山东大学研究团队开发了一种基于图Transformer的新型稀有细胞群组学分析方法
编辑|萝卜皮稀有细胞群是肿瘤进展和治疗反应的关键，但计算识别和分析落后于主要细胞类型。这提供了潜在的干预目标。为了弥补这一空缺，山东大学研究团队采用了MarsGT，这是一种使用单细胞图transformer的多组学分析方法，用于推断稀有群体。该方法使用基于概率的异质图变换器来识别单细胞多组学数据中的稀有细胞群。MarsGT在550个模拟数据集和4个真实人类数据集中的稀有细胞识别方面表现优于现有工具。该研究以「MarsGT:Multi-omicsanalysisforrarepopulationinfere
编辑 | 萝卜皮
稀有细胞群是肿瘤进展和治疗反应的关键，但计算识别和分析落后于主要细胞类型。这提供了潜在的干预目标。
为了弥补这一空缺，山东大学研究团队采用了MarsGT，这是一种使用单细胞图transformer的多组学分析方法，用于推断稀有群体。
该方法使用基于概率的异质图变换器来识别单细胞多组学数据中的稀有细胞群。MarsGT在550个模拟数据集和4个真实人类数据集中的稀有细胞识别方面表现优于现有工具。
该研究以「MarsGT: Multi-omics analysis for rare population inference using single-cell graph transformer」为题，于 2024 年 1 月 6 日发布在《Nature Communications》。
多细胞生物包含多种特化细胞，这些细胞类型的识别对于免疫治疗和临床场景至关重要。这有助于阐明免疫机制，设计靶向治疗，并支持个性化医疗。然而，当遇到稀有或瞬时表达的细胞时，就会遇到困难。尽管稀缺，但稀有细胞群在各种生物过程中发挥着至关重要的作用。精确掌握这些稀有细胞群，并进行详细的描述，将进一步加深人类对肿瘤微环境和引导免疫治疗反应的复杂机制的理解。
单细胞 RNA 测序 (scRNA-seq) 的出现极大地提高了科学家识别单个细胞类型的能力，提供高分辨率的分子图谱，阐明细胞多样性和特定细胞内基因表达的复杂动态。大多数现有的稀有细胞识别工具，例如 FIRE、GapClust、TooManyCells、GiniClust、RaceID 和 SCMER，都面临着一些挑战，例如推断稀有细胞群时的高假阳性、肿瘤活检单细胞数据等复杂样本的性能有限、无法同时识别主要和稀有细胞类型以及超稀有细胞类型（<1% 的样本）的准确性受到影响。
在研究稀有细胞的过程中，我们必须注意到稀有细胞的有限代表性可能导致分组不准确。依靠基因表达数据的方法可能会出现这些问题。但是，单细胞 ATAC 测序等技术的出现可以解决这一问题，这些技术提供了有关增强子区域的部分调控数据，这对于保留细胞类型身份至关重要。这些信息可以用于构建基因调控网络，揭示对稀有细胞群的性质和功能的重要见解。
在这里，山东大学的研究人员开发了 MarsGT（Multi-omics analysis for rare population inference using single-cell Graph Transformer），这是一种端到端深度学习模型，用于从 scMulti-omics 数据中识别稀有细胞群。
MarsGT 整合了 scRNA-seq 和 scATAC-seq 数据，同时产生初级和稀有细胞群及其各自的调控关系。根据初始 scRNA-seq 和 scATAC-seq 数据构建包含细胞、基因和增强子的异质图，细胞内基因和峰的存在表示为边。
图示：MarsGT 架构。（来源：论文）
该团队认为，与仅在特定亚群中表达的基因相比，普遍表达的基因对于识别稀有细胞不太可能起关键作用。为了辨别稀有细胞，必须识别在目标细胞中高表达但在其他细胞中低表达或无表达的基因或峰。研究人员将此类基因和峰定义为稀有相关基因和峰。
根据表达/可及性的第一个四分位数，将细胞内的基因/峰分割成高或低选择区域。对于给定的细胞，基因/峰的选择概率由高选择区域中基因/峰表达/可达性的比例决定。在他们的多头注意力图 transformer 中，此类稀有相关基因和峰有更高的概率被采样到稀有细胞的关键特征。
多头注意力机制有助于更新采样子图上的细胞、基因和峰值的联合嵌入。细胞分配概率矩阵和峰基因链接分配概率矩阵是学习后联合嵌入预测的。同时确定并迭代更新子图中的峰值基因关系和稀有细胞群以进行模型训练。此外，为了确保与主要细胞相关的特征不被削弱，正则化项被纳入训练过程中。随后将经过充分训练的模型应用于整个异质图，并结合转录因子（TF）数据库来构建细胞簇增强子基因调控网络（eGRN）。
图示：MarsGT 在稀有细胞群鉴定方面的基准测试。（来源：论文）
MarsGT作为一种基于概率的子图采样方法，可以在异质图中突出显示罕见的细胞相关基因和峰值。研究人员进行了广泛的模拟 (n = 550)，以彻底测试 MarsGT 在识别稀有细胞群方面的准确性和稳健性。
MarsGT 的性能经过500个模拟数据和四个人外周血单核细胞数据集的验证，在 F1 评分和归一化互信息 (NMI) 指标方面超越了现有方法。
为了进一步展示MarsGT的应用能力，研究人员将MarsGT应用于三个scMulti-omics案例研究：
（1）在小鼠视网膜数据中，它揭示了罕见双极细胞和穆勒神经胶质细胞亚群的独特亚群。
图示：MarsGT 有效地捕获了差异调节机制，并揭示了其他工具经常遗漏的具有生物学意义的稀有细胞群。（来源：论文）
（2）在人类淋巴结数据中，MarsGT 检测到可能充当淋巴瘤前体的中间 B 细胞群。
图示：MarsGT 在 B 淋巴瘤数据中识别出处于中间过渡状态的稀有细胞。（来源：论文）
（3）在人类黑色素瘤数据中，它识别出受高 IFN-I 反应影响的罕见 MAIT 样群体，并揭示了免疫治疗的机制。
结果表明，MarsGT 可以区分独特的稀有细胞群（这是其他计算工具无法实现的壮举），并为早期临床检测和免疫阻断剂的开发提供策略。
总之，MarsGT 代表了鉴定稀有细胞群以及阐明微环境和免疫治疗机制的工具。它通过发现与疾病相关的稀有细胞群并揭示可为免疫治疗策略提供信息的内在调节机制，为精准医学开辟了一条充满希望的轨迹。
论文链接：https://www.nature.com/articles/s41467-023-44570-8
3月28日，OPPOFind系列产品负责人周意保在微博发文，表示OPPO已经进入了5.5G时代。OPPOFindX7系列周意保在微博上传了一张截图，图中的手机锁屏界面右上方状态栏信号一栏显示为5GA，也就是人们更加熟悉的5.5G。此外，周意保也发文称："和大家一起进入5.5G新移动网络时代！"宣布了5.5G新移动网络时代的到来。OPPOFind系列产品负责人周意保微博有博主表示，OPPOFindX7系列即将行业首发支持5G-A（5.5G），OTA固件已经准备好了。5G-A理论上可以实现10倍提升的连接速率
作者|香港中文大学白帆编辑|ScienceAI近日，香港中文大学和智源联合提出的M3D系列工作，包括M3D-Data,M3D-LaMed和M3D-Bench，从数据集、模型和测评全方面推动3D医学图像分析的发展。（1）M3D-Data是目前最大的3D医学图像数据集，包括M3D-Cap(120K3D图文对),M3D-VQA(510K问答对)，M3D-Seg（150K3DMask），M3D-RefSeg(3K推理分割)共四个子数据集。（2）M3D-LaMed是目前最多功能的3D医学多模态大模型，能够解决文本（
编辑|紫罗AI在简化药物发现方面的应用正在爆炸式增长。从数十亿种候选分子中筛选出可能具有开发新药所需特性的分子。需要考虑的变量太多了，从材料价格到出错的风险，即使科学家使用AI，权衡合成最佳候选分子的成本也不是一件容易的事。在此，MIT研究人员开发了一个定量决策算法框架SPARROW，来自动识别最佳分子候选物，从而最大限度地降低合成成本，同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。SPARROW考虑了一次合成一批分子的成本，因为多个候选分子通常可以从一些相
编辑|萝卜皮OpenAI的GPT和MetaAI的Llama等大型语言模型（LLM）因其在化学信息学领域的潜力而日益受到认可，特别是在理解简化分子输入行输入系统（SMILES）方面。这些LLM还能够将SMILES字符串解码为矢量表示。加拿大温莎大学（UniversityofWindsor）的研究人员比较了GPT和Llama与SMILES上的预训练模型在下游任务中嵌入SMILES字符串的性能，重点关注两个关键应用：分子特性预测和药物-药物相互作用预测。该研究以「Canlargelanguagemodelsun
编辑|萝卜皮在处理语言时，大脑会部署专门的计算来从复杂的语言结构中构建含义。基于Transformer架构的人工神经网络是自然语言处理的重要工具。普林斯顿大学的研究人员探讨了Transformer模型和人类大脑在语言处理中的功能特殊化问题。Transformer通过结构化电路计算整合单词间的上下文信息。不过，当前的研究主要集中于这些电路生成的内部表征（「嵌入」）。研究人员直接分析电路计算：他们将这些计算解构为功能专门的「transformations」，将跨词语的上下文信息整合在一起。利用参与者聆听自然故
编辑|X人工智能（AI）在过去几年中以惊人的速度发展。一些科学家现在着眼于超级人工智能（ArtificialSuperintelligence，ASI）的发展，这是一种不仅超越人类智能，而且不受人类学习速度限制的AI。超级人工智能的发展可能会带来巨大的影响和挑战。一方面，它可能为我们带来前所未有的技术进步和创新，解决各种复杂的问题。另一方面，由于其超越人类智慧的能力，我们也需要谨慎对待和管理它的发展，以避免可能的风险和危害。因此但如果这个里程碑不仅仅是一项了不起的成就呢？如果它也代表了所有文明发展的一个巨
编辑|枯叶蝶准确识别药物-靶标相互作用（DTI）是药物发现和药物重新定位过程中的关键步骤之一。目前，许多基于计算的模型已被提出，用于预测DTI，并取得了一些显著的进步。然而，这些方法很少关注如何以适当的方式融合与药物和靶标相关的多视角相似性网络。此外，如何充分结合已知的相互作用关系来准确表示药物和靶标尚未得到很好的研究。因此，提高DTI预测模型的准确性仍然是必要的。在最新的研究中，郑州大学、电子科技大学团队提出了一种新方法MIDTI。该方法采用多视图相似性网络融合策略和深度交互式注意机制来预测药物-靶标相
来自清华大学AIR、北京大学、南京大学的研究团队提出了ESM-AA模型。该模型在蛋白质语言建模领域取得了重要进展，提供了一套整合多尺度信息的统一建模方案。它是首个能同时处理氨基酸信息和原子信息的蛋白质预训练语言模型。模型的出色性能展示了多尺度统一建模在克服现有局限和解锁新能力方面的巨大潜力。作为基座模型，ESM-AA获得了多位学者的关注与广泛讨论（截图见下方），被认为有潜力基于ESM-AA开发出可与AlphaFold3、RoseTTAFoldAll-Atom相竞争的模型，为研究不同生物结构间的相互作用开辟
编辑|萝卜皮生物大分子结构对于药物开发和生物催化至关重要。量子力学（QM）方法进行晶体细化，在提高结构质量至纠正生物大分子的结构方面显露出前景。量子细化（Quantumrefinement，QR）方法采用可靠的量子力学（QM）方法进行晶体精化，以显示出前景。然而，巨大的计算成本和复杂的量子力学/分子力学（QM/MM）设置限制了QR的应用。在南方科技大学的研究团队将稳健的机器学习势（MachineLearningPotentials，MLP）融入多尺度ONIOM（QM:MM）方案中，来描述核心部分（例如药物
序列建模的进展具有极大的影响力，因为它们在广泛的应用中发挥着重要作用，包括强化学习（例如，机器人和自动驾驶）、时间序列分类（例如，金融欺诈检测和医学诊断）等。在过去的几年里，Transformer的出现标志着序列建模中的一个重大突破，这主要得益于Transformer提供了一种能够利用GPU并行处理的高性能架构。然而，Transformer在推理时计算开销很大，主要在于内存和计算需求呈二次扩展，从而限制了其在低资源环境中的应用（例如，移动和嵌入式设备）。尽管可以采用KV缓存等技术提高推理效率，但Trans
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
