科研绘图系列：python语言绘制SCI图合集

Quarto基础

【文献分享】SpaSEG：用于空间分辨转录组学多任务分析的无监督深度学习技术

细胞是生命的最基本单位，要理解其多样性和功能特性，就需要对其进行详细的描述。单细胞组学数据的兴起使得这一目标得以实现，但目前的深度学习方法缺乏多尺度的可解释性。我们推出了“细胞解码器”这一模型，它结合了生物学先验知识，能够为细胞提供多尺度的表示。通过自动机器学习和事后分析，细胞解码器能够解码细胞的身份，并且其表现优于现有的方法。它具有多视角的可解释性，并有助于数据的整合。

机器学习工具在生物研究中的应用日益广泛，这得益于预训练的大型语言模型的出现。然而，训练出有效的模型仍是一项复杂的任务，因为众多因素都会影响其性能。自动机器学习（AutoML）方法通过简化整个模型开发流程来应对这些挑战。

近年来，许多病原体鉴定和微生物组分析工具已被开发出来，其中 Kraken 2 是最受欢迎的一种。虽然 Kraken 2 之后的工具能够帮助解读其输出结果，但评估单个样本中某一分类群/生物体存在的可能性的统计框架以及与自动化端到端分析流程相结合的完整分析管道尚未完全实现。在此，我们介绍一款名为 SPARKI 的 R 软件包，它能够对 Kraken 2 的输出结果进行统计分析，并有助于识别下一代测序样

尽管病毒生态基因组学扩大了对病毒世界的探索范围和理解程度，但现有的分类工具在分类学分辨率方面存在不足，无法适用于现代基于发现的数据集或对先前未知的序列空间进行分类。在此，我们开发了 vConTACT3——一个基于机器学习的工具，它提高了病毒分类的可扩展性和准确性。通过优化基因共享阈值并利用适应性的、特定领域的分界线，vConTACT3 扩展了分类范围，涵盖了六个正式认可的领域中的四个，对真核和原核

通过对海量组学数据进行分子全景分析，可以识别细胞中的调控网络，但还需要进行机制解读和实验验证。在此，我们结合深度学习和大型语言模型推理，开发了一种用于组学解读的混合工作流程，称为 LyMOI。LyMOI 采用了 GPT-3.5 来进行生物学知识推理，并使用了一个包含图卷积网络（GCN）的大型图模型。该大型图模型整合了进化上保守的蛋白质相互作用，并通过分层微调从多组学数据中预测特定环境下的分子调节因

利用稀疏的纵向数据准确预测微生物群落的动态行为，对于基于微生物组的精准医疗和生态监测而言，仍是一项极具挑战性的任务。现有的大多数模型依赖数据插值，并假定是种群层面的动态变化，这限制了它们在现实场景中捕捉个体微生物变化的能力。我们提出了 MicroProphet，这是一种个性化的时序感知框架，能够从不完整的纵向观测数据中准确预测微生物丰度轨迹，且无需数据插补。它由一个时间感知的 Transforme

SpaPheno是一个将空间转录组数据与带临床表型的bulk RNA-seq数据相整合的可解释机器学习框架，通过细胞类型去卷积和空间邻域嵌入构建共享特征空间，利用弹性网络回归实现从bulk到空间的可迁移表型预测，并通过SHAP和残差分析提供从全局到单点的多层次生物学解释。其核心优势在于：**不要求空间数据自带临床标签，仅需同一疾病类型的公开bulk数据（如TCGA）即可运行**，极大地拓展了适用范