响马读paper

一个要求成员每月至少读一篇文献并打卡的学术交流社群

当前共有 918 篇文献,本页显示第 821 - 840 篇。

821.
2019, Nature. DOI: 10.1038/s41586-019-0969-x PMID: 30787437 PMCID: PMC6434952
2022-04-30 21:43:00
#paper The single-cell transcriptional landscape of mammalian organogenesis Cao J, et al. Nature. 2019 Feb;566(7745):496-502. doi: 10.1038/s41586-019-0969-x 该文章是利用一种名为sci-RNA-seq3超高通量单细胞测序技术,该技术一次实验可完成大约200万个细胞转录组测序建库,单人完成的时间为1周,成本为每个细胞0.01美元。该研究主要是对小鼠不同发育阶段的61个胚胎(E9.5到E13.5)的单细胞转录图谱进行了描述,该图谱命名为MOCA(mouse organogenesis cell altas)。文章虽然不是很新,但这是monocle3首次在scRNAseq(单细胞转录组测序)的应用案例,提供monocle3详尽的基本原理和分析思路。从文章的作者列表来看,也发现有monocle3软件开发者的名字。monocle3是一款用于scRNAseq拟时序分析的工具,为monocle2更新版本。虽然,monocle2是目前已发表文章的应用较为广泛的一款版本,但是它在实际使用时存在一些问题,第一,monocle2使用的细胞降维方式与seurat(一款流行的,能独立完成从细胞-基因表达矩阵到细胞降维聚类分群的scRNAseq工具)并不兼容;第二,该版本已被作者弃用并停止维护,实际应用中发现一些bug,却难以找到解决的方案。在生信分析中,如何选择软件往往是一个难题(这可能也是很多评测文章出现的原因)。作为一名工具的使用者,可以在充分理解算法原理的基础上,结合自己的研究,并通过调试,最终做出适当的选择。
822.
2020, Nature Communications. DOI: 10.1038/s41467-020-17678-4 PMID: 32747659 PMCID: PMC7400514
2022-04-30 21:26:00
#paper https://doi.org/10.1038/s41467-020-17678-4 A deep learning model to predict RNA-Seq expression of tumours from whole slide images. Nature Comm (2020) 深度学习模型(CNN)在医学影像中有广泛的应用,最近也有研究指出可以通过病理图片来预测DNA突变和突变数,但是还没有研究关注过是否可以通过病理图片来预测基因表达,这篇文章填补了这部分空白。文章提出了一种基于多任务弱监督的深度学习模型 HE2RNA, 使用TCGA不同癌症类型数据(WSI + RNA-seq)进行训练,发现能准确预测基因的数量主要取决于训练数据集的大小,对这些被准确预测的基因进行富集分析,发现他们集中在免疫和T细胞调控,细胞周期,和癌症hallmark的通路上。最后文章还展现HE2RNA可以用于基因表达的空间可视化(预测基因在slide上表达)和提高MSI预测效果
823.
2022, 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). DOI: 10.1109/WACV51458.2022.00162
2022-04-30 21:13:00
#paper DOI: 10.1109/WACV51458.2022.00162. Uncertainty Learning towards Unsupervised Deformable Medical Image Registration. WACV(2022) 这篇文章没啥新意,感觉有点灌水。总而言之,在前列腺MRI图像中的配准工作,加入了分割标签作为形变场的约束,同时提出了一种基于laplace分布的模型不确定度估计的方法。嗯,没了。
824.
2021, Medical Image Analysis. DOI: 10.1016/j.media.2020.101939 PMID: 33388458 PMCID: PMC8046343
2022-04-30 21:07:00
#paper https://doi.org/10.1016/j.media.2020.101939 Image registration: Maximum likelihood, minimum entropy and deep learning. MIA(2021) 作者在这篇文章里给pair-wise和group-wise的配准任务提出了一个基于maximum profile likelihood (MPL)的理论框架,并利用渐进分析方法证明了基于MPL的配准过程实际上是最小化生成联合图像数据分布的联合熵(minimizes an upper bound on the joint entropy of the distribution that generates the joint image data)。通过优化闭合形式的profile likelihood,作者推导出了groupwise配准的congealing 方法。这篇文章很多看不懂的地方,后面还得慢慢读。
825.
2022, Medical Image Analysis. DOI: 10.1016/j.media.2021.102292 PMID: 34784539
2022-04-30 20:52:00
#paper https://doi.org/10.1016/j.media.2021.102292 Deformable MR-CT image registration using an unsupervised, dual-channel network for neurosurgical guidance. MIA(2022) 微创颅内神经外科手术的精度可能会受到变形的脑组织结构的影响,例如,在神经内窥镜路径中,由于脑脊液的流出导致脑组织变形达10毫米。这篇文章提出了一种基于深度学习的无监督配准方法,用于术前MR和术中CT之间的配准。MR和CT之间的配准属于跨模态配准问题,由于难以衡量不同模态图像之间的相似性, 跨模态配准问题一直以来都比较难做。这篇文章的主要思路就是利用cyclegan将不同模态的图像转换成同模态图像,从而进行模态内的配准。另一方面,与其使用determistic cyclegan, 作者使用了probabilitic cyclegan,这样就可以输出模型对于预测的形变场的不准确度的估计,这种不准确度的估计可以进一步拿来作为形变场的约束。
826.
2019, arXiv. DOI: 10.48550/arXiv.1806.09055 arXiv ID: 1806.09055
2022-04-30 20:39:00
#paper https://doi.org/10.48550/arXiv.1806.09055 DARTS: differentiable architecture search ICLR(2019) Neural Architectural Search (NAS) 这个问题是出了名的消耗算力,动不动就需要消耗上千个gpu hour,基本也只能在顶级的研究机构做这类研究。这篇文章没有使用类似于进化算法或者强化学习这样的方法在离散和不可微的空间中搜索网络架构, 而是通过对神经网络的架构表征进行松弛,将NAS问题转化为一个可微分的形式,从而能够使用梯度下降法在连续空间中搜索神经网络架构。作者将这个问题建模成一个bilevel的优化问题,然后提出了一个类似于EM算法的优化方法,通过交替优化模型架构参数\alpha和模型权重w来找到较优的模型架构\alpha 。由于优化过程中涉及二阶导的计算,作者进一步对二阶导的计算做了松弛,将其转化为形式为一阶导的估计,从而进一步降低了方法的复杂度。结果也都很漂亮,相比于之前那些动辄需要上千个gpu day的计算量,darts方法只需要几个gpu day的计算,而且也能达到差不多的效果。
827.
2021, Nature Reviews Molecular Cell Biology. DOI: 10.1038/s41580-021-00407-0 PMID: 34518686
2022-04-30 20:39:00
#paper DOI: 10.1038/s41580-021-00407-0 Nat Rev Mol Cell Biol.,2021,A guide to machine learning for biologists. 近几十年来,随着生物数据集规模与复杂性的大幅增长,机器学习越来越多的用于为潜在生物过程构建信息与预测模型。然而具体的机器学习方法多种多样,令人眼花缭乱。对于不同类型的生物数据,该如何选择特定的机器学习技术?本文是一篇2021年发表在Nature Reviews Molecular Cell Biology 上的综述文章,向读者简要介绍了一些关键的机器学习技术:既包括分类、回归、聚类模型等传统机器学习方法,也包括最近开发和广泛使用的涉及深度神经网络的技术。本文描述了不同的技术如何适用于特定类型的生物学数据,并指出着手进行涉及机器学习的实验时需要考虑的要点。最后,本文还讨论了一些机器学习研究的新方向。
828.
2022, Nature Cancer. DOI: 10.1016/j.ccell.2022.04.002
2022-04-30 18:41:00
#paper doi:10.1016/j.ccell.2022.04.002 Cancer Cell, 2022, The translational challenges of precision oncology. 这是一篇新近发表在Cancer Cell上的关于精准肿瘤学(precision oncology)的综述。所谓精准肿瘤学,是指基于肿瘤分子特征进行肿瘤诊治决策。这篇综述回顾了与肿瘤分子特征相关的研究历史和当前研究进展,从肿瘤发生、肿瘤预防、早期检测、新辅助治疗、微小病变残留监测、药物耐受、肿瘤演化过程、肿瘤转移等诊治不同阶段环节,讨论了相应重要分子特征的发现及应用。本文对于目前在肿瘤基因检测行业中涉及到的各类应用,包括涉及的临床队列研究和相关资源,都有提及,整体上内容全面、逻辑脉络清晰。比较适合初学者,快速了解这个方向的产业应用和临床应用,并强烈建议可追溯其参考文献,对各个具体应用场景,进行深入探索和学习。
829.
2022, Signal Transduct Target Ther .. DOI: 10.1038/s41392-022-00936-w PMID: 35440051 PMCID: PMC9018734
2022-04-30 14:29:00
June:
#paper https://doi.org/10.1038/s41392-022-00936-w该研究通过将 RT 与核酸酶野生型 Cas9 (WT-PE) 融合来进行大规模基因组操作,设计了一种新的先导编辑系统。与传统的先导编辑器(PE2)不同,这种新系统同时在目标位点引入了一个 DSB 和一个 3' 延伸的瓣,然后通过内源机制将它们整合到基因组中。当它与配对的 pegRNA 结合时,WT-PE 实现了高效的大规模基因组编辑,包括大片段缺失和染色体易位。因此, WT-PE 系统可能有助于建模或治疗与大片段畸变相关的疾病。
830.
2021, Human Brain Mapping. DOI: 10.1002/hbm.25739 PMID: 34873789 PMCID: PMC8886667
2022-04-30 14:19:00
#paper https://doi.org/10.1002/hbm.25739 推测为血管源性的脑白质高信号(WMH)常在健康老年人群的MRI上有发现。WMH还与衰老和认知能力下降有关。本文使用包含认知健康老年人MRI数据的纵向数据集(基线N=231人,年龄范围在64~87岁之间),比较并验证了FreeSurfer (T1w)、UBO Detector (T1W + FLAIR)和FSL-BIANCA(T1w+FLAIR)三种脑白质高信号提取的算法的有效性。作为参考,我们在T1w、3D (3D) FLAIR和二维(2D) FLAIR图像中手动分割WMH,并用于评估不同自动化算法的分割精度。此外,我们评估了算法提供的WMH体积与Fazekas评分和年龄的关系。FreeSurfer低估了WMH的体积,其骰子相似系数最差(DSC = 0.434),但其WMH的体积与Fazekas得分有很强的相关性(rs = 0.73)。BIANCA在3D FLAIR图像中实现了最高DSC(0.602)。然而,在2D FLAIR图像中(rs = 0.41),与Fazekas得分的关系仅为中等,在探索人体内轨迹时检测到许多异常值WMH体积(2D FLAIR: ~30%)。UBO Detector在DSC中与BIANCA在两种模式下的表现相似,在2D FLAIR(0.531)中达到了最佳DSC,无需定制训练数据集。此外,它与Fazekas评分有很高的相关性(2D FLAIR: rs = 0.80)。总之,我们的结果强调了仔细考虑选择的WMH分割算法和mr模态的重要性。
831.
2022, Nature Cancer. DOI: 10.1038/s43018-022-00356-3 PMID: 35469013 PMCID: PMC9046084
2022-04-29 16:29:00
#paper https://doi.org/10.1038/s43018-022-00356-3 Cell type and gene expression deconvolution with BayesPrism enables Bayesian integrative analysis across bulk and single-cell RNA sequencing in oncology (2022) 最近为了能从bulkRNAseq数据中分析出肿瘤一致性,所以在找一款比较好用的cellar deconvolution的软件。这方面引用量最好的是CIBERSORT及CIBERSORTx,但是这两款软件存在显示的缺点是只能online分析,不能本地化部署。看到前几天(2022年4月25日)刚在Nature Cancer上发表的BayesPrism,它可以本地化部署且提供的源码,赶紧读一读且拿来了试用。 该软件采用了贝叶斯统计模型,利用已经对cell type/ cell states注释过的single cell data作为 Reference,实现了从bulk RNAseq中推断出不同肿瘤细胞的组成及比例,而且还估计除了不同cell type的gene expression。而且从文章自己展示的性能看,已经超过了CIBERSORT/CIBERSORTx/Bisque/MUSiC 了,并且在肿瘤细胞10%以上的样本中,得到的表达谱和真实表达谱相关性大于0.9。
832.
2015, arXiv. DOI: 10.48550/arXiv.1503.03585 arXiv ID: 1503.03585
2022-04-28 22:10:00
#paper https://doi.org/10.48550/arXiv.1503.03585 Deep Unsupervised Learning using Nonequilibrium Thermodynamics ICML (2015). 这是一篇还没完全看懂的论文,但是非常有意思。说起这篇文章的扩散模型大家一不定熟悉,但是提到最近大火的openai的工作dall-e 2,大家可能会更熟悉一点。对,Dall-E 2最早的启发就是这篇文章。本文受非平衡热力学的启发,设计了一个称之为扩散模型(diffusion model)的生成模型。我们知道,在机器学习中,对一堆数据的分布进行估计是一个极具挑战的事情。特别是要兼顾模型的灵活性(flexible)和过程的可解性(tractable)。如果把建模隐变量z到观测量x的映射作为任务,那么扩散模型的想法是, 假设整个映射是一个马尔科夫链(MC),然后数据的初始状态是由一步步不断添加高斯噪声,最终获得某种最终形态,那么反过来,可以将去噪的过程看做是生成的过程。我们针对这个MC过程进行训练,那么逆过程则可以作为生成模型生成符合分布的数据。是的,很像VAE。考虑到这类生成模型通过不断的改进,已经达到Dall-E 2的效果,值得我们深入理解背后的机制,以及是否可以在数据合成上产生更好的效果。
833.
2006, J Chem Phys .. DOI: 10.1063/1.2393240 PMID: 17144719
2022-04-28 21:30:00
#paper Wohlert and Edholm (2006) J. Chem. Phys. 125: 204703 Dynamics in atomistic simulations of phospholipid membranes: Nuclear magnetic resonance relaxation rates and lateral diffusion 本论文提出了不同脂分子的面积,相转变温度,等各种参数的得出方法,并列举出了模拟当中的一些参数选择背后的原因。最近正在深耕细挖分子动力学,因为接下来要和量子计算进行合作了,需要充分理解目前的原理及参数选择,以便找到一个最适合用量子计算的场景。
834.
2022, Nature Cancer. DOI: 10.1038/s43018-022-00352-7 PMID: 35393580 PMCID: PMC9050907
2022-04-28 10:15:00
小W:
#paper doi.org/10.1038/s43018-022-00352-7 Concurrent delivery of immune checkpoint blockade modulates T cell dynamics to enhance neoantigen vaccine-generated antitumor immunity Nat Cancer (2022). 一篇介绍新生抗原疫苗(ADP 依赖性葡糖激酶突变的 9 聚体 (ADPGK))和免疫检查点抑制剂联合治疗的文章。作者通过对 MC38 模型进行新抗原疫苗接种、抗 PD-L1 治疗和联合治疗期间 DLN 和肿瘤组织中的 T 细胞进行了单细胞 RNA 测序 (scRNA-seq)。通过聚类表征,对簇间 TCR 的相似性 、克隆共享迁移分数、T 细胞进化轨迹、迁移抑制等分析跟踪 TME 的时空状态转换,1.验证了联合治疗通过对 TME 诱导 防止 Teff 细胞向终末耗竭 T 细胞的转变,以及 来自 DLN 的新浸润新抗原特异 T 细胞迁移对促进持久的免疫反应至关重要2.另一种 MC38 表位特异的 T 细胞百分比在联合治疗后也显着增加,Teff 细胞可能在原始肿瘤抗原初始引发后经历表位扩散。3.使用 IFN-γ 途径中的三个基因:Ifngr1、Zfp36l2 和 Gimap4 和两个趋化因子相关基因(Ccl5 和CXCR3) 刻画 MC38 癌症模型 ADPGK 新抗原特异性 T 细胞 (CAST) 评分,ICB 治疗增加了四分之三患者的 CAST 评分, ICB 在扩大 TME 中抗原特异性 T 细胞中的作用。作者分析使用了 10d 和 20d 的时间点的测序数据,从本文来看其分析和模型还是受到 小鼠模型 、疫苗特异性 、 临床数据 、时间梯度 的局限性。
835.
2022, BMC Medicine. DOI: 10.1186/s12916-021-02201-3 PMID: 35027051 PMCID: PMC8759185
2022-04-26 18:22:00
#paper Cell-free DNA methylation markers for differential diagnosis of hepatocellular carcinoma. 2022 20:8. https://doi.org/10.1186/s12916-021-02201-3.这篇文献技术路线是DNA提取,重硫酸盐转化,单链建库,探针捕获,二代测序,数据建模(SVM和多项式逻辑回归),独立验证集测试肝癌、肝硬化、健康人互相的区分效果。分类效果是The screening model can effectively discriminate HCC patients from non-HCC controls,including liver cirrhotic patients,asymptomatic HBsAg+ and healthy individuals,achieving an AUC of 0.957 (95%CI 0.939–0.975),wherea AFP only achieved an AUC of 0.803(95%CI 0.758–0.847).
836.
2020, International Journal of Forecasting. DOI: 10.1016/j.ijforecast.2019.07.001
2022-04-23 15:36:00
#paper Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting, 36(3), 1181–1191. https://doi.org/10.1016/j.ijforecast.2019.07.001 2020的DeepAR算法,个人觉得还是蛮有启发性的。相比于大部分在时序问题这种的点预测,DeepAR用概率模型的思路,在每个时间点去预测期概率分布;这其实也可能更符合显示,毕竟本身时序过程就是有非常强的随机属性,概率分布本身也更贴近本质。文章本身对鲁棒性讨论不多,但DeepAR的鲁棒性应该比较好。另外就是DeepAR自身强调的是,他可以很方便地对多个相关的序列(数千上万)个进行建模并提取其中的关系,这一点确实也是比较强的。所以作者也特别提到,仅需要少量的特征工程及超参数调整,即能获得比传统模型更好的效果。(论文中的模型对比,我个人觉得确实也相对规范)。 论文本身写得很精炼,但是因为是Amazon的论文,所以亲生儿子是用Mxnet上搭建的,用起来确实有点不太方便。Pytprch和TF倒是有实现,但是实现细节也有些魔改的地方。方便性来看,确实比不过Prophet,哈哈
837.
2022, PsyArXiv. DOI: 10.31234/osf.io/tdw82
2022-04-19 21:45:00
#paper http://dx.doi.org/10.31234/osf.io/tdw82 逆向海马体高级认知: 作者分析了生物高级slam功能是生物高级认知的基础,论文第三部分调查梳理了大量生物认知文献,论文第二部分提到了作者之前实现的类生物的slam框架,更多介绍可以参考https://mp.weixin.qq.com/s/R7doxKN6ylz7QXAIMiWQlQ
838.
2017, PeerJ Preprints. DOI: 10.7287/peerj.preprints.3190
2022-04-19 21:09:00
#paper 10.7287/peerj.preprints.3190v1 Taylor, S. J., & Letham, B. (2017, August 25). Forecasting at Scale. PeerJ Prepr 17年Facebook开源的Prophet。原理不复杂,时序分成3个部分,趋势项,周期项,节假日项。之前用在我司的一个预测模型里面,但是最近算是正儿八经的把论文给读了。Prophet被诟病最多应该还是没啥理论,尤其是趋势项的部分分解过于粗暴了,把时序上的所有点,分解的所有项都看作是t的函数,确实带有一股工业界浓浓的ML气息。虽然粗暴,但不得不说使用体验却是很好。prophet特别适用于商业时间序列的预测,并且这个包中集成了很多方便使用的工具,例如可以方便地定义节假日,方便地定于周期,中间时间序列有缺失值也不仅要,集成了异常检测识别,模型评估方法,时间序列分解图,所以说,即使不是很了解理论的人,也能够很容易使用这个包,简单而言,对数据分析师,非常友好。
839.
2021, International Journal of General Medicine. DOI: 10.2147/IJGM.S330608 PMID: 34531676 PMCID: PMC8439715
2022-04-10 12:28:00
#paper Heat Shock Protein Beta 1 is a Prognostic Biomarker and Correlated with Immune Infiltrates in Hepatocellular Carcinoma PMID: 34531676 PMCID: PMC8439715 DOI: 10.2147/IJGM.S330608 推荐理由,最近在尝试自己做生信分析,这是我尝试复现文中生信分析方法的文章,文章使用生信分析和自己做免疫组化验证相结合的方法进行实验。 文章研究目的:研究旨在阐明HSPB1在肝癌中的表达及其潜在的治疗和预后价值。方法:从癌症基因组图谱和基因表达综合数据库中收集了肝癌和正常肝组织中HSPB1表达水平的数据。用免疫组织化学(IHC)对其进行了验证。ROC和Kaplan-Meier 生存曲线研究分析HSPB1在肝癌预后中的作用。生信分析部分包含:RNA-Sequencing Data and Bioinformatics(使用TCGA数据库数据GEO分析,免疫组化实验验证)ROC和Kaplan-Meier 生存曲线分析HSPB1在肝癌患者中的预后。单变量和多变量回归分析,分析HSPB1表达与肝癌生存率之间的相关性。用(STRING) 构建HSPB1的蛋白质相互作用(PPI)网络。HSPB1和HSPB1基因信号通路预测使用Gene Ontology (GO)和Kyoto Encyclopedia of Genes and Genomes (KEGG).用Tumor Immune Estimation Resource (TIMER) 和single sample Gene Set Enrichment Analysis (ssGSEA)分析HSPB1与肿瘤之间的关系。免疫细胞,包括B细胞、中性粒细胞、巨噬细胞、CD4+T细胞和CD8+T细胞。文章结论:HSPB1表达和免疫细胞浸润和肝癌患者预后之间存在显著相关性。HSPB1的表达可能对肝癌患者有明显的预后价值,而且可能是肝癌免疫治疗的潜在靶点。
840.
2015, Journal of Child and Family Studies. DOI: 10.1007/s10826-015-0349-6
2022-04-05 00:36:00
#paper doi:10.1007/s10826-015-0349-6 Journal of Child and Family Studies, (2016), Emotion Regulation in Relation to Emerging Adults’ Mental Health and Delinquency: A Multi-informant Approach. 父母的教养方式是其教养态度和价值观的反映,并体现在其具体的教养行为中,最终影响子女各方面的发展。此前研究证实,权威型教养方式有更多优点能促进子女积极发展,而威权型教养方式和溺爱型教养方式则会带来更多消极结果。当前研究探讨了父母教养方式与子女情绪调控技能和心理健康及越轨行为的关系,以及情绪调控的中介作用。不过,当前研究的被试不同于此前研究中的儿童或青少年被试,该研究以刚刚成年的子女为研究对象。该研究采用的是问卷法。结果发现,被试报告的情绪调控能力部分中介了权威型教养方式与心理健康的关系,而权威型教养方式通过情绪调控间接与子女的越轨行为发生关系。威权型和溺爱型两种消极的教养方式没有与情绪调控能力发生关系。这一结果提示家庭教育工作者,父母权威型教养方式是有利于子女情绪调控能力发展和心理健康的,不过,未来研究需要建立在干预研究或者追踪研究的基础上才更好。
TOP