今天小编给各位佬铁分享一篇发在 Nature Communications [IF 15.7] 的方法比较 benchmark 文章，作者在 5 个空转数据集复现并评估了 11 种从 H&E 图像预测空间基因表达的方法，还使用了大家熟悉的 TCGA 数据库进行了外部验证。最近一段时间已经有了很多种从 H&E 图像预测空间基因表达的模型，也都是卷积神经网络（CNN）或 Transformer 架构这

生信碱移TCMNP 包，一路打通网络药理学数据库与可视化分析。最近，小编冲浪的时候看到一个今年发表的网络药理学 R 包 TCMNP，据说整合了多个数据库以及多种可视化分析函数，一眼看下来确实够顶。具体来说，TCMNP 整合了几大类型的数据库：① 三大药物成分及靶点数据库TCMSP、DrugBank、ETCM；② 疾病基因数据库 DisGeNET 与 OMIM；③ 转录因子及其对应靶基因数据库 TR

从二分类建模、评估、SHAP可解释性甚至到。

宏基因组学彻底改变了研究人员对微生物群落的认识，微生物组不仅是环境组分，更作为共生体深刻影响着宿主的健康与功能。鉴于微生物群落固有的复杂性及其所处环境的多样性，研究者进行一些宏基因组学研究时必须精心设计以获取能真实反映目标群体特征的准确结果。

生信碱移locuszoomr可视化GWAS结果locuszoomr 是由伦敦玛丽王后大学的研究者开发的R包，允许用户生成出版级别的基因组位点注释图，这可以用于可视化并解读 GWAS 分析结果。由 locuszoomr 生成的基因位点注释图通过 R 基础图形或 ggplot2 生成，简易使用的同时又附加了大量个性化参数设置。本文将介绍locuszoomr的使用方法，大家也可以根据官方文档探索更多的个

如果对细胞进行一个或多个基因敲除扰动（红色部分，比如通过实验干预特定基因的活性），会导致一些基因表达水平发生变化（紫色部分），这种变化可能是增强、减弱或保持不变。先进的深度学习方法，如基于 transformer 的基础模型，被认为能够学习单细胞中的基因表征，这些表征可以用于预测未见实验的结果，例如预测基因扰动敲除对其它基因转录表达的影响。与之相对， "加性模型" 则采用传统的线性思维，认为组合扰

每一行代表一个 SNP；每一列代表一个基因，对应填充值为 QTL 结果中 SNP 对基因表达的效应，最后一列为 GWAS 结果中每个 SNP 对所研究性状的效应。此外，还需要。

GeneGPT的核心思想是通过大语言模型（如GPT-3.5）对基因信息进行嵌入，从而生成能够反映基因功能和细胞特征的嵌入向量（其他方法则是需要使用大规模的单细胞数据进行预训练，GeneGPT 属于是触类旁通、借花献佛了）。这些基因嵌入向量能够帮助我们在单细胞转录组学研究中更好地表示基因和细胞的生物学信息，被进一步用于细胞级别的嵌入表示。具体来说，基因嵌入通过提取NCBI基因数据库中的文本摘要，并利

顾名思义，这个方法的输入，不是原始测序矩阵，而是两大类“知识型输入”。作者主要做的就是 LLM + 外部专家知识来进行核心基因筛选，虽然并不涉及方法开发，但好歹是个新鲜的流程，正文中称为分层知识引导的风险基因识别 LLM 方法（HKLLM-RG）。除了上面的内容以外，与大语言模型对话的提示词（Prompt）以及具体的分析也是有设计的好吧。• 前列腺癌专门知识层，来自前列腺癌研究，覆盖流行病学、发病

热门的领域都有相应的数据量积累了，比如说基因组、单细胞空转啥的，像 AlphaGenome/evo2/scoby/Borzoi 就是经典的基因组模型，而 Geneformer/scGPT/CellFM 啥的则是经典的单细胞基础模型。今天看到一个今年5月21日刚刚见刊 Cell 子刊 Patterns 的基础模型 GSFM，模型侧重的角度还是比较新颖的，叫做基因集基础模型。补充一下，基础模型最强悍的