Accurate and robust genomic prediction of celiac disease using statistical learning
基于基因组学的风险分层在临床诊断中的实际应用是有吸引力的,但根据疾病和基因组风险评分(GRS)方法的不同,性能差异很大。乳糜泻(CD)是一种常见的免疫介导的疾病,由强烈的遗传决定,需要特定的HLA单倍型。HLA检测可以排除诊断,但特异性低,提供的信息不适合临床危险分层。使用六个欧洲CD队列,我们提供了一个概念验证,即同时对所有SNP进行建模的统计学习方法可以基于全基因组SNP谱生成鲁棒且高度准确的预测模型。高预测能力在每个队列内的交叉验证(AUC为0.87-0.89)和跨队列的独立重复(AUC为0.86-0.9)中均得到复制,尽管种族存在差异。模型解释了30-35%的疾病变异和高达$\sim43\%$的遗传力。GRS的效用在不同的临床相关设置进行了评估。与HLA分型相比,GRS可用于识别具有$\geq99.6\%$阴性预测值的无CD个体,然而,与HLA分型不同,患者也可分为CD高风险类别,这些患者将受益于更具侵入性和更昂贵的确定性检测。GRS是灵活的,其性能可以通过调整阈值截止来适应临床情况。尽管解释了少数疾病的遗传性,我们的研究结果表明,预测GRS提供了临床相关的信息,以改善目前的CD诊断途径,并支持进一步的研究评估这种方法在CD和其他复杂疾病的临床效用。
2013-12-20 q-bio.GN stat.AP
Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival Prediction
Genentech(基因泰克);University of Central Florida(中佛罗里达大学)
多模态数据(如病理图像和基因组数据)的整合对于理解癌症的异质性和个性化治疗的复杂性以及增强生存预测至关重要。尽管在整合病理学和基因组数据方面取得了进展,但大多数现有方法不能彻底挖掘复杂的模态间关系。此外,从这些控制临床前发现和临床预测的模型中识别可解释的特征对于癌症诊断,预后和治疗反应研究至关重要。我们提出了PONET-一种新的生物学途径知情的病理学-基因组深度模型,它集成了病理图像和基因组数据,不仅可以改善生存预测,还可以识别导致患者不同生存率的基因和途径。六个癌症基因组图谱(TCGA)数据集的实证结果表明,我们提出的方法实现了卓越的预测性能,并揭示了有意义的生物学解释。所提出的方法建立了对如何在多模态生物医学数据上训练生物信息深度网络的见解,这将对理解疾病和预测对治疗的反应和抵抗具有普遍适用性。
2023-01-06 cs.LG eess.IV q-bio.GN
Genomics-guided drawing of malignant regulatory signatures revealed a pivotal role of human stem cell-associated retroviral sequences (SCARS) and functionally-active hESC enhancers
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);OncoSCAR, Inc.(OncoSCAR公司)
本文揭示SCARS和功能活跃的hESC增强子在恶性肿瘤中的关键作用,提出其作为诊断和治疗靶点的潜力。
2020-08-03 q-bio.GN q-bio.MN q-bio.PE
A Deep Learning Pipeline for Epilepsy Genomic Analysis Using GPT-2 XL and NVIDIA H100
Connetquot Central School District of Long Island, NY 11716 USA(纽约长岛康奈克特中央学区);Florida Atlantic University(佛罗里达大学);Kansas State University(堪萨斯州立大学);Brookhaven National Laboratory(布鲁赫斯国家实验室)
本研究针对癫痫转录组复杂数据集解析难题,提出融合GPT-2 XL大语言模型与NVIDIA H100 GPU加速的深度学习分析流水线,在两个癫痫数据集上验证了其在转录组表征及疾病相关模式识别中的有效性。
2025-10-01 cs.CV cs.LG q-bio.GN
An Efficient Sufficient Dimension Reduction Method for Identifying Genetic Variants of Clinical Significance
The University of Texas School of Public Health(德克萨斯大学公共卫生学院)
快速和更便宜的下一代测序技术将产生前所未有的大规模和高维度的基因组和表观基因组变异数据。在不久的将来,医疗记录的常规部分将包括测序的基因组。一个基本的问题是如何有效地提取临床实用的基因组和表观基因组变体,这将为最佳健康和干扰策略提供信息。用于识别临床有效性的变体的传统范例是测试变体的关联。然而,显著相关的遗传变异可能对疾病的诊断和预后有用,也可能没用。寻找预测效用的遗传变异的关联研究的替代方法是系统地搜索包含足够的表型预测信息的变异。为了实现这一目标,我们引入了足够的降维和坐标假设的概念,将原始的高维数据投影到非常低维的空间,同时保留所有关于响应表型的信息。然后,我们制定了临床上显着的遗传变异发现问题稀疏SDR问题,并开发算法,可以选择显着的遗传变异,从高达甚至千万的预测与SDR的帮助下,为整个基因组划分成一些subSDR问题定义的基因组区域。稀疏SDR反过来被公式化为稀疏最优评分问题,但具有可以从基矩阵中移除行向量的惩罚。为了加快计算速度,我们提出了一种改进的交替方向乘子法来求解稀疏最优评分问题,该方法易于并行实现。为了说明其应用,将所提出的方法应用于模拟数据和NHLBI的外显子组测序项目数据集
2013-01-15 cs.LG q-bio.GN stat.ML
Genomics models in radiotherapy: from mechanistic to machine learning
机器学习为解决分类和回归中的高维预测问题提供了一个广泛的框架。虽然机器学习通常应用于医学物理学中的成像问题,但有许多努力将这些原理应用于生物数据,以解决辐射生物学问题。在这里,我们提供了一个审查的放射基因组学建模框架和努力基因组指导放疗。我们首先讨论医学肿瘤学努力开发精确的生物标志物。我们接下来讨论类似的努力,以创建正常组织或肿瘤放射敏感性的临床测定。然后,我们讨论了放射敏感性的建模框架和机器学习的演变,以创建放射基因组学的预测模型。
2019-08-06 q-bio.GN q-bio.QM stat.AP
Coupling Deep Imputation with Multitask Learning for Downstream Tasks on Genomics Data
AstraZeneca(阿斯利康)
基因组学数据,如RNA基因表达、甲基化和微小RNA表达是各种临床预测任务的有价值的信息来源。例如,不仅可以使用临床数据,还可以使用分子数据来预测生存结果、癌症组织学类型和其他患者的相关信息。此外,一起使用这些数据源,例如在多任务学习中,可以提高性能。然而,在实践中,有许多缺失的数据点,这导致在分析完整病例时患者人数显着减少,在我们的设置中,这是指所有模式都存在。在本文中,我们研究了如何使用深度学习结合多任务学习来估算缺失值的数据,以帮助使用组合基因组学模式、RNA、microRNA和甲基化来达到最先进的性能结果。我们提出了一种广义的深度插补方法来插补值,其中一个病人有所有的方式,除了一个。有趣的是,对于大多数模态组合的分类和回归任务,单独的深度插补优于单独的多任务学习。相比之下,当使用所有模式进行生存预测时,我们观察到单独的多任务学习优于单独的深度插补,具有统计学显著性(调整后的p值0.03)。因此,在优化下游预测任务的性能时,这两种方法是互补的。
2022-05-25 cs.AI cs.CV cs.LG
Evaluating unsupervised disentangled representation learning for genomic discovery and disease risk prediction
Google Research(谷歌研究院)
本研究在遗传关联研究背景下评估多种无监督解耦表示学习方法,发现FactorVAE和beta-VAE相比标准方法能提升基因组发现与疾病风险预测效果,且FactorVAE超参数鲁棒性更强。
2023-07-17 cs.LG q-bio.GN stat.ML
Democratizing Clinical Tumor Whole Genome Sequencing: 18-hour End-to-end Analysis via Trillion-parameter Large Language Models Locally Deployed on Consumer-grade Hardware
Hangzhou Tsingxin quantum Co., Ltd.(杭州清芯量子有限公司)
本研究在消费级硬件上本地部署万亿参数生物医学大语言模型,实现18小时内完成肿瘤全基因组测序分析,达到99.62%的变异检测F1分数,打破了对昂贵GPU集群的依赖,为基层医疗提供零额外成本的精准肿瘤学方案。
2026-09-17 cs.LG q-bio.GN
Clustering pipeline for determining consensus sequences in targeted next-generation sequencing
来自下一代测序(NGS)技术的靶向基因组测序数据的分析通常涉及将读数映射到参考序列或聚类读数。对于许多物种,参考基因组不可用,因此靶向测序数据的分析,例如由可动元件引起的多态性结构变异是困难的;聚类方法优选用于这种数据分析。读段的聚类需要聚类阈值参数,该参数用于比较和分组读段。然而,确定读取数据集的最佳聚类阈值是具有挑战性的,因为不同的序列组成、存在的序列数量以及数据集中的测序错误量。聚类阈值参数的高值可能错误地增加恢复的基因组区域的数量,而聚类阈值的低值可能将来自不同区域的读段合并到单个聚类中。因此,需要一种可以凭经验确定聚类阈值的算法。我们提出了一种用于聚类基因组序列的流水线,其中聚类阈值根据NGS数据凭经验确定。最佳阈值的决定基于两个内部聚类的措施,评估小的簇内直径和大的簇间距离的集群。我们在两个模拟数据集上评估管道,这两个数据集来自模拟不同基因组区域和测序深度的人类基因组序列。与单轮聚类相比,从我们的流水线获得的聚类总数更接近参考序列的实际数量。此外,在我们的流水线中,其共有序列匹配相应参考序列的簇的数量更高。我们观察到,重复区域的存在影响聚类精度。
2016-02-13 q-bio.GN
Unlocking the Power of Multi-institutional Data: Integrating and Harmonizing Genomic Data Across Institutions
Memorial Sloan Kettering Cancer Center(纪念斯隆-凯特琳癌症中心);University of Michigan(密歇根大学)
针对多机构肿瘤基因组数据因基因面板差异、技术异质性等难以整合的问题,提出Bridge模型,通过分位数匹配潜变量方法提取整合特征,在六种癌症的生存预测中表现更优。
2024-10-29 cs.LG q-bio.GN stat.ME
Comparative Assembly Hubs: Web Accessible Browsers for Comparative Genomics
我们引入了一个管道,可以很容易地生成网络访问的UCSC基因组浏览器的集合,通过对齐相互关联。使用比对,可以参照集合中的任何基因组对称地有效地查看所有注释和比对本身。一个新的,智能缩放的比对显示,使它可以简单地查看所有分辨率水平的基因组之间的所有变化,从取代到复杂的结构重排,包括重复。
2013-11-05 q-bio.GN
The use of next-generation sequencing in personalized medicine
本文梳理了下一代测序(NGS)技术的发展历程与在传染病、肿瘤学等多类医学场景的应用,探讨了其落地常规临床应用的挑战,展现了NGS对个性化医疗发展的推动作用。
2024-03-06 q-bio.GN
dnaGrinder: a lightweight and high-capacity genomic foundation model
Hong Kong Jockey Club STEM Laboratory of Genomics and AI in Healthcare(香港赛马会基因组学与医疗人工智能 STEM 实验室);Department of Health Technology and Informatics(健康技术与信息学系);Department of Data Science and Artificial Intelligence(数据科学与人工智能系);Department of Computing(计算机系);The Hong Kong Polytechnic University(香港理工大学)
针对基因组基础模型在长程依赖、计算成本与性能间的权衡难题,提出轻量级高效模型dnaGrinder,在降低计算成本的同时支持超长序列输入,性能超越Nucleotide Transformer和DNABERT-2等主流模型。
2024-09-24 cs.AI cs.CE cs.CL
DYNA: Disease-Specific Language Model for Variant Pathogenicity
Cedars-Sinai Medical Center(西达斯-西奈医学中心)
针对基因组基础模型缺乏疾病特异性导致临床应用受限的问题,提出DYNA框架,通过Siamese神经网络对预训练模型进行疾病特异性微调,在心血管疾病和RNA剪接等任务上提升了罕见变异的预测准确性并具备良好泛化能力。
2024-05-31 cs.AI q-bio.GN
FIMBA: Evaluating the Robustness of AI in Genomics via Feature Importance Adversarial Attacks
New York University(纽约大学)
本文提出 FIMBA,利用特征重要性对抗攻击与基于变分自编码器的投毒数据,评估基因组学下游 AI 模型的鲁棒性,揭示其性能下降并给出防御启示。
2024-01-19 cs.CR cs.LG q-bio.GN
GSAE: an autoencoder with embedded gene-set nodes for genomics functional characterization
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);The University of Texas Health Science Center at San Antonio(德克萨斯大学圣安东尼奥健康科学中心);Northwestern Polytechnical University(西北工业大学)
生物信息学工具已经被开发用于在基因组水平上解释基因表达数据,并且这些基于基因组的分析提高了生物学家发现其实验设计的功能相关性的能力。在对基因集进行单独研究时,很少考虑基因集间的关联。深度学习是计算生物学中新兴的机器学习技术,可用于生成基因集的无偏组合,并通过利用大型基因组数据集来确定这些组合基因集的生物相关性和分析一致性。在这项研究中,我们提出了一个基因超集自动编码器(GSAE),一个多层的自动编码器模型与先验定义的基因集,保留在潜在层的关键生物特征。我们引入了基因超集的概念,这是一个由自动编码器训练的基因集与权重的无偏组合,其中潜在层中的每个节点都是一个超集。利用来自TCGA的基因组数据进行训练,并与其伴随的临床参数进行评估,我们显示了基因超集区分肿瘤亚型的能力及其预后能力。我们进一步证明了在显著超集中的顶部组分基因集的生物学相关性。使用自编码器模型和基因超集在其潜在层,我们证明了基因超集保留了足够的生物学信息,肿瘤亚型和临床预后意义。超集还提供了高重现性的生存分析和准确的预测癌症亚型。
2018-12-28 cs.AI cs.LG q-bio.GN
DRIVE: Machine Learning to Identify Drivers of Cancer with High-Dimensional Genomic Data & Imputed Labels
Cambridge Cancer Genomics(剑桥癌症基因组学公司);The University of Edinburgh(爱丁堡大学)
识别驱动癌症生长的突变是临床决策和精确肿瘤学的关键。由于驱动突变赋予选择性优势,因此发生的可能性增加,因此目前倾向于使用基于频率的统计模型。这些方法不适用于罕见的、低频率的驱动突变。解决这个问题的另一种方法是通过功能影响评分,但是使用这种方法的方法非常容易出现误报。在本文中,我们提出了一种新的驱动程序突变识别的组合方法,它使用的统计建模和功能影响的方法的力量。初步结果表明,这种方法优于国家的最先进的方法在精度方面,并提供了相当的性能在受试者工作特征曲线(AU-ROC)下的面积。我们相信,基于机器学习的数据驱动系统,例如这些,将在不久的将来成为精准肿瘤学的一个组成部分。
2021-05-02 cs.LG q-bio.GN
An Integrated Genomics Workflow Tool: Simulating Reads, Evaluating Read Alignments, and Optimizing Variant Calling Algorithms
该研究评估多种基因组学工具,提出开源管道VarFind,自动化读段模拟、比对和变异调用流程,以优化变异检测准确性。
2025-04-24 q-bio.GN
Going From Molecules to Genomic Variations to Scientific Discovery: Intelligent Algorithms and Architectures for Intelligent Genome Analysis
我们现在比以往任何时候都更需要使基因组分析更加智能化。我们不仅需要快速地阅读、分析和解释我们的基因组,而且需要足够准确和有效地将分析扩展到人群水平。目前在整个基因组分析管道中存在主要的计算瓶颈和低效率,因为最先进的基因组测序技术仍然不能完整地读取基因组。我们描述了使用智能算法和硬件架构显着提高基因组分析的性能,准确性和效率的持续旅程。我们解释了最先进的算法方法和基于硬件的加速方法的基因组分析管道的每一步,并提供实验评估。生物学方法利用基因组的结构以及底层硬件的结构。基于硬件的加速方法利用专门的微体系结构或各种执行范例(例如,在存储器内部或附近处理)以及算法变化,导致新的硬件/软件协同设计系统。我们的结论与未来的挑战,利益和研究方向的发展所引发的非常低的成本,但高度容易出错的新的测序技术和专门的硬件芯片的基因组学的伏笔。我们希望这些努力和我们讨论的挑战为未来使基因组分析更加智能化的工作提供基础。在我们的实验评估中使用的分析脚本和数据可在以下网址获得:https://github.com/CMU-SAFARI/Molecules2Variations
2022-05-16 cs.AR q-bio.GN q-bio.QM
Genome-Factory: A Library for Tuning, Deploying, and Interpreting Genomic Foundation Models
Center for Foundation Models;Generative AI \& Department of Computer Science, Northwestern University, USA;School of Natural Sciences, University of California at Merced, USA;Department of Energy Joint Genome Institute, Lawrence Berkeley National Laboratory, USA;Systems Biology Division, Lawrence Berkeley National Laboratory, USA;Department of Statistics;Data Science, Northwestern University, USA
Genome-Factory 提供了一种统一的流程简化方法,涵盖基因组模型开发的全流程,包括数据收集、模型调优、推理、基准测试和可解释性,适用于多种模型和调优方法。
2026-11-06 cs.LG q-bio.GN
Genomic data analysis in tree spaces
最近,Billera-Holmes-Vogtmann引入了一种优雅的遗传学方法,可以使用树空间的度量几何系统地比较不同的进化历史。在许多问题设置中,人们会遇到大量的系统发育树,其中大量的叶子在相关的进化模空间中进行可视化和分析。为了解决这个问题,我们引入树降维,一个结构化的方法来减少大型系统发育树的分布较小的树。我们证明了一个稳定性定理,确保小扰动的大树小扰动的分布。然后,我们提出了一系列的四个生物学动机的应用程序的基因组数据的分析,跨越癌症和传染病。第一个量化了化疗如何破坏常见白血病的演变。第二个研究复发性胶质瘤的几何信息和组织学分级之间的联系,其中较长的复发分支特异于高级别胶质瘤。第三个问题涉及癌症异种移植模型的遗传稳定性,其中单细胞水平的异质性随着小鼠传代的增加而增加。最后一项研究了季节性甲型流感病毒的遗传多样性。我们应用树降维24年纵向收集的H3 N2血凝素序列,生成分布的较小的树跨越三到五个季节。在一个季节期间的流感疫苗有效性与使用前一个季节的序列数据产生的分布的方差之间观察到负相关。我们还展示了树分布与抗原簇和流感疫苗选择的关系。我们的形式主义揭示了病毒基因组数据和临床观察结果(如疫苗选择和有效性)之间的联系。
2016-07-25 q-bio.GN q-bio.QM
De novo genomic analyses for non-model organisms: an evaluation of methods across a multi-species data set
高通量测序(HTS)通过使科学家能够在基因组规模上快速且廉价地查询变异,正在彻底改变生物学研究。尽管获得这些数据越来越容易,但有效地使用这些数据仍然带来了显著的挑战,特别是对于那些使用没有高质量参考基因组的生物体的人来说。对于分析的每一个阶段--从组装到注释再到变异发现--研究人员必须在做出推断之前将技术伪像与数据的生物现实区分开来。在这项工作中,我通过为蜥蜴的一个分支生成一个大型从头比较转录组数据集数据并构建一个管道来分析这些数据来探索这些挑战。然后,使用新的指标和外部验证的变量数据集的组合,我测试我的方法的有效性,确定改进的领域,并提出方法,以尽量减少这些错误。我发现,通过仔细的数据管理,HTS可以成为为非模型生物生成基因组数据的强大工具。
2012-11-08 q-bio.GN
Storage-Centric System Designs for Enabling Fast, Efficient, and Low-Cost Genomic and Metagenomic Analyses
ETH Zurich(苏黎世联邦理工学院)
本论文针对基因组与宏基因组分析的数据移动及准备瓶颈,提出定制化以存储为中心的系统,可在存储内分析数据、实现高压缩存储与高性能访问,显著提升分析的性能、能效及成本效益。
2026-09-01 cs.AR cs.DC q-bio.GN
FindeR: Accelerating FM-Index-based Exact Pattern Matching in Genomic Sequences through ReRAM technology
基因组学是实现精准医学、确保全球粮食安全和实施野生动物保护的关键。各种基因组测序技术产生的大量基因组数据对基因组分析提出了重大挑战。由于测序仪器和遗传变异的误差,近似模式匹配(APM)是实际基因组分析的必要条件。最近的工作提出了FPGA、ASIC甚至基于内存中进程的加速器,通过加速基于动态编程的算法(例如,Smith-Waterman)。然而,现有的加速器缺乏用于精确模式匹配(exact pattern matching,RTMP)的有效硬件加速,精确模式匹配(RTMP)是在基因组分析的几乎每个步骤(包括组装、比对、注释和压缩)中广泛使用的甚至更关键和基本的功能。最先进的基因组分析采用FM索引,该索引通过允许快速重复操作的额外数据结构来增强空间高效的BWT。但是FM索引以空间局部性差和大量随机内存访问而闻名。在本文中,我们提出了一个基于ReRAM的内存处理架构,FindeR,以提高FM-Index的搜索吞吐量在基因组序列。我们构建了一个可靠且节能的汉明距离单元,使用商品ReRAM芯片来加速FM-Index搜索的计算内核,而无需引入额外的CMOS逻辑。我们进一步构建了一个成熟的FM-Index搜索管道,并通过在NVDIMM上进行轻量级调度来提高其搜索吞吐量。我们还创建了一个系统库,供程序员调用FindeR在基因组分析中执行EPM。与最先进的加速器相比,FindeR将FM索引搜索吞吐量…
2019-10-01 q-bio.GN q-bio.QM
Detecting somatic mutations in genomic sequences by means of Kolmogorov-Arnold analysis
Kolmogorov-Arnold随机参数技术首次应用于癌症基因组测序研究,以揭示突变。使用下一代测序技术产生的数据,我们分析了具有匹配肿瘤和正常血液的脑肿瘤患者的外显子组序列。我们表明,使用这种技术可以揭示测序数据中包含的突变,从而提供了一种新的方法来确定给定长度的包含突变的序列,即其值不同于没有突变的序列。这项技术的潜在应用包括简化发现突变片段的程序,加快基因组研究,并加速其在临床诊断中的实施。此外,纯粹基于Kolmogorov函数的值预测与许多类型的癌症中的频繁突变家族相关的突变,表明这种应用的标记物可以识别丰度极低的基因组序列,并且可以用于揭示新类型的突变。
2015-06-12 physics.data-an q-bio.GN
COGEDAP: A COmprehensive GEnomic Data Analysis Platform
在大规模的基因组研究联盟中,非共享的敏感数据收集和分析是复杂的。由于不同的操作系统、软件依赖性和运行软件,安装软件时会出现耗时问题。因此,更简单,更标准化,自动化的协议和平台可以成为克服这些问题的解决方案。我们已经开发了一种使用软件容器技术进行基因组数据分析的解决方案。该平台COGEDAP由放置在Singularity容器中的不同软件工具组成,这些工具具有相应的管道和关于如何通过相应工具执行全基因组关联研究(GWAS)和其他基因组数据分析的说明。使用提供的用Python编写的帮助脚本,用户可以获得自动生成的脚本,以便在高性能计算(HPC)系统和个人计算机上进行所需的分析。可以通过使用软件容器运行这些自动生成的脚本来完成分析。助手脚本还执行输入/输出数据的微小重新格式化,使得最终用户可以使用统一的文件格式工作,而不管哪个遗传软件用于分析。不同国家/项目的用户正在积极使用COGEDAP进行基因组数据分析。有了这个平台,用户可以轻松地运行GWAS和其他基因组分析,而无需在软件安装、数据格式和其他技术要求上花费太多精力。
2022-12-28 q-bio.GN
Contrastive Deep Learning for Variant Detection in Wastewater Genomic Sequencing
Georgia State University(佐治亚州立大学)
本文提出了一种基于VQ-VAE的无监督方法,用于污水基因组测序中的变异检测,通过对比学习提高变异区分能力,实现高准确率的变异识别。
2025-12-02 cs.LG q-bio.GN
Quantifying Memorization and Privacy Risks in Genomic Language Models
Case Western Reserve University(凯斯西储大学);UTHealth(UT健康);Rutgers University(罗格斯大学)
本文提出多向量隐私评估框架,量化基因组语言模型的记忆风险与隐私威胁,揭示不同架构和训练制度下的记忆差异。
2026-10-20 cs.CR cs.LG q-bio.GN
The influence of chromosomal inversions on genetic variation and clinal patterns in genomic data of Drosophila melanogaster
本研究提出结合个体与混合重测序数据及种群基因组学工具的分析流程,评估 In(2L)t 与 In(3R)Payne 倒位对全球黑腹果蝇遗传变异、种群结构和渐变群模式的影响。
2024-12-03 q-bio.GN q-bio.PE
snpQT: flexible, reproducible, and comprehensive quality control and imputation of genomic data
动机:基因组数据的质量控制是一个重要但复杂的多步骤程序,通常需要单独安装和专家熟悉不同的生物信息学工具的组合。结果如下:为了提供一个自动化的解决方案,保留全面的质量检查和灵活的工作流程架构,我们开发了snpQT,一个可扩展的,独立的软件管道,提供约36个离散的质量过滤器或校正步骤,与图之前和之后的用户可修改的阈值。这包括构建转换、针对1,000个基因组数据的群体分层、群体离群值移除以及具有其自身的前后质量控制的内置插补。使用通用的输入格式,用户不需要是超级用户,也不需要有任何编码经验。通过GWAS(https://snpqt.readthedocs.io/en/latest/)提供了全面的在线教程和安装指南,使用合成演示数据集和真实世界的肌萎缩侧索硬化症SNP阵列数据集介绍snpQT。可用性:snpQT是开源的,可在https://github.com/nebfield/snpQT上免费获得。联系方式:Vasilopoulou-C@ulster.ac.uk,w. ulster.ac.uk
2021-05-05 q-bio.GN
OmniGenBench: A Modular Platform for Reproducible Genomic Foundation Models Benchmarking
University of Exeter(埃克塞特大学);National University of Defense Technology(国防科技大学);Qiyuan Lab(启元实验室)
针对基因组基础模型领域缺乏严谨可复现评估的问题,研究人员提出模块化基准平台OmniGenBench,统一多层级架构,支持多套件单命令评估与多模型集成,解决可复现性难题,助力可信基因组AI研究。
2025-05-20 cs.CL q-bio.GN
Intraspecific Comparative Genomics of Candida albicans Mitochondria Reveals Non-Coding Regions Under Neutral Evolution
白色念珠菌是一种严重的血源性医院获得性念珠菌病,对世界范围内的公共卫生产生影响。由于其作为医院病原体的重要性,C。白念珠菌基因组已经被大量研究以鉴定种内变异,并且已经开发了几种分型方法以区分密切相关的菌株。线粒体DNA可用于此目的,因为与核DNA相比,其更高的突变负荷和进化速率容易揭示微变体。因此,我们以8倍覆盖率对两个C.白色念珠菌临床分离株(L296和L757)的基因组序列,并将这些序列与参考菌株SC 5314的基因组序列进行比较。对33,928个位点的基因组比对结果显示,共发现372个多态位点,其中编码区230个,非编码区142个。从拉丁美洲18株临床分离株和2株ATCC标准株中扩增并测序了位于tRNAGly/COX 1、NAD 3/COB和ssurRNA/NAD 4L基因之间的3个中性替换位点,分别命名为IG 1、IG 2和IG 3。白色念珠菌菌株。观察到高度的序列和大小变异性,范围高达56 bp的大小差异,并且基于IG 1、IG 2和IG 3的同源性揭示了三个组。插入高达49 bp的观察完全在阿根廷菌株相对于其他序列,这可能表明聚类的地理多态性。由于这些线粒体基因间区具有中性进化、高度变异性、易于PCR分离和测序等特点,为C.白色念珠菌分离株,完善建立多位点序列分型方法。
2012-11-26 q-bio.GN q-bio.PE
Accelerating Genome Analysis via Algorithm-Architecture Co-Design
本文综述了通过算法-架构协同设计加速基因组分析的最新进展,指出整合多个分析步骤并采用合适架构可显著提升性能、降低数据移动与能耗,并呼吁开发新策略以应对基因组数据不断增长的需求。
2023-05-31 cs.AR q-bio.GN
Revolutionising Bacterial Genomics: Graph-Based Strategies for Improved Variant Identification
本文提出基于 PGGB 与 vg giraffe 的泛基因组图流程,用于细菌全基因组测序数据比对、图形参考变异调用和泛基因组构建,显著提升模拟及真实病原体数据的映射率与变异识别准确性。
2025-05-12 q-bio.GN
Algorithmic Methods to Infer the Evolutionary Trajectories in Cancer Progression
癌症固有的基因组进化直接涉及对大量下一代测序(NGS)数据的重新关注,以及用于推断(epi)基因组事件如何在癌症起始和发展中编排的解释性模型的机器学习。然而,尽管多个额外组学数据的可用性不断增加,但这一探索却因各种理论和技术障碍而受挫,这些障碍主要源于疾病的巨大异质性。在本文中,我们建立在我们最近的工作在癌症进展的驱动突变之间的“选择性优势”的关系,并探讨其适用性的建模问题,在人口水平。在这里,我们介绍PiCnIc(癌症推断管道),这是一个多功能,模块化和可定制的管道,用于从截面测序的癌症基因组中提取整体水平的进展模型。管道有许多翻译的影响,因为它结合了国家的最先进的技术,样本分层,司机选择,识别健身等效的独家改变和进展模型推理。我们证明了PiCnIc的能力,以再现目前的知识结直肠癌的进展,以及提出新的实验验证的假设。
2017-03-08 q-bio.GN
arrayMap: A Reference Resource for Genomic Copy Number Imbalances in Human Malignancies
背景资料:从癌症样本中描绘基因组拷贝数异常(CNA)有助于鉴定肿瘤抑制基因和癌基因,并被证明可用于临床标志物检测。越来越多的项目已经使用基于高分辨率微阵列的技术绘制了CNA。到目前为止,没有一个单一的资源提供了一个全球性的收集容易获得的癌基因组阵列数据。方法/主要发现:我们在这里介绍了arrayMap,一个精心策划的参考数据库和生物信息学资源,目标是人类癌症的拷贝数分析数据。arrayMap数据库为高分辨率癌基因组CNA数据的荟萃分析和系统级数据集成提供了一个平台。到目前为止,该资源整合了从多个资源中提取的224种癌症类型的40,000多个阵列,包括NCBI的基因表达Omnibus(GEO),EBI ArrayExpress(AE),癌症基因组图谱(TCGA),出版补充和直接提交。对于大多数包含的数据集,探针水平和集成可视化有助于基因水平和基因组范围的数据重新查看。多案例选择的结果可以连接到下游数据分析和可视化工具。结论/意义:据我们所知,目前没有数据源提供广泛收集的高分辨率癌基因组CNA数据,这些数据可以很容易地用于在癌症实体的代表性范围内进行基因组特征挖掘。arrayMap代表了我们为独立于特定平台考虑或特定项目依赖性的癌基因组CNA数据提供长期平台的努力。在线数据库可访问http://www.arraymap.org。
2012-01-11 q-bio.GN q-bio.MN
Anchor points for genome alignment based on Filtered Spaced Word Matches
大基因组序列的比对是计算基因组分析中的一项基本任务。大多数用于基因组比对的方法使用高得分局部比对作为{ \em锚点}以减少比对过程的搜索空间。因此,这些方法的速度和质量取决于底层的锚点。在此,我们建议使用{ \em过滤间隔字匹配}来计算基因组比对的锚点。为了评估这种方法,我们在广泛使用的对齐流水线{ \em Mugsy}中使用这些锚点。对于远距离相关的序列集,我们可以大大提高由{ \em Mugsy}产生的比对的质量。
2017-03-26 q-bio.GN
Hecate: A Modular Genomic Compressor
Saarland University(萨尔兰大学);Center for Bioinformatics, Saarland Informatics Campus(萨尔兰信息学园区生物信息中心)
Hecate提出了一种模块化的无损基因组压缩框架,通过处理耦合的FASTA/FASTQ流实现高效压缩,优于现有工具,在大基因组和高相似性参照设置中表现更佳。
2026-03-16 cs.DS q-bio.GN
Fast genomic optical map assembly algorithm using binary representation
降低下一代测序技术提供的基因组测序成本,大大增加了基因组项目的数量。因此,越来越需要更好的组装和组装验证方法。一个很有前途的想法是在装配项目中使用异构数据。光学作图(OM)在验证基因组组装、校正和支架方面是有益的。单个原始OM读数描述了DNA分子的长片段,高达1 Mbp。来自相同基因组的原始OM数据可以被组装以创建跨越整个染色体的共有图谱。由于输入数据中存在大量错误,组装过程在计算上很困难。这项工作描述了一种新的算法和计算机程序,组装OM读取没有参考基因组。在我们的算法中,我们探索了基因组图谱的二进制表示。我们专注于数据结构和算法的效率以及并行平台上的规模。该算法由几个步骤组成,其中最重要的是:(1)限制性图谱转换为二进制字符串,(2)限制性图谱之间的重叠检测,(3)确定限制性图谱集的布局,(4)创建共有基因组图谱。我们的算法处理光学映射数据与低错误水平,但与高级别的错误读取失败。我们为Python语言开发了一个软件库、控制台应用程序和模块。在本文中提出的方法被证明是比动态规划方法更快,并执行良好的无错误的数据。它可以用作\textit{de~novo}组装管道的一个步骤或检测错误组装。该软件在GNU LGPL v3许可证下的公共存储库中免费提供(https://sourceforge.net/p/binary-genome-maps/code)。
2022-10-13 cs.CE q-bio.GN
Functional and evolutionary genomics of the Streptomyces metabolism
本论文主要研究了链霉菌代谢系统的进化。链霉菌是一种高效生产具有生物活性的天然产物的细菌。我工作的主要目标是有助于理解NP生物合成途径进化背后的进化机制。具体而言,生物信息学方法的发展,有助于从放线菌基因组序列中发现新的NP生物合成途径,重点是链霉菌属的成员。我使用比较和功能基因组学的观点开发了这种方法。我的研究表明,在放线菌中,中心代谢酶以属特异性的方式扩展,并且它们已被广泛招募用于NP的生物合成。基于这些观察,我开发了EvoMining,这是一种用于识别微生物基因组中新型生物合成途径的生物信息学管道。使用EvoMining,在放线菌门的不同成员中预测了几种新的NP生物合成途径,包括模式生物S。lividans 66.为了测试这种方法,获得了这种模型菌株的基因组序列,其分析导致发现了一种前所未有的肽键形成系统,以及含砷代谢物的生物合成途径。此外,这项工作还导致了链霉菌糖酵解途径中保守的代谢节点上的扩增的鉴定。这些扩增发生在链霉菌辐射之前,并且伴随着它们产生NP的能力的进化。实验分析表明,这个节点进化介导中央NP代谢之间的相互作用。
2022-05-30 q-bio.GN
Poisoning the Genome: Targeted Backdoor Attacks on DNA Foundation Models
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Dell Pediatric Research Institute(戴尔儿科研究所)
本研究首次系统研究基因组语言模型的训练数据投毒,通过在预训练和微调阶段注入少于1%的对抗序列,可选择性破坏目标基因组上下文的生成性能,并实现条件后门攻击和下游任务分类破坏。
2026-06-18 q-bio.GN