菜鸟团一周文献推荐(No.22)
个人评价
供稿人:六六
一句话评价
快速、省资源的长读长基因组组装软件 Peregrine — 100分钟内完成人类基因组组装
文章信息
题目:Human Genome Assembly in 100 Minutes
杂志:bioRxiv
时间:15 July 2019
链接:
https://www.biorxiv.org/content/10.1101/705616v1
一句话评价
一篇精简的肿瘤异质性研究综述
文章信息
题目:Resolving genetic heterogeneity in cancer
杂志:Nature Reviews Genetics
时间:27 March 2019
链接:
https://www.nature.com/articles/s41576-019-0114-6
文章介绍:
肿瘤的发展在很大程度上是符合亚克隆细胞的突变-选择-进化规律的。测序技术的发展为我们描绘了绝大多数癌症类型的基因组景观,也给研究肿瘤的时空进化带来了机会。相比于传统的物种进化方式,肿瘤由大量染色体不稳定的细胞组成,表型的可塑性也更强,因此进化更快,方式也更加复杂。研究肿瘤细胞的进化有助于我们理解癌症治疗失败的原因,也能帮助我们预测患者的肿瘤发展方向,提供更准确的治疗方案。本文综述了目前肿瘤异质性的研究进展和存在的问题,包括:当前存在的肿瘤进化模型、推断进化模式的方法、染色体不稳定性在进化中的作用、进化模式与患者结局见的关系、治疗抗性亚克隆的来源。相比动辄上百页的鸿篇巨制,这篇综述倒是十分凝练,正文只有11页,推荐相关方向的小伙伴们看一看。
一句话评价
一篇综述介绍新生转录本(Nascent RNA)的研究内容和分析方法
文章信息
题目:Nascent RNA analyses: tracking transcription and its regulation
杂志:Nature Reviews Genetics
时间:09 August 2019
链接:
https://doi.org/10.1038/s41576-019-0159-6
文章介绍:
这是一篇最新出炉的关于「新生 RNA」分析的综述。从新生 RNA 的研究方法和调控方式等多个方面进行了全面的介绍。
生物体转录过程是利用 RNA 聚合酶通过 DNA 模板合成 RNA 分子的过程。在真核生物中,RNA聚合酶I和III合成核糖体RNA和小结构的RNA,而聚合酶II则用于合成编码mRNA,长链非编码RNA,microRNA和增强子RNA(其实在植物中还有聚合酶IV 和 V)。
作者首先介绍新生RNA相关的测序方法。其中新生RNA富集的策略主要包括:chromatin- associated RNA (caRNA) , Pol II-associated RNA,Run-on RNA和Metabolic RNA labelling富集。如果想要研究不同的转录步骤,可以综合采用上面的不同的测序方法。调控方式则包括转录周期调控,共表达过程调控和转录后修饰调控。
供稿人: Forest_Lee
一句话评价
使用机器学习算法找到软组织肉瘤的novel marker
文章信息
题目:Machine learning analysis of gene expression data reveals novel diagnostic and prognostic biomarkers and identifies therapeutic targets for soft tissue sarcomas
杂志:Computational Biology
时间:February 20, 2019
链接:
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006826
文章介绍:
软组织瘤病的亚型预后不同,但在形态学上难以鉴别,本研究旨在通过算法找到不同亚型的差异位点。
使用TCGA、the Genotype-Tissue Expression project and the French Sarcoma Group转录组数据。
我们使用unsupervised t-Distributed Stochastic Neighbor Embedding clustering和深部神经网络找到了三组肿瘤的分子结构重叠。
使用随机森林算法,发现软组织瘤病亚型间新的位点,并且在独立数据集中使用qRT-PCR进行验证。
使用k-nearest neighbor 算法,找到区别不同预后的分子位点,并进行独立验证。
对Connectivity Map的数据进行调节网络重建,发现HDAC抑制剂在治疗多种软组织肉瘤中发挥重要作用。
本研究发现了针对软组织肉瘤的诊断marker、预后marker和治疗leads。
故而机器学习是加强我们对罕见实体瘤理解新的优异工具。
figure
文章介绍:
分析单细胞RNA-seq数据的一个主要障碍是确定每个细胞的身份。这个过程通常很耗时,容易出错,并且缺乏定量的严格性。此文章中的SingleCellNet (SCN)解决了这一挑战,它提供了对单细胞RNA-seq数据的定量分类。
² SingleCellNet (SCN)支持对scna -seq数据进行定量分类。
² SCN可以跨平台、跨物种应用。
² SCN可以对工程实验细胞发展的方向进行评估。
工具使用方法以及详细指导文档:https://github.com/pcahan1/singleCellNet