community-driven search engine for biological data analysis
随着高通量生物技术产生前所未有的数据量，研究人员面临着定位和比较呈指数增长的计算生物学程序和网站的挑战，以最大限度地发挥其数据的潜力。OMICtools旨在满足这一需求，其开放式搜索引擎提供了一种简单的方法，可以找到与每个研究人员及其特定生物数据分析相对应的正确工具。OMICtools网站（OMICtools.com）集中了18，500多个软件工具和数据库，由包括许多科学专家在内的生物学家团队手动分类。每个工具都提供了关键信息、直接链接以及生物医学界的讨论和评价。任何人都可以加入OMICtools社区并创建个人资料页面，以分享他们的专业知识和对工具的评论。此外，开发人员可以直接上传他们的代码版本，这些代码版本在科学出版物中注册以进行识别和引用，从而提高研究的可追溯性。OMICtools社区将全球数千名生命科学家和开发人员联系在一起，他们使用这个生物信息学平台来加速他们的项目和生物数据分析。
2017-07-12 cs.IR q-bio.QM
TROM: A Testing-based Method for Finding Transcriptomic Similarity of Biological Samples
由于高通量技术的发展，包括微阵列和下一代RNA测序，产生了大量的转录组数据，比较转录组学在基因组研究中越来越受欢迎。一个重要的问题是了解不同物种生物过程的保守性和差异性。我们提出了一种基于测试的方法TROM（转录组重叠测量）比较不同物种内或之间的转录组，并提供了一个不同的角度来解释转录组相似性，而不是传统的相关性分析。具体地，TROM方法集中于识别捕获生物样品的分子特征的相关基因，并且随后通过测试其相关基因的重叠来比较生物样品。我们使用模拟和真实数据的研究表明，TROM是更强大的识别相似的转录组和更强大的随机基因表达噪声比皮尔逊和斯皮尔曼相关性。我们应用TROM比较了六种果蝇的发育阶段，C。elegans，S. purpuratus、红腹拟步行虫D. rerio和小鼠肝脏，并发现有趣的对应模式，这意味着保守的基因表达程序在这些物种的发展。TROM方法可作为CRAN（http：//cran.r-project.org/）上的R包获得，手册和源代码可在http://www.stat.ucla.edu/ jingyi.li/software-and-data/trom.html获得。
2016-08-30 q-bio.GN q-bio.QM
A read-filtering algorithm for high-throughput marker-gene studies that greatly improves OTU accuracy
在基于标记基因的研究中处理高通量数据时，充分的读段过滤至关重要。测序错误可能导致其他相似读数的错误聚类，人为增加检索到的操作分类单位（OTU）的数量，从而导致高估微生物多样性。测序错误还将导致OTU不是原始生物序列的准确重建。在这里，我们提出了一种新的和敏感的序列过滤算法，最大限度地减少这两个问题，通过计算准确的错误概率分布的序列，其质量分数。为了验证我们的方法，我们对通过Roche 454，Illumina MiSeq和IonTorrent PGM平台对模拟和环境微生物群落进行测序获得的37个公开可用的数据集进行了质量过滤，并将我们的结果与以前的方法（如mothur，QIIME和UPARSE中的方法）进行了比较。我们的算法比其前辈保留了更多的读数，同时导致更少和更准确的OTU。这种改进的灵敏度产生了更忠实的代表性，定量和定性，研究样品中存在的真实微生物多样性。此外，在这项工作中介绍的方法是计算成本低廉，可以很容易地应用于任何现有的分析管道。
2015-06-01 q-bio.GN q-bio.QM
High-throughput mechanophenotyping of multicellular spheroids using a microfluidic micropipette aspiration chip
细胞球体是体外多细胞模型系统，其模拟生物组织的拥挤微环境。它们的力学特性可以为单细胞力学和细胞-细胞相互作用如何控制组织力学和自组织提供有价值的见解。然而，大多数测量技术仅限于一次探测一个球体，需要专门的设备并且难以处理。在这里，我们开发了一种微流体芯片，其遵循玻璃毛细管微量移液管抽吸的概念，以便以易于处理的高通量方式量化球状体的粘弹性行为。通过温和的流动将球体装载在平行的袋中，之后使用流体静压将球体舌状物吸入相邻的抽吸通道中。在每次实验之后，通过反转压力容易地从芯片移除球状体，并且可以注入新的球状体。具有均匀抽吸压力的多个囊袋的存在，结合易于进行连续实验，允许每天数十个球状体的高通量。我们证明，芯片提供准确的变形数据时，在不同的抽吸压力工作。最后，我们测量了不同细胞系制成的球体的粘弹性，并显示了这些是如何与以前的研究使用既定的实验技术相一致。总之，我们的芯片提供了一种高通量的方法来测量细胞球体的粘弹性变形行为，以机械表型不同的组织类型，并检查细胞内在特性和整体组织行为之间的联系。
2022-11-18 q-bio.QM q-bio.TO
Compression of structured high-throughput sequencing data
大型生物数据集正在以快速的速度产生，并带来了巨大的存储挑战，特别是在高通量测序（HTS）领域。目前用于存储HTS数据的大多数方法要么不能快速适应新测序或分析方法的要求（因为它们不支持模式演变），要么不能提供数据集的最新压缩。我们已经设计了新的方法来存储HTS数据，支持无缝的数据模式演变和压缩数据集大大优于现有的方法。在这些新方法的基础上，我们讨论并展示了多层数据组织如何大大减少收集，分析和归档大型测序数据集的存储，计算和网络负担。例如，我们表明，拼接RNA-Seq比对可以存储在小于BAM文件大小的4%中，具有完美的数据保真度。与现有技术的先前压缩状态相比，当存储基因表达和表观遗传数据集时，这些方法将数据集大小减小超过20%。这些方法已被整合到一套全面的软件工具（http：//www.example.com）中，该软件工具支持一系列高通量测序测定的常见分析。goby.campagnelab.org
2012-11-28 cs.DB q-bio.GN q-bio.QM
Hypergraph Models of Biological Networks to Identify Genes Critical to Pathogenic Viral Response
背景资料：将生物网络表示为图形是从高通量生物分子数据中揭示潜在模式、签名和关键组件的强大方法。然而，图形并不能自然地捕捉生物系统中基因和蛋白质之间存在的多路关系。超图是自然地对多路关系建模的图的推广，并且在诸如蛋白质复合物和代谢反应的建模系统中显示出了希望。在本文中，我们试图了解超图如何更忠实地识别，并可能预测，重要的基因的基础上推断出基因组表达数据集的复杂关系。结果如下：我们编制了一个新的数据集的转录宿主对致病性病毒感染的反应，并制定了基因之间的关系作为一个超图，其中hyperedges代表显着扰动的基因，顶点代表个别生物样品与特定的实验条件。我们发现，超图介数中心性是一个优越的方法识别基因的重要病毒反应时，与图中心性。结论：我们的研究结果表明，使用超图来表示复杂的生物系统，并突出中央的重要反应，在共同的各种高致病性病毒的效用。
2020-10-06 math.CO q-bio.QM
Fast Approximation of Frequent $k$-mers and Applications to Metagenomics
估计一组生物序列中所有$k$ -mer的丰度是生物分析中许多应用的基本且具有挑战性的问题。虽然已经设计了几种方法来精确或近似解决这个问题，但它们都需要处理整个数据集，这对于高通量测序数据集来说可能非常昂贵。虽然在某些应用中，估计所有$k$ -聚体及其丰度是至关重要的，但在其他情况下，仅报告在数据集中以相对高的频率出现的频繁$k$ -聚体可能就足够了。例如，在通常用于宏基因组分析的读取数据集之间基于$k$ -聚体丰度的距离的计算中就是这种情况。在这项工作中，我们开发，分析和测试，基于采样的方法，称为SAKEIMA，近似频繁的$k$ -聚体和它们的频率在高通量测序数据集，同时提供严格的保证质量的近似。SAKEIMA采用了先进的抽样方案，我们展示了如何表征的VC维，一个核心概念，从统计学习理论，一组正确定义的功能，导致实际的严格近似所需的样本量的界限。我们的实验评估表明，SAKEIMA允许严格近似频繁的$k$ -聚体，通过处理数据集的一小部分，并且由SAKEIMA估计的频率导致高通量测序数据集之间基于$k$ -聚体的距离的准确估计。总的来说，SAKEIMA是一个有效和严格的工具，估计$k$ -mer丰度提供显着的速度在分析大型测序数据集。
2019-02-26 q-bio.GN q-bio.QM
Finding the centre: corrections for asymmetry in high-throughput sequencing datasets
高通量测序是一种允许产生关于感兴趣的研究的基因组数据的数百万个读段的技术，并且来自高通量测序平台的数据通常是计数组成。对这些数据的后续分析可以产生关于转录谱、微生物多样性或甚至培养物中的相对细胞丰度的信息。由于获取成本高，数据通常是稀疏的，并且总是包含比变量少得多的观测值。然而，这些数据的一个未被充分认识的病理是它们通常不平衡的性质：即，仅仅由于特征的存在或不存在，组之间通常存在系统性变化，并且这种变化对数据的生物学解释很重要。一个简单的例子是比较有和没有基因敲除的酵母细胞的转录组。这导致对照组中的样本显示出差异很大的中心。这项工作扩展了先前描述的对数比转换方法，允许在贝叶斯组成的上下文中的样品之间的变量比较。我们在模型化和真实的不平衡实验设计中展示了病理学，以显示这是如何戏剧性地导致假阴性和假阳性推断的。然后，我们介绍了几种方法来证明如何可以解决的病理。一个极端的例子，只有使用一个预定义的基础是适当的。转换被实现为一个扩展的一般组成数据分析工具，称为ALDEx 2，这是在Bioconductor。
2017-04-06 q-bio.GN q-bio.QM
MotifMark: Finding Regulatory Motifs in DNA Sequences
Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）
蛋白质和DNA之间的相互作用是许多生物过程中的关键驱动力，如转录调控、修复、重组、剪接和DNA修饰。DNA-结合位点的鉴定和靶蛋白与这些区域结合的特异性是理解这些生物活性机制的两个重要步骤。最近出现了一些高通量技术，试图量化蛋白质和DNA基序之间的亲和力。尽管这些技术取得了成功，但它们也有自己的局限性，无法精确表征基序，因此需要进一步的下游分析，以从大量嘈杂和不准确的数据中提取有用和可解释的信息。在这里，我们提出了MotifMark，一种新的算法，基于图论和机器学习，可以找到候选探针的结合位点，并根据潜在的转录因子对其特异性进行排名。我们开发了一个管道来分析来自紧凑的通用蛋白质结合微阵列的实验数据，并将其与两种最准确的基序搜索方法进行基准测试。我们的研究结果表明，基序标记可以是一个可行的替代技术预测基序的蛋白质结合微阵列和可能的其他相关的高通量技术。
2017-05-04 cs.LG q-bio.GN q-bio.QM
Single-Cell Proteomics Using Mass Spectrometry
本综述总结了单细胞蛋白质组学（SCP）在样品制备、质谱技术和计算方法上的最新进展，强调通过整合分析、计算与实验策略以提升蛋白质组覆盖率和通量，从而揭示细胞异质性。
2025-03-29 q-bio.GN q-bio.QM
Reads2Vec: Efficient Embedding of Raw High-Throughput Sequencing Reads Data
Georgia State University（佐治亚州立大学）；University of Milano-Bicocca（米兰比可卡大学）
自COVID-19大流行开始以来，出现了大量SARS-CoV-2的基因组数据，这对研究其动态的传统方法提出了挑战。因此，出现了Pangolin等新方法，可以扩展到目前可用的数百万SARS-CoV-2样本。这种工具被定制为将组装、比对和策划的全长序列作为输入，例如在GISAID数据库中发现的那些。随着高通量测序技术的不断发展，这种组装、比对和策展可能成为瓶颈，从而需要能够直接处理原始测序读数的方法。在本文中，我们提出了Reads 2 Vec，一种无约束的嵌入方法，可以直接从原始测序读数中生成固定长度的特征向量表示，而无需组装。此外，由于这种嵌入是数值表示，因此它可以应用于高度优化的分类和聚类算法。在模拟数据上的实验表明，我们提出的嵌入方法获得了更好的分类结果和更好的聚类性能，与现有的无嵌入基线相反。在对真实数据的研究中，我们发现无干扰嵌入比Pangolin工具具有更好的聚类特性，并且SARS-CoV-2基因组的尖峰区域严重影响了无干扰聚类，这与当前SARS-CoV-2的生物学知识一致。
2022-11-15 cs.LG q-bio.GN q-bio.QM
Dramatic reduction of dimensionality in large biochemical networks due to strong pair correlations
涉及细胞信号转导和基因调控的高通量数据集的大的多维性使得难以提取涉及各种生化化合物（例如，蛋白质、脂质）。数据驱动的模型通常通过使用蛋白质表达水平的配对相关性来产生少量（<10）的主成分来规避这一困难，每个主成分是浓度的线性组合，以成功地模拟细胞如何响应不同的刺激。然而，尚不清楚这种减少是否特异于特定的生物系统或这些实验中使用的刺激的性质。我们研究了由不同分子物种之间的协方差矩阵描述的对相关性的时间变化，这些分子物种在大型生物相关反应网络中遵循确定性质量作用动力学演化，并表明这种维数的急剧减少（从几百到<5）是由不同物种之间在任何时刻的强相关性引起的，并且对非线性相互作用的形式敏感，网络结构和速率常数和浓度的值在很宽的范围内。我们涉及的协方差矩阵的特征值谱的时间变化的低维，局部变化的轨迹嵌入在更大的尺寸使用初等微分几何的方向。我们说明了如何提取生物相关的见解，如确定重要的时间尺度和相关的化学物种组从我们的分析。我们的工作第一次为成功的实验分析提供了理论基础，并指出了从大规模高通量数据集中提取机制的方法。
2012-01-24 cond-mat.stat-mech q-bio.MN q-bio.QM
Integration and mining of malaria molecular, functional and pharmacological data: how far are we from a chemogenomic knowledge space?
疟疾基因组和后基因组数据的组织和挖掘的高度动机是预测和表征新的生物靶标和新药的必要性。生物靶标是在根据恶性疟原虫的基因组数据设计的生物空间中寻找的，但也使用了来自其他物种的数百万个基因组数据。候选药物是在含有数百万小分子的化学空间中寻找的，这些小分子储存在公共和私人的化学物质中。因此，数据管理应尽可能可靠和通用。在这方面，我们研究了疟疾基因组和后基因组数据的组织和挖掘的五个方面：1）包括组成上非典型疟疾序列的蛋白质序列的比较，2）分子遗传学的高通量重建，3）生物过程特别是代谢途径的表示，4）整合基因组数据的通用方法，药物处理后从X-omic实验获得的生物学表征和功能谱分析，以及5）蛋白质结构的确定和预测及其与药物候选物结构的分子对接。进展朝着网格使能的化学基因组学知识空间进行了讨论。
2006-11-17 cs.DC q-bio.GN q-bio.QM
Advances in Big Data Bio Analytics
提供有效的数据分析对于解释目前由越来越多的高通量技术生成的大量生物数据集至关重要。逻辑编程在这个领域有很多贡献。在这里，我们详细介绍的进展，突出了两个优势的逻辑形式主义在生物环境中开发数据分析解决方案：访问大型关系数据库和建立分析管道收集图形信息从多个来源。我们提出了生物数据库的bio_db包，它作为Prolog事实，可以通过内存加载或通过数据库后端提供服务的显着进步。这些进展包括模块化的基础架构和纳入数据集从第二个有机体（小鼠）。此外，我们还介绍了一些数据分析工具，这些工具对这些数据集进行操作，并捆绑在分析包中：bio_analytics。这两个软件包都强调易于安装和使用。我们强调我们的组件为基础的方法的一般架构。还提供了一个通过SWISH进行本地安装的实验性图形用户界面。最后，我们主张生物数据分析是一个肥沃的领域，可以推动应用逻辑编程的进一步创新。
2019-09-18 cs.DB cs.LO q-bio.QM
Mixed membership analysis of genome-wide expression data
学习最能表达样本中复杂模式的潜在表达主题是数据挖掘和科学研究的核心问题。例如，在计算生物学中，我们从大量的基因表达图谱中提取一组解释生物过程的显著基因表达主题。在本文中，我们引入概率模型来学习这种潜在的主题在无监督的方式。我们的模型捕捉传染，即，同一特征多次出现之间的依赖性，使用分层贝叶斯方案。传染是一个方便的分析形式主义，以表征所观察到的特征模式，如生物背景下的语义主题。我们提出了适合不同属性的生物学数据的模型变量，我们概述了一个一般的变分推理方案的近似后验推理。我们通过SAGE在模拟数据和现实高通量基因表达谱上验证了我们的方法。我们的研究结果表明，改进的预测基因功能比现有的方法更强的独立性假设的基础上，并证明一个有前途的分层贝叶斯形式主义的软聚类和潜在的方面分析的可行性。
2007-11-15 q-bio.GN q-bio.QM
DeepSeq: High-Throughput Single-Cell RNA Sequencing Data Labeling via Web Search-Augmented Agentic Generative AI Foundation Models
Massachusetts Institute of Technology（麻省理工学院）
针对单细胞RNA测序数据标注的人工瓶颈，本研究提出结合实时网络搜索的智能体基础模型DeepSeq，实现最高82.5%的标注准确率，助力虚拟细胞基础模型开发及大规模组学研究。
2025-06-14 cs.AI cs.LG cs.SE
