生信专题：机器学习多组学、单细胞组学及空间组学

机器学习在代谢组学、蛋白质组学、微生物组学、基因组学研究中的应用

机器学习方法旨在基于底层算法和给定数据集生成预测模型。机器学习算法的输入数据通常由一组样本中的“特征(features)”和“标签(labels)”组成。特征是所有样本的测量结果，无论是原始的还是经过数学变换的结果；而标签是机器学习模型旨在预测的结果—也就是模型的输出。机器学习算法也可以处理缺乏标签的数据集。如图1所示，一般的机器学习工作流程首先是处理输入数据; 第二，学习或训练基础模型（一组数学公式和统计假设，定义学习规则）; 第三，使用机器学习模型对新数据进行预测。

人工智能在单细胞测序和空间转录组学中的最新研究进展｜顶刊速递·24-10-28

这篇文章通过多组学分析和机器学习技术，发现了一种新的基于HLA的肿瘤转录组签名，能够预测晚期肾透明细胞癌患者对免疫检查点阻断疗法的临床反应。研究的主要挑战是确定哪些晚期肾透明细胞癌（aRCC）患者可能从免疫检查点阻断（ICB）治疗中受益。研究团队通过多组学映射aRCC在ICB治疗下的情况，涉及在真实世界数据队列中的发现分析，随后在独立队列中进行验证。他们将超过1000名患者的肿瘤转录组与单细胞和空间分辨率的验证相连接，揭示了患者特异性的炎症肿瘤相关巨噬细胞和（预）耗竭的CD8+ T细胞之间的相互作用。

一文带你读懂单细胞测序，单细胞多组学【纯干货】

一文带你读懂单细胞测序，单细胞多组学【纯干货】

零基础进阶R语言与多组学数据个性化分析免费课程&代码

生科云网址：https://www.bioincloud.techR是一个自由、免费、开放的计算机语言。其具有强大的文本数据处理、统计及作图处理能力，已经被广泛应用于各种大数据分析与结果可视化，在生物、医学、生态、环境等领域有着广泛的应用。已有越来越多的科研工作者开始使用R语言挖掘自己的实验大数据，发表高质量文章。科研工作者应具备一定的生物信息学基础，才能很好地分析（个性化分析）自己的实验数据，特...

机器学习在生物信息学中的应用

1.背景介绍 生物信息学是一门研究生物学信息的科学，它结合生物学、计算机科学、数学、统计学、化学等多学科知识，涉及到生物序列数据的收集、存储、传输、分析、比较和挖掘等方面。生物信息学在过去二十年里发展迅速，成为生物科学和生物技术的重要支柱。随着高通量测序技术的发展，生物信息学在大数据处理、计算生物学、基因组学、蛋白质结构学、生物网络等方面取得了重要的成果。 随着机器学习技术的不断发展，它已经成...

动态和异质系统中分子机制：从单细胞到空间多组学

单细胞多组学与空间技术已广泛应用于生物医学研究，也开始应用于环境研究中。单细胞组学检测到的细胞大小范围从∼2 µm（如枯草芽孢杆菌）到∼120 µm（如人类卵细胞）。已在人类和植物组织中进行单细胞多组学检测，对微生物样本仍有限制。空间技术在原位映射检测到生物分子。

Transformer在单细胞组学中干了啥？

细胞表型参考图谱的构建（已有很多篇超百万级单细胞的多组学图谱），极大丰富了单细胞组学数据的数量和多样性，为研究复杂的细胞特性提供了巨大的数据资源。但是呢，虽然目前拥有丰富的数据，而且它们还在持续增长，但是目前的分析方法在捕捉各种大规模单细胞数据集的变化方面存在不足，不断的 push 新型计算策略的发展。Transformer 已成为其他领域基础模型的首选架构，因为它们能够泛化到异构的大规模数据集。Transformer 最初是为自然语言处理 （NLP） 任务而设计的，最近被用作跨领域关键基础模型。

亚群检测3类指标，单细胞/空间组学全适配

基准测试对于理解日益增多的单细胞与空间组学分析工具的优劣至关重要。核心任务之一是区分复杂组织中的亚群，该评估通常依赖外部聚类验证指标。不同指标往往导致方法排名不一致，凸显了理解每个指标的特性及生物学意义的重要性。本研究提出一个系统化框架，用于理解和选择单细胞数据分析的验证指标，涵盖细胞嵌入构建、图构建、聚类分析及空间域检测等任务。讨论聚焦指标的关键属性，重点关注生物学相关性与潜在偏差。借助该框架，不仅分析了现有指标，还开发了新型指标。针对空间组学数据的域检测任务，设计了适配空间感知测量的新型外部指标。

单细胞对齐难？sCIN多组学整合超6大模型

单细胞 RNA 测序（scRNA-seq）、单细胞转座酶可及性染色质高通量测序（scATAC-seq）等单细胞组学技术的快速发展，极大地深化了对细胞异质性及调控机制的认知。然而，由于不同组学数据存在分布差异与独特的特征空间，这类数据的整合仍面临巨大挑战。为此，提出一种新型单细胞对比整合框架（single-cell Contrastive INtegration framework, sCIN），可将不同组学模态数据整合到共享的低维潜空间中。

再谈多组学（multi-omics）

传统的单一组学研究通常关注基因组、转录组、蛋白质组、代谢组等某一特定层面的数据，而多组学则通过整合这些多层次的数据，提供一个更加全面和系统化的视角来理解生物过程。•个性化治疗：通过整合患者的基因组、转录组、蛋白质组和代谢组数据，制定个性化的治疗方案，提高疗效并减少副作用。•跨尺度建模：开发新的算法和工具，实现从分子到细胞再到组织的多层次数据整合和建模，揭示生物系统的动态变化。•单细胞多组学：随着单细胞测序技术的发展，单细胞水平的多组学分析将成为主流，揭示细胞异质性和个体差异。

单细胞及空间转录组高分文章解析！ceRNA学习！

培训背景 单细胞测序是从单个细胞水平对基因组和转录组进行研究。2015年以来，10X Genomics、Drop-seq、Micro-well、Split-seq等技术的出现，彻底降低了单细胞测序的成本门槛。自此，单细胞测序技术被广泛应用于基础科研和临床研究。通过单细胞测序可以最大程度的反映细胞的异质性，发现新的细胞群和细胞亚群，并为阐明细胞状态转换的...

单细胞多组学及空间组学数据分析与应用

简介：深入了解单细胞ATAC-seq数据分析基本原理和常用方法，掌握基于cellranger-atac及Signac的单细胞ATAC-seq数据分析流程，并通过案例分析加深对单细胞ATAC-seq数据分析的理解，以便学员能够独立进行单细胞ATAC-seq数据分析研究工作。简介：介绍生物信息学中常用到的机器学习和深度学习算法概念和基本原理，并探讨它们在基因表达数据、生物网络分析和高通量测序数据分析中的具体应用。简介：掌握基因组学、转录组学、表观基因组学和蛋白质组学等数据的分析流程和常用工具；

文献01-单细胞多组学

通过制定预训练策略并利用Transformer架构，擅长多种下游任务的大模型在许多领域越来越受欢迎[2]。Transformer在单细胞组学的应用遵循类似的方式，来自多伦多大学的Bo Wang团队，以及Jianzhu Ma、Xuegong Zhang和Le Song团队，分别介绍了两个。

单细胞及空间转录组设计分析与机器学习在生物医学应用

单细胞及空间转录组设计分析与机器学习在生物医学应用

生物基础-多组学联合分析

多组学联合分析

scMultiSim模拟单细胞多组学及空间数据

在缺乏实验真实数据的情况下，模拟的单细胞数据对于设计和评估计算方法至关重要。在此介绍 scMultiSim，一款综合性的模拟器，它能够生成涵盖基因表达、染色质可及性、RNA 速度以及细胞空间位置的多模态单细胞数据，同时考虑到不同模态之间的关系。与现有的那些只关注有限生物因素的工具不同，scMultiSim 在纳入技术噪声的同时，能够同时对细胞身份、基因调控网络、细胞间相互作用以及染色质可及性进行建模。它还允许用户轻松调整每个因素的影响。

机器学习架起了组学科学和植物育种之间的桥梁。

从基础研究中获得的一些生物学知识将被应用于应用植物育种中。为了架起基础研究和育种实践之间的桥梁，机器学习（ML）在将生物学知识和组学数据转化为精准设计的植物育种方面具有巨大的潜力。在这里，我们回顾了机器学习在植物多组学分析中的应用，包括数据降维、基因调控网络的推断以及基因的发现和优先级排序。这些应用将有助于理解性状调控机制，并识别可能适用于知识驱动的分子设计育种的目标基因。

Nature重磅综述;关于机器学习应用单细胞组学+RNA-seq,你想知道的都在这

单细胞多组学技术”和“空间转录组技术”先后在2019年和2020年被Nature Methods评为年度技术方法。时间和空间维度多维研究技术结合，将以全新研究思路出发，既能够获得单个细胞间异质性，又能获得细胞在组织空间上的结构位置信息，发现更多未知且精细化结果。总而言之，单细胞测序+空间转录组测序：优势互补，同时获得细胞类型群体，以及基因表达和细胞的空间位置信息。 空间转录组能够定位和区分功...