Noncoding RNAs serve as the deadliest regulators for cancer
癌症是人类死亡的主要原因之一。许多人努力了解其机制，并进一步确定了许多蛋白质和DNA序列变异作为疑似治疗靶点。然而，针对这些靶点的药物成功率很低，这表明其基本机制仍不清楚。在这里，我们开发了一个计算软件，将Cox比例风险模型和稳定性选择相结合，以挖掘隐藏在癌症基因组图谱（TCGA）海量数据中的被忽视但最重要的癌症驱动因素，包括11，574个RNAseq样本和临床数据。一般来说，非编码RNA主要调节癌症死亡，并作为最致命的癌症诱导剂和抑制剂，与传统认为的蛋白质相反。特别是，加工假基因作为主要的癌症诱导物，而lincRNA和反义RNA占主导地位的阻遏物。引人注目的是，非编码RNA是所有癌症类型的通用最强调节因子，尽管个人临床变量（如酒精和吸烟）会显著改变癌症基因组。此外，非编码RNA还作为癌症调控网络的中心枢纽和区分癌症类型的生物标志物发挥作用。因此，非编码RNA总体上是最致命的癌症调节因子，这刷新了癌症机制的基本概念，并为癌症研究和治疗奠定了新的基础。假基因的生物学功能很少被认识。在这里，我们从大数据中揭示它们是所有癌症类型最重要的癌症驱动因素，打破了探索其生物学潜力的障碍。
2019-10-08 q-bio.GN q-bio.MN
Predicting Breast Cancer Phenotypes from Single-cell RNA-seq Data Using CloudPred
本研究将端到端可微学习算法CloudPred扩展应用于乳腺癌单细胞RNA-seq数据的表型预测，发现其预测准确率达到AUC为1，优于线性和Deepset模型，验证了其在无关生物数据上的鲁棒性。
2024-02-17 q-bio.GN
The efficacy of various machine learning models for multi-class classification of RNA-seq expression data
The University of the West Indies（西印度群岛大学）
晚期诊断和高成本是对全球癌症患者护理产生负面影响的关键因素。虽然用于诊断癌症类型的生物标记物的可用性正在增加，但测试的成本和可靠性目前阻碍了其常规使用的采用。迫切需要能够早期诊断并涵盖广泛癌症的准确方法。机器学习和RNA-seq表达分析的使用在癌症类型的分类中显示出前景。然而，关于哪种类型的机器学习模型是最佳的，研究还没有定论。评估了五种算法对17种不同癌症类型分类的适用性。每个算法都经过微调，并在每个样本18，015个基因的完整阵列上进行训练，用于4，221个样本（数据集的75%）。然后，他们用1,408个样本（占数据集的25%）进行测试，其中癌症类型被保留，以确定预测的准确性。结果表明，集成算法在17种癌症中的14种癌症的分类中达到了100%的准确率。聚类和分类模型虽然比集成更快，但由于数据集中的高噪声水平而表现不佳。当特征减少到20个基因的列表时，集成算法保持了95%以上的准确率，而不是聚类和分类模型。
2019-08-19 cs.LG q-bio.GN stat.ML
Utilizing RNA-Seq Data for Cancer Network Inference
癌症系统生物学的一个重要挑战是揭示与癌症有关的基因（肿瘤抑制基因和癌基因）之间复杂的相互作用网络。下一代测序提供了无与伦比的能力来探测整个癌症基因组及其转录异构体的表达水平。然而，在解释高维测序数据和推断潜在的遗传网络方面存在繁重的统计和计算问题。在这项研究中，我们分析了来自69个人类个体的淋巴母细胞系的RNA测序数据，并实施了一个概率框架来构建生物相关的遗传网络。特别是，我们采用了图形套索分析，出于最大熵形式主义的考虑，估计RNA测序数据的稀疏逆协方差矩阵。基因本体论，途径富集和蛋白质-蛋白质路径长度分析都进行了验证相互作用的癌症基因异构体的预测网络的生物背景。
2012-12-06 q-bio.GN
Pan-cancer gene set discovery via scRNA-seq for optimal deep learning based downstream tasks
LG AI Research（LG人工智能研究院）
本研究针对泛癌研究中RNA-seq数据高维复杂的问题，提出基于scRNA-seq结合hdWGCNA与XGBoost筛选基因集的方法，在多个泛癌下游深度学习任务中性能优于参考基因集，还发现了关键泛癌生物标志物。
2024-08-13 cs.LG q-bio.GN
A Novel cVAE-Augmented Deep Learning Framework for Pan-Cancer RNA-Seq Classification
Columbia University（哥伦比亚大学）
提出一种利用类条件变分自编码器（cVAE）合成数据增强的深度学习框架，用于泛癌RNA-Seq分类，在5种癌症类型上实现约98%的准确率，显著优于原始数据训练的分类器。
2025-08-02 cs.AI cs.LG q-bio.GN
Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data
KTH Royal Institute of Technology（瑞典皇家理工学院）
机器学习可以通过基于基因组图谱对癌性和健康样本进行分类来精确识别任何阶段的不同癌症肿瘤。我们开发了新的MLAC（机器学习抗癌）方法，以完美的精度，灵敏度和特异性获得完美的结果。我们已经将通过下一代RNA测序技术获得的全基因组测序数据分别用于癌组织和健康组织的癌症基因组图谱和基因型-组织表达项目。此外，我们已经表明，无监督机器学习聚类具有很大的潜力，可用于癌症诊断。事实上，使用数据和通用算法的创造性方式已经导致了完美的分类，即即使使用少量数据，对于大多数不同的肿瘤类型，所有精度，灵敏度和特异性都等于1，并且相同的方法在一系列癌症上效果良好，并且也导致了癌症和健康样本的大量聚类。我们的系统可以在实践中使用，因为一旦分类器被训练，它就可以用于对新的潜在患者的任何新样本进行分类。我们的工作的一个优点是，上述完美的精确度和召回率在所有阶段的样本中获得，包括癌症的非常早期阶段;因此，它是早期癌症诊断的一个有前途的工具。我们的新模型的另一个优点是，它与RNA测序数据的归一化值一起工作，因此人们的私人敏感医疗数据将保持隐藏，受保护和安全。这种类型的分析在未来将是广泛和经济的，人们甚至可以学习接收他们的RNA测序数据，并自己进行初步的癌症研究，这有可能帮助医疗保健系统。这是朝着健康迈出的一大步，健康是可持续社会的主要基础。
2020-09-12 cs.LG q-bio.GN stat.ML
Hierarchical Pooling and Explainability in Graph Neural Networks for Tumor and Tissue-of-Origin Classification Using RNA-seq Data
Institute of Informatics（信息学院）；Universidade Federal do Rio Grande do Sul（鲁汶联邦大学）；Bioinformatics Core（生物信息学核心）；Hospital de Clínicas de Porto Alegre（波多利亚临床医院）
本文提出了一种基于图神经网络的层次池化方法，用于通过RNA-seq数据分类肿瘤和组织来源，通过可解释性分析揭示了癌症相关基因和生物学过程。
2026-01-10 cs.LG q-bio.GN
Transcriptome profiling research in urothelial cell carcinoma
尿路上皮细胞癌（UCC）是第九大常见癌症，占全球所有新发癌症病例的4.7%。UCC的发展和进展是由于复杂和随机的遗传程序。为了研究可能导致UCC中晚期疾病和对常规疗法的抗性的有限治疗选择的不良预后的分子事件的级联，已经采用了转录组学技术（RNA-Seq），一种使用现代高通量测序平台分析样品的RNA含量的方法。本文综述了RNA-Seq技术的原理，并总结了近年来利用该技术对膀胱癌进行的研究，以阐明膀胱癌的发病机制，鉴定生物标志物，发现通路并对疾病状态进行分类。我们列出了公共可用于RNA-Seq分析的常用计算平台和软件。此外，我们讨论了膀胱癌RNA-Seq研究的未来前景，并建议应用称为单细胞测序（scRNA-Seq）的新技术来进一步了解这种疾病。关键词：转录组分析，RNA测序，基因组学，生物信息学，膀胱癌
2021-01-31 q-bio.GN q-bio.QM q-bio.TO
Rare Genomic Subtype Discovery from RNA-seq via Autoencoder Embeddings and Stability-Aware Clustering
Department of Computer Science, University of Science and Technology Houari Boumediene (USTHB)（计算机科学系，哈里·布迈迪ene科学技术大学）
本研究结合自编码器嵌入与稳定性感知聚类方法，针对RNA-seq数据开展分析，在排除泛癌层面组织来源的干扰后，于KIRC癌种中识别出占比6.85%的稳定罕见可复现基因组亚型。
2025-11-17 cs.LG q-bio.GN
RADIA: RNA and DNA Integrated Analysis for Somatic Mutation Detection
体细胞单核苷酸变异的检测是表征癌症基因组的关键组成部分。到目前为止，突变识别算法主要集中在比较来自同一个体的正常和肿瘤基因组。近年来，像癌症基因组图谱（TCGA）这样的项目也对肿瘤RNA进行测序已经成为常规。在这里，我们提出了RADIA（RNA和DNA集成分析），一种将患者匹配的正常和肿瘤DNA与肿瘤RNA相结合以检测体细胞突变的方法。RNA的包含增加了检测体细胞突变的能力，特别是在低DNA等位基因频率下。通过整合DNA和RNA，我们能够挽救传统的突变调用算法所错过的回调，这些算法只检查DNA。RADIA被开发用于使用来自同一个体的DNA和RNA来鉴定体细胞突变。我们在TCGA的子宫内膜癌和肺腺癌的真实数据中证明了高灵敏度（84%）和非常高的特异性（98%和99%）。具有高DNA和RNA读段支持的突变具有超过99%的最高验证率。我们还介绍了一个模拟包，它将人工突变尖峰到真实数据，而不是模拟来自参考基因组的测序数据。我们评估敏感性的模拟数据，并证明我们的能力，包括RNA救援回叫在低DNA等位基因频率。最后，我们强调了由于RNA的掺入而被挽救回来的重要癌症基因的突变。软件可在https://github.com/aradenbaugh/radia/上获得
2014-02-04 q-bio.GN
regulAS: A Bioinformatics Tool for the Integrative Analysis of Alternative Splicing Regulome using RNA-Seq data
Johannes Gutenberg University Mainz（美因茨约翰内斯·古腾堡大学）
本研究推出生物信息学工具regulAS，通过整合TCGA、GTEx的RNA-Seq数据，实现可变剪接调控研究的实验自动化、多模块分析与灵活定制，提升研究效率与可重复性。
2023-07-17 cs.LG q-bio.GN
Predicting Molecular Phenotypes with Single Cell RNA Sequencing Data: an Assessment of Unsupervised Machine Learning Models
West High School（西高中）；University of Utah（犹他大学）
根据美国国家癌症研究所的数据，2018年有950万人死于癌症。改善治疗的一个挑战是遗传不稳定细胞的耐药性。本研究的目的是通过使用管道和评估指标分析单细胞RNA测序（scRNAseq）数据，评估无监督机器学习对异质性肿瘤中治疗耐药表型的分类。scRNAseq定量细胞中的mRNA并表征细胞表型。分析了一个scRNAseq数据集（不同分子亚型的肿瘤/非肿瘤细胞和患者鉴定）。该管道包括数据过滤，主成分分析降维，均匀流形近似和投影投影，九种方法（Ward，BIRCH，高斯混合模型，DBSCAN，光谱，亲和传播，凝聚聚类，均值漂移和K均值）的聚类，以及评估。7个模型划分肿瘤与非肿瘤细胞和分子亚型，6个模型分类不同的患者身份（其中13个在数据集中列出）; K-Means、Ward和BIRCH通常排名最高，肿瘤与非肿瘤任务的准确率约为80%，分子亚型和患者ID的准确率约为60%。和BIRCH模型被评估为最有效的用于进一步分析。在目前没有scRNAseq分析标准方案的临床研究中，从该管道生成的簇可用于了解癌症细胞行为和恶性生长，直接影响治疗的成功。
2021-08-11 cs.LG q-bio.CB q-bio.GN
mTim: Rapid and accurate transcript reconstruction from RNA-Seq data
高通量cDNA测序（RNA测序）技术的最新进展彻底改变了转录组研究。RNA测序的一个主要动机是以核苷酸分辨率绘制表达转录物的结构。利用用于转录物重建的精确计算工具，该技术也可以用于基因组（重新）注释，其主要依赖于从头基因发现，其中基因结构主要从基因组序列推断。我们开发了一种机器学习方法，称为mTim（基于边缘的转录本推理方法），用于从RNA测序读取比对重建转录本，该方法基于区分训练的隐马尔可夫支持向量机。除了来自读段比对的特征外，它还利用特征性基因组序列，例如剪接位点周围的序列，以改善转录物预测。mTim推断的转录物与来自Cufflinks（一种广泛使用的转录物组装方法）的转录物相比高度准确并且对比对误差相对稳健。
2013-09-20 q-bio.GN stat.ML
RNASEQR - A streamlined and accurate RNA-seq sequence analysis program
论文已被作者撤回。
2011-12-29 q-bio.GN
Adversarial Domain Adaptation Enables Knowledge Transfer Across Heterogeneous RNA-Seq Datasets
IBISC Laboratory（IBISC实验室）；University Paris-Saclay (Univ. Evry)（巴黎萨克雷大学（欧韦尔大学））；France（法国）
本研究提出基于深度学习的域适应框架，通过跨异构RNA-seq数据集实现有效知识转移，提升癌症类型分类的准确性，尤其在低数据场景下表现更优。
2026-03-09 cs.LG q-bio.GN
An observation of circular RNAs in bacterial RNA-seq data
环状RNA（circular RNA）是近年来发现的一类在古细菌和人类等多种真核生物中参与微RNA（microRNA，miRNA）调控的RNA。在这里，我们分析了从{ \it粪肠球菌}和{ \it大肠杆菌}中获得的RNA测序数据，其方式类似于以前对真核生物进行的研究。我们报告了在RNA测序数据中观察到的circRNA，这些数据在使用不同方案或生长条件进行的多个实验中是可重复的。
2016-06-14 q-bio.GN
RNASeqR: an R package for automated two-group RNA-Seq analysis workflow
RNA测序分析彻底改变了研究人员对生物学研究中转录组的理解。评估组织样本或患者组之间转录组学特征的差异使研究人员能够探索转录的潜在生物学影响。RNA测序分析需要多个处理步骤和巨大的计算能力。针对单个步骤有许多开发良好的R包;然而，很少有R/Bioconductor包将现有的软件工具集成到全面的RNA测序分析中，并在纯R环境中提供基本的端到端结果，以便研究人员可以快速轻松地获得大测序数据中的基本信息。为了满足这一需求，我们开发了开源的R/Bioconductor包RNASeqR。它允许用户运行一个自动化的RNA测序分析，只有六个步骤，产生必要的表格和图形结果，进一步的生物学解释。RNASeqR的特点包括：六步分析，全面的可视化，后台执行版本，以及R和命令行软件的集成。RNASeqR在纯R环境中提供快速、轻量级、易于运行的RNA测序分析管道。它允许用户有效地利用流行的软件工具，包括R/Bioconductor和命令行工具，而无需预先定义资源或环境。RNASeqR可从Bioconductor（https：//bioconductor.org/packages/release/bioc/html/RNASeqR.html）免费获得Linux和macOS操作系统。
2019-05-10 q-bio.GN
BOAssembler: a Bayesian Optimization Framework to Improve RNA-Seq Assembly Performance
RNA的高通量测序（RNA测序）可以为我们提供来自样品的数百万个RNA转录物的短片段。如何更好地从这些片段中回收原始RNA转录物（RNA测序组装）仍然是一项艰巨的任务。例如，RNA测序组装工具通常需要超参数调整，以实现特定数据集的良好性能。这种调优通常是不直观且耗时的。因此，用户经常采用默认参数，这并不能保证各种数据集的一致良好性能。在这里，我们提出了BOAssembler（https：//github.com/olivomao/boassembler），这是一个基于贝叶斯优化原理的框架，可以实现RNA测序组装器的端到端自动调优。实验表明，这种数据驱动的方法是有效的，以提高整体装配性能。该方法将有助于下游（如基因，蛋白质，细胞）分析，更广泛地说，为未来的生物信息学基准研究。
2019-02-14 q-bio.GN
Methods for Joint Imaging and RNA-seq Data Analysis
新兴的基因组和解剖成像数据的综合分析尚未得到很好的发展，提供了宝贵的信息，为整体发现疾病的基因组结构，并有可能打开一个新的途径，发现新的疾病易感基因，不能确定，如果他们被单独分析。成像和基因组数据分析成功的一个关键问题是如何减少它们的维度。用于成像信息提取和RNA测序数据简化的大多数先前方法不探索成像空间信息，并且通常忽略基因组位置水平上的基因表达变化。为了克服这些局限性，我们扩展功能主成分分析从一维到二维（2DFPCA）表示成像数据，并开发了一个多功能线性模型（MFLM），其中图像的功能主得分作为多个数量性状和跨基因的RNA测序作为一个功能预测器评估与图像的基因表达的关联。所开发的方法已应用于卵巢癌和KIRC研究的图像和RNA测序数据。我们分别鉴定了24个和84个基因，它们的表达与卵巢癌和KIRC研究中的成像变异相关。我们的研究结果表明，许多与图像显著相关的基因没有差异表达，但揭示了它们的形态和代谢功能。MFLM回归系数函数的峰值往往能发现剪接位点和多个基因表达亚型。
2014-09-13 q-bio.GN
RNA-seq data science: From raw data to effective interpretation
RNA测序（RNA测序）在过去的十年中已经成为现代生物学和临床应用中的示范技术。近年来，在生物信息学社区不断努力开发准确和可扩展的计算工具的推动下，它获得了巨大的普及。RNA测序是使用现代测序平台分析样品的RNA含量的方法。它以核苷酸序列的形式产生大量的转录组数据，称为读取。RNA测序分析能够探测基因和相应的转录物，这对于回答重要的生物学问题是必不可少的，例如检测新的外显子、转录物、基因表达和研究可变剪接结构。然而，由于现代测序技术的局限性，使用计算方法从原始数据中获得有意义的生物信号具有挑战性。利用这些技术挑战的需要已经推动了许多新的计算工具的快速发展，这些工具已经根据技术进步而进化和多样化，导致了当前无数的RNA测序工具。我们的综述提供了RNA测序技术的系统概述和2008年至2020年发表的235个可用的RNA测序工具，讨论了涉及RNA测序、分析和软件开发的生物信息学的跨学科性质。
2021-02-16 q-bio.GN
Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification
University of Idaho（爱达荷大学）；Jouf University（焦夫大学）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）
本研究针对多组学数据整合的高维度等挑战，构建了结合LASSO特征选择的三种图神经网络模型，用于31种癌症分类，其中LASSO-MOGAT取得95.9%的最优准确率，证明图架构整合多组学数据可提升分类效果并助力癌症机制研究。
2024-10-05 cs.LG q-bio.GN
Optirank: classification for RNA-Seq data with optimal ranking reference genes
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swiss Data Science Center（瑞士数据科学中心）；ETH Zürich（苏黎世联邦理工学院）
使用RNA测序（RNA测序）数据作为输入的分类算法用于各种生物学应用中。从本质上讲，RNA测序数据在数据集内，特别是在数据集之间都会受到不受控制的波动，这给经过训练的分类器推广到外部数据集带来了很大的困难。用观察内的基因计数的秩替换原始基因计数已被证明有效地缓解了该问题。然而，根据定义，特征的排名是相对于所有其他特征的，包括在排名中引入噪声的高度可变的特征。为了解决这个问题，并获得更强大的排名，我们提出了一个逻辑回归模型，optirank，同时学习模型的参数和基因作为参考集的排名。我们证明了这种方法的有效性模拟数据。我们还考虑了真正的分类任务，它呈现了不同种类的分布之间的转变训练和测试数据。这些任务涉及各种应用，例如未知主要分类的癌症、特定基因签名的鉴定以及单细胞RNA测序数据集中细胞类型的确定。在这些实际任务中，optirank的表现至少与经典秩上的香草逻辑回归一样好，同时产生更稀疏的解决方案。此外，为了提高对数据集变化的鲁棒性，我们提出了一个多源学习方案，并证明了其有效性时，结合使用基于排名的分类器。
2023-01-11 cs.LG q-bio.GN
Discovering Interpretable Biological Concepts in Single-cell RNA-seq Foundation Models
Scienta Lab
单细胞RNA测序基础模型在下游任务上实现了强大的性能，但仍然是黑匣子，限制了它们在生物发现中的实用性。最近的研究表明，稀疏字典学习可以从深度学习模型中提取概念，在生物医学成像和蛋白质模型中有很好的应用前景。然而，解释生物学概念仍然具有挑战性，因为生物序列本质上不是人类可以解释的。我们介绍了一种新的基于概念的可解释性框架的单细胞RNA测序模型，重点是概念的解释和评估。我们提出了一种归因方法与反事实扰动，确定影响概念激活的基因，超越相关的方法，如差异表达分析。然后，我们提供了两种互补的解释方法：一个专家驱动的分析促进了交互式界面和本体驱动的方法与基于属性的生物途径富集。将我们的框架应用于文献中的两个众所周知的单细胞RNA测序模型，我们解释了在两个免疫细胞数据集上训练的Top-K稀疏自动编码器提取的概念。与免疫学领域的专家，我们表明，概念提高了可解释性相比，单个神经元，同时保留了丰富性和信息的潜在表示。这项工作提供了一个原则性的框架，用于解释生物知识基础模型编码了什么，为它们用于假设生成和发现铺平了道路。
2025-10-29 cs.LG q-bio.GN
Uncertainty-aware t-distributed Stochastic Neighbor Embedding for Single-cell RNA-seq Data
Central South University（中南大学）；School of Mathematics and Statistics（数学与统计学院）
本文提出不确定性感知t-SNE（Ut-SNE），通过为每个样本建立概率表示，将单细胞RNA-seq数据中的转录组变异噪声纳入可视化，从而避免误导性展示，并可推广至其他高维数据分析领域。
2024-10-01 cs.LG q-bio.GN
A bioinformatics pipeline for the identification of CHO cell differential gene expression from RNA-Seq data
近年来，中国仓鼠和中国仓鼠卵巢（CHO）细胞系的基因组序列的公布，促进了这些生物制药细胞工厂的研究，具有前所未有的分辨率。特别是，我们对CHO细胞转录组的理解通过应用下一代测序（NGS）技术来检测RNA表达（RNA测序）而迅速发展。在本章中，我们提出了一个计算管道，用于分析来自Illumina平台的CHO细胞RNA测序数据，以识别差异表达的基因。运行此分析所需的示例数据和生物信息学工作流程可在www.cgcdb.org/rnaseq_analysis_protocol.html上免费获得。
2019-05-01 q-bio.GN
Isoform reconstruction using short RNA-Seq reads by maximum likelihood is NP-hard
最大似然法是一种流行的异构体重建技术。在这里，我们证明了通过最大似然法使用短RNA测序读数的同种型重建是NP困难的。
2013-05-04 q-bio.GN q-bio.QM
Modeling and analysis of RNA-seq data: a review from a statistical perspective
背景资料：自下一代RNA测序（RNA测序）技术发明以来，它们已成为研究生物样品中RNA分子的存在和数量的有力工具，并彻底改变了转录组学研究。RNA测序数据在四个不同水平（样品、基因、转录本和外显子）的分析涉及多个统计和计算问题，其中一些问题至今仍具有挑战性。结果：我们从统计学的角度回顾了样本、基因、转录本和外显子水平的RNA测序分析工具。我们还强调了最实际的考虑的生物和统计问题。结论：用于分析RNA测序数据的统计和计算方法的发展在过去十年中取得了重大进展。然而，为回答相同的生物学问题而开发的方法通常依赖于不同的静态模型，并且在不同的场景下表现出不同的性能。本文讨论并比较了多种常用的统计模型，希望能帮助用户根据需要选择合适的方法，并帮助开发人员进行未来的方法开发。
2018-05-01 q-bio.GN
Realistic simulations reveal extensive sample-specificity of RNA-seq biases
与RNA测序的重要性一致，生物信息学界已经产生了许多数据分析工具，这些工具结合了纠正样本特异性偏差的方法。然而，很少有先进的模拟工具存在，使竞争的校正方法的基准。我们引入了第一个框架来再现单个RNA测序运行的属性，并通过将其应用于多个数据集，我们证明了在现实模拟中考虑样本特异性的重要性。
2013-08-14 q-bio.GN
Probe region expression estimation for RNA-seq data for improved microarray comparability
快速增长的公共基因表达数据库包含了丰富的数据，可用于构建前所未有的人类生物学和疾病详细图像。这些数据来自许多不同的测量平台，这使得整合这些数据变得困难。虽然RNA测序（RNA测序）吸引了最多的关注，但目前提交到公共数据库的新微阵列研究的速度远远超过新RNA测序研究的速度。显然，需要有一种方法，使不同技术的数据更容易结合起来。在本文中，我们提出了一种处理RNA测序数据的新方法，该方法产生的基因表达估计值与来自微阵列数据的相应估计值更加相似，从而大大提高了跨平台的可比性。我们称之为PREBS的方法是基于从与微阵列探针区域重叠的RNA测序读取中估计表达，并用微阵列汇总算法RMA处理这些估计。使用配对的微阵列和来自TCGA LAML数据集的RNA测序样本，我们表明，来自RNA测序的PREBS表达估计值与来自其他RNA测序处理方法的基于微阵列的表达估计值更相似。在使用RNA测序查询样品从数据库检索配对的微阵列样品的实验中，发现基于PREBS表达估计定义的基因签名比来自其他方法的那些更准确。PREBS还允许使用RNA测序数据的新方法，例如微阵列探针组的表达估计。在Bioconductor软件包“prebs”中可以实现所提出的方法。
2014-10-15 q-bio.GN q-bio.QM
Improved annotation of 3-prime untranslated regions and complex loci by combination of strand-specific Direct RNA Sequencing, RNA-seq and ESTs
基因组序列的参考注释为基因组的所有后续分析提供了框架。当解释RNA测序实验的结果时，正确的注释特别重要，其中短序列读数被映射到基因组并根据注释分配给基因。参考系统和实验系统之间注释的增加可能导致对研究系统中实验处理或突变对RNA表达的影响的错误解释。直到最近，3-prime非翻译区的全基因组注释受到的关注少于编码区和内含子/外显子边界的划定。本文对人、鸡和A.通过来自Helicos Biosciences的新的单分子、链特异性、直接RNA测序技术（其将3-prime多聚腺苷酸化位点定位在+/-2 nt内）对拟南芥进行测序，与存档EST和RNA测序数据组合。举例说明了九个实例，其中这种数据组合允许：（1）基因和3-prime UTR重新注释（包括将一个3-prime UTR延伸5.9 kb）;（2）在复杂区域中解开基因表达;（3）更清楚地解释小RNA表达和（4）鉴定新基因。虽然这里显示的具体例子可能会随着基因组序列及其注释的完善而过时，但本文中列出的原则将对注释基因组的人和那些试图在其自己的实验数据的背景下解释现有的化学上可用的注释的人具有普遍用途
2013-11-11 q-bio.GN
Dynamic Model for RNA-seq Data Analysis
新开发的深度测序技术使获得有关转录生物学的定量和定性信息成为可能。通过测量样品中所有基因的信使RNA水平，RNA测序提供了一个有吸引力的选择来表征转录的整体变化。RNA测序正在成为基因表达谱分析的广泛使用的平台。然而，RNA测序数据中的真实转录信号与测量和测序误差以及其他随机生物/技术变化混淆。如何适当地考虑由于错误和测序技术变化引起的变异性是RNA测序数据分析中的关键问题。为了从RNA测序数据中提取生物学上有用的转录过程，我们建议使用第二个ODE对RNA测序数据进行建模。我们使用差分主分析开发的统计方法估计的位置变化系数的常微分方程。我们通过预测分析和5折交叉验证来验证ODE模型拟合RNA测序数据的准确性。我们发现第二个ODE模型预测跨基因的基因表达水平的准确性非常高，并且第二个ODE模型非常好地拟合RNA测序数据。为了进一步评估ODE模型用于RNA测序数据分析的性能，我们使用第二个ODE的位置变化系数作为特征来对正常细胞和肿瘤细胞进行分类。我们证明，即使使用单基因的ODE模型，我们可以达到很高的分类精度。我们还进行了响应分析，以研究转录过程如何响应外部信号的扰动，并确定了数十个与癌症相关的基因。
2014-12-04 q-bio.GN q-bio.QM
Statistical Modeling of RNA-Seq Data
最近，超高通量RNA测序（RNA-Seq）已被开发为用于分析基因表达的方法。通过获得转录序列的数千万甚至数亿个读数，RNA-Seq实验可以提供对任何感兴趣样品中基因（转录物）群体的全面调查。本文介绍了一个统计模型估计异构体丰度从RNA-Seq数据，是灵活的，足以容纳单端和双端RNA-Seq数据和采样偏差沿长度的转录本。在导出模型的最小充分统计量的基础上，给出了模型的极大似然估计的一个计算上可行的实现。此外，显示使用配对末端RNA-Seq在固定测序深度下提供比单末端测序更准确的同种型丰度估计。仿真研究也给出。
2011-06-16 q-bio.GN stat.ME
Statistical models for RNA-seq data derived from a two-condition 48-replicate experiment
高通量RNA测序（RNA测序）现在是确定差异基因表达的标准方法。鉴定差异表达基因关键取决于对读段计数变异性的估计。这些估计值通常基于统计模型，如负二项分布，由工具edgeR，DESeq和cuffdiff使用。到目前为止，这些模型的有效性通常在低重复RNA测序数据或模拟上进行测试。在酵母中进行48次重复的RNA测序实验，并针对理论模型测试数据。观察到的基因读段计数与对数正态和负二项分布一致，而均值-方差关系遵循约0.01的恒定离散参数线。高重复数据还允许严格的质量控制和不良重复的筛选，这可能会极大地影响基因读数分布。RNA测序数据已提交至ENA档案室，项目ID为PRJEB 5348。
2015-05-04 q-bio.GN
Automated family-based naming of small RNAs for next generation sequencing data using a modified MD5-digest algorithm
我们开发了NameMyGene，这是一个网络工具和独立程序，可以轻松地为小RNA序列生成假定的基于家族的名称，以便实验室可以轻松地组织，分析和观察下一代测序仪生成的大量数据的模式。NameMyGene也适用于其他新兴方法，如RNA-Seq和Chip-Seq，仅使用输入的小RNA序列，不需要任何额外的数据，如其他序列数据集。网络服务器和软件免费提供（http：//www.johnlab.org/NameMyGene），并基于Java以确保平台独立性。
2012-10-23 cs.CR q-bio.GN
Gene Co-expression Network analysis of Lung Squamous Cell Carcinoma data
我们对肺鳞状细胞癌数据进行了基因共表达分析，以找到可能高度影响这些类型肿瘤生长的基因模块（组）。此外，我们使用癌症生存数据将模块与生存时间方面的预后意义联系起来。对RNA-seq数据的分析揭示了在基因富集分析中有意义的模块。具体来说，两个基因-RFC 4和ECT 2-已被发现在生存时间方面是显着的。我们还对第二个微阵列数据集进行了第二次基因共表达分析，在该分析中发现的许多重要基因也可以在RNA-seq数据中找到，这意味着这些基因可能确实在肺鳞状细胞癌中起着至关重要的作用。用于分析的所有R代码可在以下位置找到：\url{https://github.com/nafizh/Gene_coexpression_analysis_lung_cancer}
2018-04-04 q-bio.GN q-bio.MN
MSIQ: Joint Modeling of Multiple RNA-seq Samples for Accurate Isoform Quantification
下一代RNA测序（RNA-seq）技术已被广泛用于以高通量方式评估全长RNA同种型丰度。RNA-seq数据提供了对基因表达水平和转录组结构的深入了解，使我们能够更好地了解基因表达和基本生物过程的调控。由于测序实验中的信息丢失，来自RNA-seq数据的准确异构体定量具有挑战性。最近来自相同组织或细胞类型的多个RNA-seq数据集的积累为提高亚型定量的准确性提供了新的机会。然而，用于多个RNA-seq样品的现有统计或计算方法在估计同种型丰度时将样品汇集到一个样品中或对样品分配相等的权重。这些方法忽略了不同样品质量的可能异质性，可能导致偏倚和不稳健的估计。在这篇文章中，我们开发了一种方法，我们称之为“多个RNA-seq样本的准确异构体定量联合建模”（MSIQ），通过在贝叶斯框架下整合多个RNA-seq样本来实现更准确和更强大的异构体定量。我们的方法旨在（1）识别具有同质质量的一致样本组，以及（2）通过允许一致组上的更高权重来联合建模多个RNA-seq样本，从而提高亚型定量准确性。我们表明，MSIQ提供了一个相合估计量的异构体丰度，我们证明了MSIQ的准确性和有效性相比，替代方法通过模拟研究D。melanogaster基因我们通过对来自人类胚胎干细胞、脑组织和HepG 2永生化细胞系的真实RNA-seq数据的应用研究，证明了MSIQ优于现有方法的优势。
2017-12-02 q-bio.GN q-bio.QM stat.AP
Path-GPTOmic: A Balanced Multi-modal Learning Framework for Survival Outcome Prediction
Capital Normal University（首都师范大学）；Novartis（诺华公司）；University of Notre Dame（圣母大学）
本文提出Path-GPTOmic多模态框架，通过调节scGPT嵌入空间提取基因生物学见解，并设计针对Cox损失的梯度调制机制平衡病理与基因组模态，在TCGA数据集上显著提升生存预测精度。
2024-03-18 cs.CV cs.LG q-bio.GN
Statistical modeling of isoform splicing dynamics from RNA-seq time series data
异构体定量是RNA测序实验的一个重要目标，但对于低表达或几种异构体的基因仍然存在问题。这些困难原则上可以通过利用相关的实验设计，如时间序列或剂量反应实验来改善。特别地，时间序列RNA测序实验正变得越来越流行，但是没有明确地利用实验设计来改进同种型定量的方法。在这里，我们提出了DICEseq，第一个异构体定量方法定制相关的RNA测序实验。DICEseq明确模拟了不同RNA测序实验之间的相关性，以帮助跨实验定量同种型。在模拟数据集上的数值实验表明，DICEseq产生的结果比最先进的方法更准确，这一优势在低覆盖率下可能变得相当可观。在真实数据集上，我们的结果表明DICEseq提供了实质上更可重复和稳健的定量，在具有低或中等表达水平的基因（所有基因的下三分之一）上，将来自重复数据集的估计值的相关性增加了高达10%。此外，DICEseq允许量化RNA的时间采样和测序深度之间的权衡，这通常是计划实验时的重要选择。我们的研究结果对RNA测序实验的设计具有重要意义，并为改进此类数据集的分析提供了一种新的工具。Python代码可以在http://diceseq.sf.net上免费获得。
2016-02-19 q-bio.GN
Explainable Artificial Intelligence Reveals Novel Insight into Tumor Microenvironment Conditions Linked with Better Prognosis in Patients with Breast Cancer
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Evolution Online LLC（Evolution Online有限责任公司）
我们通过使用可解释人工智能（XAI）模型研究了肿瘤微环境（TME）中的特征与三阴性乳腺癌（TNBC）和非TNBC（NTNBC）患者的总体和5年生存率之间的数据驱动关系。我们使用了来自癌症基因组图谱的浸润性乳腺癌患者的临床信息，以及来自cbioPortal的两项研究，PanCanAtlas项目和GDAC Firehose研究。在这项研究中，我们使用了来自UCSC Xena数据集的1，015名乳腺癌患者（存活或死亡）的标准化RNA测序数据驱动队列，并使用EPIC方法进行了整合去卷积，以估计来自RNA测序数据的7种不同免疫和基质细胞的百分比。从我们的XAI模型中获得的新见解表明，CD4+ T细胞和B细胞比其他TME特征对TNBC和NTNBC患者的预后更重要。我们的XAI模型揭示了关键的拐点（即，阈值分数），高于或低于该阈值分数，5年存活率提高。随后，我们确定了在从拐点推断的特定条件下，TNBC和NTNBC患者的$\geq$ 5年生存率的条件概率。特别是，XAI模型显示，TME中超过0.018的B细胞分数可以确保NTNBC患者100%的5年生存率。这项研究的发现可能会导致更准确的临床预测和增强的免疫治疗，并设计创新策略来重新编程乳腺癌患者的TME。
2021-04-24 cs.AI cs.LG q-bio.GN
Protocol for Executing and Benchmarking Eight Computational Doublet-Detection Methods in Single-Cell RNA Sequencing Data Analysis
双联体的存在是单细胞RNA测序（scRNA-seq）数据分析中的关键混杂因素。已经开发了用于从scRNA-seq数据检测双联体的计算方法。我们开发了一个R包DoubletCollection来集成八个双态检测方法的安装和执行。DoubletCollection还提供了一个统一的界面，用于在双联体检测后执行和可视化下游分析。在这里，我们提出了一个协议，使用DoubletCollection基准双检测方法。该协议可以自动适应快速发展的scRNA-seq领域的新双联体检测方法。
2021-06-25 q-bio.GN
Sailfish: Alignment-free Isoform Quantification from RNA-seq Reads using Lightweight Algorithms
RNA测序已迅速成为测量基因表达的事实上的技术。然而，分析所需的时间跟不上数据生成的速度。在这里，我们介绍Sailfish，一种新的计算方法，用于从RNA测序数据中量化先前注释的RNA异构体的丰度。Sailfish完全避免了映射读取，这在所有当前方法中都是一个耗时的步骤。Sailfish提供的量化估计比现有方法快得多（通常快20倍），而不会损失准确性。
2013-08-16 cs.CE q-bio.GN
High-resolution transcriptome analysis with long-read RNA sequencing
RNA测序（RNA-seq）能够表征和定量单个转录组以及检测等位基因表达和可变剪接的模式。目前的RNA-seq方案依赖于cDNA的高通量短读序测序。然而，随着持续的进步正在迅速产生增加的读段长度，在确定读段长度的差异影响各种转录组分析的程度方面仍然存在技术障碍。在这项研究中，我们为淋巴母细胞系GM 12878生成了两个不同读取长度（2x 75 bp和2x262 bp）的配对末端RNA-seq数据集，并比较了读取长度对转录组分析的影响，包括读取映射性能，基因和转录本定量，以及等位基因特异性表达（ASE）和等位基因特异性可变剪接（ASAS）模式的检测。我们的研究结果表明，虽然目前的长读长方案比短读长测序昂贵得多，但只有更长的读长才能实现重要的好处，包括更低的映射偏差和减少将读长分配给基因组元件（如mRNA转录本）的模糊性。我们表明，这些好处最终导致改善检测顺式作用的调节和剪接变异的影响在个人。
2014-05-28 q-bio.GN
Guidelines for reporting single-cell RNA-Seq experiments
近年来，单细胞RNA测序（scRNA-Seq）经历了重大的技术进步，使各种生物体水平的细胞图谱项目的概念成为可能。随着越来越多的数据集存放在公共档案馆，有必要解决的挑战，使这些数据集的再现性。在这里，我们描述了一组最小元数据的指南，以充分描述scRNA-Seq实验，确保数据分析的再现性。
2019-10-31 q-bio.GN
Exponential scaling of single-cell RNA-seq in the last decade
测量单细胞转录组的能力仅在几年内可行，并且正在成为一种非常受欢迎的测定。虽然许多类型的分析和问题可以使用单细胞RNA测序来回答，但中心焦点是调查样品中细胞类型多样性的能力。对不同细胞类型进行无偏见和可重复的编目需要大量的细胞。技术的发展和方案的改进推动了单细胞RNA测序分析中研究的细胞数量的持续指数增长。从这个角度来看，我们将重点介绍促成数据增长的关键技术发展。
2017-08-08 q-bio.GN
SeqMate: A Novel Large Language Model Pipeline for Automating RNA Sequencing
Stevens Institute of Technology（史蒂文斯理工学院）
SeqMate 利用大语言模型和生成式 AI，将 RNA-seq 数据准备、差异表达与轨迹分析及报告生成整合为一键式自动化流程，降低了生物学家使用门槛。
2024-07-02 cs.AI cs.LG q-bio.GN
Near-optimal RNA-Seq quantification
我们提出了一种新的方法，RNA测序定量，是接近最佳的速度和准确性。实现这种方法的软件称为kallisto，可以在标准笔记本电脑上在不到5分钟的时间内分析3000万个未对齐的配对末端RNA测序读数，同时提供与现有最佳工具一样准确的结果。这消除了RNA测序分析中的主要计算瓶颈。
2015-05-15 cs.CE cs.DS q-bio.GN
Models for transcript quantification from RNA-Seq
RNA测序正迅速成为转录组分析的标准技术。RNA测序的许多应用的基础是定量问题，其是来自测序读数的相对转录物丰度的准确测量。我们专注于这个问题，并回顾了许多最近发表的模型，用于估计相对丰度。除了描述模型和不同的推理方法外，我们还解释了方法之间的关系。一个关键的结果是，我们展示了如何推断与许多模型的结果在相同的估计相对丰度，即使模型配方可以是非常不同的。事实上，我们能够展示一个通用模型如何捕获以前发布的方法的许多元素。我们还回顾了RNA测序模型在差异分析中的应用，并解释了为什么准确的相对转录丰度估计对下游分析至关重要。
2011-05-13 q-bio.GN stat.ME
RNA-RNA interaction prediction based on multiple sequence alignments
目前已经发展了许多计算机化的RNA-RNA相互作用结构预测方法。最近，$O(N^6)$时间和$O(N^4)$空间动态规划算法已经变得可用，其计算RNA-RNA相互作用复合物的配分函数。然而，这些方法很少结合相关序列的知识，因此相关的进化信息往往被忽略的结构确定。因此，引入一种同时考虑热力学稳定性和序列协变的方法具有相当大的实际意义。我们提出了\emph{a priori}折叠算法\texttt{ripalign}，其输入由两个（给定）多序列比对（MSA）。\texttt{ripalign}输出（1）配分函数，（2）碱基配对概率，（3）混合概率和（4）一组Boltzmann采样的次优结构，其由与比对兼容的规范联合结构组成。与单序列对折叠算法\texttt{rip}相比，\texttt{ripalign}所需的额外内存资源可以忽略不计。此外，我们将可能的结构约束作为输入参数到我们的算法。这里描述的算法是作为\texttt{rip}包的一部分用C实现的。补充材料、源代码和输入/输出文件可从\url{http://www.combinatorics.cn/cbpc/ripalign.html}免费下载。Christian Reidys \texttt{duck@santafe.edu}
2010-07-14 math-ph math.MP q-bio.GN
CLEAR: Coverage-based Limiting-cell Experiment Analysis for RNA-seq
为单细胞RNA测序开发的直接cDNA预扩增方案已经能够在没有样品合并或RNA提取的情况下对珍贵的临床样品和稀有细胞进行转录组分析。目前，没有优化的算法来揭示和去除限制细胞RNA测序（lc RNA测序）数据中的噪声转录物以用于下游分析。在此，我们提出了CLEAR，这是一种在差异表达基因（DEG）分析的lcRNA-seq数据中识别可靠的可定量转录本的工作流程。来自慢性淋巴细胞白血病患者的三种输入量的FACS衍生的CD 5+和CD 5-细胞的文库用于开发CLEAR。当使用CLEAR转录物与使用所有转录物时，下游分析揭示了不同输入RNA量的更多共享转录物，改善了主成分分析（PCA）分离，并在细胞类型之间产生了更多DEG。作为原理证明，CLEAR应用于内部lcRNA-seq数据集和两个公共数据集。当使用插补时，CLEAR也适用于大型临床研究和单细胞分析。
2019-05-23 q-bio.GN q-bio.QM
Comprehensive evaluation of differential expression analysis methods for RNA-seq data
RNA转录物的高通量测序（RNA测序）已成为检测差异表达（DE）的首选方法。与此同时，这项技术的日益普及，有一个显着的研究工作致力于了解这些数据的统计特性和分析方法的发展。我们报告的综合评价常用的DE方法使用SEQC基准数据集。我们评估了一些关键特征，包括：评估标准化，DE检测的准确性，仅在一种条件下表达的基因的建模，以及测序深度和重复次数对识别DE基因的影响。我们发现这些方法之间存在显着差异，没有一种方法始终优于其他方法。此外，基于阵列的方法的性能与针对RNA测序数据定制的方法相当。也许最重要的是，我们的结果表明，增加重复样品的数量比增加测序深度提供了更高的检测能力。
2013-01-23 q-bio.GN q-bio.QM
DropLasso: A robust variant of Lasso for single cell RNA-seq data
MINES ParisTech（巴黎高等矿业学院）；PSL Research University（巴黎文理研究大学）；Institut Curie（居里研究所）；INSERM（法国国家健康与医学研究院）；Ecole Normale Supérieure（巴黎高等师范学院）；CNRS（法国国家科学研究中心）
单细胞RNA测序（scRNA-seq）是一种快速发展的方法，用于平行测量许多单个细胞的全基因组转录组，但会导致具有许多脱落事件的噪声数据。因此，从批量转录组数据中学习分子特征的现有方法可能不适用于scRNA-seq数据，以便将单个细胞自动分类为预定义的类别。我们提出了一种名为DropLasso的新方法来从scRNA-seq数据中学习分子签名。DropLasso扩展了神经网络训练中流行的dropout正则化技术，以估计稀疏线性模型。它很好地适应了被丢弃噪声破坏的数据，例如scRNA-seq数据，并且我们阐明了它与弹性网络正则化的关系。我们在模拟和真实scRNA-seq数据上提供了有希望的结果，表明DropLasso可能比标准规则更适合从scRNA-seq数据中推断分子特征。
2018-02-26 cs.CV q-bio.GN q-bio.QM
Detecting Differential Expression from RNA-seq Data with Expression Measurement Uncertainty
高通量RNA测序（RNA测序）已经成为一种革命性的和强大的表达谱分析技术。大多数提出的用于检测来自RNA测序的差异表达（DE）基因的方法是基于比较条件之间的标准化读段计数的统计学。然而，目前将测量不确定度引入DE检测的方法还不多见。此外，大多数方法只能检测DE基因，很少有方法可用于检测DE亚型。在本文中，贝叶斯框架（BDSeq）提出了检测DE基因和异构体与表达测量不确定性的考虑。这种表达测量不确定度提供了有用的信息，可以帮助提高DE检测的性能。使用三个真实的RAN-seq数据集来评估BDSeq的性能，结果表明，包含表达测量不确定性提高了DE基因和亚型检测的准确性。最后，我们开发了GamSeq-BDSeq RNA测序分析管道以方便用户，该管道可在网站http://parnec.nuaa.edu.cn/liux/GSBD/GamSeq-BDSeq.html上免费获得。
2014-11-15 cs.CE q-bio.GN q-bio.QM
Count-based differential expression analysis of RNA sequencing data using R and Bioconductor
RNA测序（RNA-seq）已迅速用于生物学许多领域的转录组分析，包括对基因调控、发育和疾病的研究。特别感兴趣的是发现在不同条件下差异表达的基因（例如，组织、扰动），同时可选地调整影响数据收集过程的其他系统因素。这些分析有许多微妙但关键的方面，例如读段计数、生物变异性的适当处理、质量控制检查和统计建模的适当设置。文献中提出了几种不同的做法，需要就目前的最佳做法提供指导。该方案提出了一种“最先进的”计算和统计RNA-seq差异表达分析工作流程，主要基于免费开源R语言和Bioconductor软件，特别是两种广泛使用的工具DESeq和edgeR。典型小型实验的动手时间（例如，4-10示例）可以小于1小时，使用标准台式PC计算时间小于1天。
2013-06-20 q-bio.GN
