#paper doi：10.1101/2024.03.18.585576，bioRxiv，2024-03-19。Single-cell genomics and regulatory networks for 388 human brains。这个研究首次在人群规模对人脑前额叶区域进行了单细胞核转录组、染色质可及性测序，然后在细胞类型的精度对基因调控网络、细胞通讯网络等方面进行了生理和病理条件下的探究。研究结果可以在项目（brainSCOPE）的官网获取。官网：http://brainscope.psychencode.org。该研究用了388个人的脑。其中333个是该研究产生的，55个是外来的；健康个体有182个，其余有精神分裂症、双相障碍（抑郁狂躁型忧郁症）、自闭症或老年痴呆。388个个体有snRNA-seq数据。59个个体有snATAC-seq数据，其中40个的是snMultiome（对同一个细胞既测转录组又测ATAC）。质控后共280万个细胞核（注释到了28种细胞）。【研究角度及部分主要发现】1，对每种细胞找cis-eQTL和cis调控元件。2，构建细胞类型特异性的基因调控网络和细胞间通信网络，并展示这些网络在衰老和神经精神疾病中的变异。3，探究每种细胞的占比、基因表达、表观遗传和年龄、老年痴呆的关联。用基因表达量构建预测年龄的摸型。发现有6种细胞的转录组有很强的预测能力。4，在每种细胞里构建摸型，用遗传变异预测对细胞、组织的基因表达的影响。模拟基因序列的干绕对基因表达、表型（包括疾病倾向）等下游的影响。【研究的不足或未来研究方向】 1，RNA表达量不能代替蛋白表达量。这在某些脑区尤其突出。2，人去世后的脑组织和活人的脑组织有区别。3，研究更多脑区，以及发育、衰老中的脑区或者类器官。4，整合更多类型的数据，比如成像数据，用于提升预测表型的能力。【应用前景】1，为理解神经精神疾病的分子机制提供了新的视角，有助于发现新的治疗方法。2，通过整合模型（LNCTP），可以从基因型数据中预测个体的细胞类型特异性功能基因表达，为精准医疗提供工具。3，研究结果可用于优先考虑潜在的药物靶点，并模拟特定基因的表达变化，以预测其对疾病表型的潜在影响。4，该研究创建的brainSCOPE资源库可供其他研究者使用，以进一步探索大脑的分子结构和功能。总体而言，这项研究通过大规模的单细胞分析，为理解人类大脑的复杂性、疾病机制和潜在的治疗干预提供了宝贵的资源和新的洞见。

#paper doi:10.1016/j.ccell.2015.09.018 Cancer Cell, 2015, RNA-Seq of Tumor-Educated Platelets Enables Blood-Based Pan-Cancer, Multiclass, and Molecular Pathway Cancer Diagnostics. 发现血小板携带的mRNA可以预测（准确率96%）是否患癌，并且可以进一步预测（准确率74%）原发组织。

#paper 10.1038/s41588-018-0129-5。Nature Genetics。2018。Genetic identification of brain cell types underlying schizophrenia。貌似是第一批利用单细胞转录组来定位遗传学研究积累的候选致病基因富集在哪些细胞类型。这有利于进行更细致的机制研究。

#paper 10.1080/01621459.2020.1721245。Journal of the American Statistical Association。2020。The Book of Why: The New Science of Cause and Effect。 这是对Judea Pearl的《the book of why》的书评。从这个书评来看，Judea Pearl的《the book of why》有较大的局限。比如，Judea Pearl在《the book of why》只处理了因果分析，而忽略了因果结构的确定。但有时往往连因果结构也是不清楚或者不确定的。基于我的阅读理解，这个书评还指出，Judea Pearl认为随机实验不重要，只要看起来没有受到干扰就可以了。但书评作者认为，随机实验的作用在于能让研究者对实验设计和过程做检查。另外，实验允许我们不知道因果结构。然后，书评作者认为Judea Pearl的因果分析模型的表达能力不够强；还说Judea Pearl虽然回顾了因果研究的历史，但他的回顾是不完整的，忽略了其它因果研究方向；说Judea Pearl认为不接受他的理论的研究者是“文化抵触”，但其实是因为他的理论用处不大；说Judea Pearl的理论和之前Robin的因果理论关系密切，仅仅是多了一些独立性假设，但Robin没提这些假设不是因为他提不出来，而是因为认为太牵强，而且也无法得到实验验证。看了这个书评后我估计不会优先看The Book of Why了。

#paper DOI: 10.1126/science.1192788 science, 2011, How to Grow a Mind: Statistics, Structure, and Abstraction. 这是一篇综述，提出了在我看来比较可信的关于人脑如何学习的解释。人脑学习的一个特点是只需少量样本量（或者说数据很稀疏）就能学得很好，尤其是对因果关联的学习。作者认为学习效率高是因为用了抽象知识指导学习，并认为贝叶斯定理能很好地解释是如何用抽象知识指导学习的。而且贝叶斯方法可以有效利用多种形式的抽象知识，从而避免了传统方法需要穷举各种可能（一个个很长的数值向量）的需要。至于是如何从数据学到抽象知识的，比如是如何知道哪种形式是正确的，作者提到了各种形式（树、空间、环、次序……）都可以用graph表示，然后可以用分层贝叶斯模型来生成所需的graph，并且非参形式的分层贝叶斯模型自动蕴含了奥卡姆剃刀，只在数据需要时引入更多变量。不过，有些重要问题仍然没有被分层贝叶斯模型解决，比如学习到底是如何开始的？总得有什么作为基础吧？作者指出，有些贝叶斯建模者认为哪怕是最抽象的概念（比如因果关系的概念）原则上也是可以被学习的。作者还有一些讨论，比如什么Turing complete compositional representations，还有人脑具体如何实现贝叶斯算法，但目前不是我的兴趣（或者其实更是今晚我没有时间重新仔细看了……虽然2011年这篇文献出来的时候我就读过）。有兴趣的朋友可以直接找文献看。