菜鸟团一周文献推荐（No.15）
写在前面：
不知不觉，我们的「每周文献推荐」栏目已经走过了 14 期。不知道其中有没有哪些对你有所启发，欢迎在留言中说说你对这个栏目有没有什么进一步的期待和更好的建议。
同时，欢迎大家阅读完毕之后在文章最后选出你认为最感兴趣的文章，就可能在下一周看到这篇文章更详细的解读和测评哈，赶紧动手转发推荐给你的朋友一起投票参与，笔芯
供稿人：lakeseafly
一句话评价
了解解决人类温饱问题最先进的育种技术
文章信息
题目：Breeding crops to feed 10 billion
杂志：Nature Biotechnology
时间：June 2019
链接:
https://www.nature.com/articles/s41587-019-0152-9
Figure
文章介绍：
内容摘要
在接下来的30年里，全球人口预计将增长25％，达到100亿。迄今为止，常规育种方法已经生产出具有高产量的营养作物，其可以机械收获以满足不断增长的种群的食物需求。但对主要农作物，如小麦（产量增加目前的速度小麦），大米（水稻）和玉米（玉米），是不足以满足未来的日益增长的人口需求。育种者和植物科学家面临着改善现有作物和开发新作物的压力，未来的作物具有更高的产量，更有营养，抗病虫害和抵御极端气候。
与12000年前第一批作物作物被驯化不同，今天的植物育种者在寻求作物品系改良方面有很多创新技术。例如，自动化高通量表型分析系统的开发使得能够评估更大的种群，这增加了选择强度并提高了选择准确性。第二代和第三代测序平台的出现意味着育种者可以负担得起使用DNA标记来辅助选择，并促进基因发现，特征解剖和预测育种技术。植物育种的一个关键限制因素是，通常只允许每年生产一代或两代的作物长代，通过使用扩展光周期和控制温度的“快速育种”方案减轻了春小麦，大麦，鹰嘴豆和油菜（甘蓝型油菜）的一半以上的生成时间。将最先进的技术与速度育种相结合，将有助于应对为100亿人口提供粮食的挑战。
个人评价
这篇文章又是一篇详尽介绍了目前作物育种面临的各种问题，讨论了最新的育种技术(结合机器学习的高通量表型分析技术，快速编辑作物改良，快速基因选择育种，人为加速驯化速度),（这也是目前咱们生物界最火的话题之一）的牛综述。如果你从事农作物研究，这篇文章你一定不能错过。如果你从事人类或者其他方面的研究，也不妨阅读一下这篇文章，让你快速了解目前能解决人类温饱问题最先进的育种技术。
供稿人：Christine
一句话评价
铁死亡，治疗耐药和免疫逃逸癌症的新思路
文章信息
题目：Ferroptosis at the crossroads of cancer-acquired drug resistance and immune evasion
杂志：Nature Reviews Cancer
时间：17 May 2019
链接:
https://www.nature.com/articles/s41568-019-0149-1
Figure
文章介绍：
“铁死亡”是一种铁离子依赖的细胞编程性死亡，特征是膜脂上过氧化物的积累。这是近几年才被提出的一种新型细胞死亡方式，其形态学、生化、遗传学上均与传统的凋亡、自噬、坏死等细胞死亡方式不同，已被证实与包括癌症在内的多种病理学过程相关。细胞内铁离子稳态、半胱氨酸代谢、脂质氧化调控及它们之间复杂的相互作用都是铁死亡通路的重要调节因子。
“代谢重编程”是肿瘤细胞的重要特征之一，影响癌细胞的生长、增殖和分化。本文中，作者将它与获得性铁死亡敏感性相关联，综述了GPX4（一种重要的脂质修复酶）对铁死亡的调控，癌症中铁死亡与抑癌基因、缺氧诱导因子、间充质样状态的关系，铁死亡对免疫调节和免疫逃逸等炎症反应的调控，给发生耐药和免疫逃逸的癌症提供了新的治疗思路。
推荐理由：“铁死亡”是我新听到的概念，“代谢重编程”在我印象中也一直只是癌细胞的一项特性，从没关注过针对它的治疗，所以这篇文章在我的知识树中是个全新的分枝，以后的生信分析结果解释说不定可以用得上，在这里和和大家分享 ~
供稿人：kaopubear
一句话评价
针对 ATAC-seq 数据特点专门开发的peak calling 工具
文章信息
题目：HMMRATAC: a Hidden Markov ModeleR for ATAC-seq
杂志：Nucleic Acids Research
时间：14 June 2019
链接：
https://doi.org/10.1093/nar/gkz533
figure
文章介绍：
ATAC-seq 作为一种定位染色质开放区域的手段目前应用已经非常广泛了，因为相对易于操作目前也应用到了单细胞领域。但是目前关于ATAC-seq的流程绝大多数都是按照 ChIP-seq 流程来处理的，call peak 方法十有八九使用的都是 MACS。
ATAC-seq 利用了 Tn5 转座酶优先插入nucleosome-free regions（NFR）的特性，但是 Tn5 也有可能插入相邻核小体之间的连接区，此时其 DNA fragement 会更长（超过150bp）而且和相邻核小体的个数相关。针对双端测序数据，我们可以根据比对后的位置或插入长度来推断它们的片段长度。如果将 nucleosome free 和 mononucleosome 片段长都和频率的关系图展示出来，可以看出两者的分布不同。
目前还没有工具可以同时考虑 ATAC-seq 中的 NFR 和核小体信息。而本文作者开发的分析工具 HMMRATAC 则采用了「分解和整合」的思路，首先把一套数据首先分解为来自于NFR 和核小体区域的不同覆盖信号层，然后在隐马尔可夫模型中学习开放染色质区域信号层之间的关系，并用于预测开放染色质。
在文章中作者将这个工具和 MACS2 与 F-seq 进行了比较，HMMRATAC 在大多数测试中表现优于前两者。这个软件本身使用 Java 来实现的，目前作者也提到其处理速度相对较慢，是后续优化的一个重点。
软件地址：
https://github.com/LiuLabUB/HMMRATAC
供稿人：六六
一句话评价
SnapATAC—单细胞表观基因组快速准确的聚类分析方法
文章信息
题目：Fast and Accurate Clustering of Single Cell Epigenomes Reveals Cis-Regulatory Elements in Rare Cell Types
杂志：bioRxiv
时间：Apr 22, 2019
链接:
https://www.biorxiv.org/content/10.1101/615179v2
figure
文章介绍：
随着单细胞ATAC-seq技术的出现，相应的分析方法和工具也不断的开发，但是与scRNA-seq相比，其分析方法依然面临挑战。一是其scATAC-seq本身信号的稀疏性，二是目前大多的方法是基于已知的bulk data的先验知识，SnpATAC在聚类的精度和扩展性优于其他方法。
SnapATAC（Single Nucleus Analysis Pipeline for ATAC-seq）是由表观学研究大牛任兵实验室开发的一种快速、准确地分析单细胞ATAC-seq数据集的方法，该R包的功能包括聚类、注释、motif分析和下游其他分析。
优点有以下几个方面：1）克服了依赖于population-level的peak注释；2）通过整合“off-peak” reads提高了聚类的精确度；3）使用归一化的标准化方法控制主要偏差；4）可扩展性强
使用安装方法参考github文档：https://github.com/r3fang/SnapATAC
推荐理由
SnapATAC虽然是为scATAC-seq分析设计的，但是也可以用于scHi-C,scChIP-seq, sc-methylomes等稀疏的单细胞表观组数据。另外github上也给出了详细的使用说明，以及10X scATAC-seq、sciATAC-seq以及二者整合的分析方法，值得一试。
供稿人：六六
一句话评价
深度学习在生物医学中面临的机会和挑战（超长综述）
文章信息
题目：Opportunities and obstacles for deep learning in biology and medicine
杂志：Journal of The Royal Society Interface
时间：Apr 4, 2018
链接:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5938574/
figure
文章介绍：
这是一篇接近70页的超长综述，详细介绍并讨论了深度学习在生物医学中面临的机遇和挑战。
文章在第一部分对深度学习的基本概念、常见算法和优缺点进行了简明扼要的介绍。
第二部分首先提出了深度学习是否会改变人类疾病研究的问题，接下来从深度学习在3个方面的应用做了详细的总结，包括：1）疾病和病人诊断分类中的应用；2) 基本生物学研究中的应用；3）病人治疗。
疾病和病人诊断分类中的应用：影像，文本处理，电子病历
基本生物学研究：表达、剪接、启动子/增强子、microRNA、蛋白质结构、形态学表型、单细胞、宏基因组、序列变异等
病人治疗：辅助临床决策、预测疾病起源、提高临床实验效率、药物研发和从头设计等
最后对以上每一部分又做了详细的讨论和总结。
参与投票选出你感兴趣的、期待详细解读和测评的文章