治疗性抗体目前是生物疗法中最大的类别，因为它们的靶点特异性较好和结合亲和力较高。传统的抗体开发过程是基于主要的经验性方法，虽然成熟稳健，但繁琐且有显著的缺陷。最近，计算和人工智能（AI）技术的进步开始克服这些限制，被越来越多地整合到抗体开发的流程中。本文提供了与抗体开发相关的AI方法的概述，包括数据库、抗体属性和结构的计算预测模型，以及机器学习（ML）模型为重点的计算抗体设计方法。特别是，重点介绍了对结合至关重要的抗体结构组分，如互补决定区（CDR）环的设计。
在进行抗体药物研发时，当冷冻电镜的数据分辨率比较低，可以通过测序信息来辅助进行序列鉴定。
今天给大家介绍的是来自华为诺亚方舟实验室发表在 arxiv 上的预印本《AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation》。作者设计了一种组合贝叶斯优化框架 AntBO ，可实现抗体 CDRH3 区域的高效计算设计。并使用 Absolut! 软件套件对 AntBO 进行基准测试与评分。对 188 种抗原设计抗体的结果证明了 AntBO 在设计具有不同生物物理特性的 CDRH3 区域方面的优势。只需要不到 200 种蛋白质设计，AntBO 推荐的序列就可以优于从 690 万个CDRH3的实验数据库和常用遗传算法提取的最佳序列。
在测序信息爆发的时代，使用自然语言模型进行自监督式学习蛋白序列通用/富集特征已经有了许多的工作，比如ESV-1b、MSA-Transformer等等。这些模型可以被用于预测蛋白突变、或作为蛋白结构预测的embedding输入，甚至是学习蛋白进化/病毒逃逸等问题。但是自然界的蛋白质在进化过程中面临了各方面的外接压力，使用这些序列无法很好地表示抗体专属的特征类型。前几天，在NeurIPS 2021上，RosettaCommons的Gray Lab团队展示了抗体预训练模型AntiBERTy，相对于AntiBERTa的参数量增加了10倍，并展示了如何用于分析抗体在体内的亲和成熟轨迹以及抗体CDR热点补位残基的预测效果。
如果做肿瘤研究，不知道做什么基因或者蛋白，也不知道从何处入手？那给你推荐一个数据库，或许可以给你提供一些思路。这个数据库就是：The Pathology Atlas公开数据库。
今天为大家介绍的是来自Jeffrey J. Gray团队的一篇论文。用于治疗应用的单克隆抗体的发现和优化依赖于大型序列库，但是由于可开发性问题而受到阻碍。基于数百万蛋白质序列训练的生成式语言模型，是按需生成现实且多样化序列的强大工具。作者提出了免疫球蛋白语言模型（IgLM），这是一种用于创建合成抗体库的深度生成式语言模型。与之前利用单向上下文进行序列生成的方法相比，IgLM基于自然语言中的文本填充来构建抗体设计，允许它使用双向上下文重新设计抗体序列中的可变长度区域。
2024年6月18日，Ability Biologics（以下简称 “Ability”）宣布其种子轮融资最终完成，共募集资金1800万美元。
我们在进行基因的蛋白表达检测的时候，通常的方法是进行western blot以及免疫组化进行检测的。对于这两个实验都是需要提前买抗体进行检测的，但是抗体又贵，如果一个基因检测的结果不好的话，那有可能就要浪费这个抗体了。所以今天就来介绍一个，在很多癌症当中做了很多基因的免疫组化的数据库: The Human Protein Atlas (https://www.proteinatlas.org/)
今天为大家介绍的是来自Shiwei Sun, Peter Pak-Hang Cheung和 Xin Gao团队的一篇与SARS-CoV-2相关的论文。SARS-CoV-2的持续演变对公共卫生构成了重大威胁。由于庞大的序列空间，了解潜在的抗原变化具有重要意义，但也具有挑战性。在这里，作者引入了机器学习引导的抗原进化预测（MLAEP）方法，它结合了结构建模、多任务学习和遗传算法，通过体外定向进化模拟来预测病毒的适应性景观并探索抗原进化。通过分析现有的SARS-CoV-2变异，MLAEP准确地推断了抗原进化轨迹上的变异顺序，与相应的采样时间相关联。作者的方法在免疫功能受损的COVID-19患者和新出现的变异（如XBB1.5）中识别出了新的突变。
今天给大家介绍的是麻省理工学院林肯实验室、电子研究实验室等机构发表在arxiv上的预印文章《Antibody Representation Learning for Drug Discovery》。作者开发了一个抗体序列特定的预训练语言模型。发现在通用蛋白质序列数据集上对模型进行预训练可以更好的支持特征细化和学习抗体结合预测。证明语言模型能够在抗体结合预测方面学习到比传统抗体序列特征或CNN模型学习的特征都更有效的特征。分析了训练数据大小对预训练模型性能的敏感性。
今天我们介绍由北京邮电大学网络与交换技术国家重点实验室的王光宇等学者发表在Nature Medicine上的工作。该工作介绍了一个基于人工智能框架UniBind，该框架利用深度学习和蛋白质结构分析来预测SARS-CoV-2的刺突蛋白突变的影响。该工作强调了在病毒宿主相互作用和新的SARS-CoV-2变体出现中理解蛋白质相互作用的重要性。UniBind整合了蛋白质三维结构和结合亲和力数据，预测了刺突蛋白突变如何影响其与人类ACE2受体和中和抗体的结合亲和力。该框架在基准数据集上进行了测试，并通过实验证实了其有效性。UniBind还能够有效预测刺突蛋白变体对结合亲和力的影响，并可以应用于预测宿主对SARS-CoV-2变体的易感性和未来病毒变体的进化趋势。该工作强调了UniBind作为问题变体的预警系统的潜力，以及其促进蛋白质相互作用研究的能力。总体而言，UniBind使用异质数据集提供了全面且高容量的蛋白质相互作用分析，有助于人类理解SARS-CoV-2的感染性和变体进化。
今天为大家介绍的是来自Pietro Sormanni团队的一篇论文。单克隆抗体已成为关键的治疗药物。特别是纳米抗体，这种小型的、单域的抗体自然表达于骆驼科动物中。自2019年首个纳米抗体药物获批后迅速受到关注。然而，将这些生物制品作为治疗药物开发仍然具有挑战性。尽管目前研究人员已经开发体外相对快速低廉的定向进化技术，但从动物免疫或患者身上发现治疗性抗体仍是黄金标准。源自免疫系统的抗体在体内通常具有诸如长半衰期、低自身抗原反应性和低毒性等有利特性。
今天和大家分享的是2020年1月发表在Cancers（IF：6.126）上的一篇文章，“Mechanism- and Immune Landscape-Based Ranking of Therapeutic Responsiveness of 22 Major Human Cancers to Next Generation Anti-CTLA-4 Antibodies ”，本篇文章中，作者基于5种特征在22类人类癌症中对抗CTLA4抗体治疗反应进行了排序，并对5个特征加权处理生成了一个综合的反应排序。
今天为大家介绍的是来自Bryan Bryson和Bonnie Berger团队的一篇关于语言模型在抗体上应用的论文。基于机器学习的蛋白质语言模型（Protein Language Models，PLMs）在预测蛋白质结构和功能方面取得了显著的成功。然而，通用的“基础”PLMs在预测抗体方面的性能有限，这是因为抗体的高变异性区域不符合模型所依赖的进化保守原则。在此项研究中，作者提出了一种新的迁移学习框架，称为AbMAP，它通过对抗体序列输入进行精细调优，以抗体结构和结合特异性示例为监督，对基础模型进行微调。
本文介绍比兹堡大学药学院的Tianjian Liang等人在Briefings in Bioinformatic发表的文章“IsAb: a computational protocol for antibody design”，作者提出了治疗性抗体的in silico设计方案——IsAb，其结合了多种抗体工程技术，为计算抗体设计提供了通用且明确的指导，还提供了解决抗体设计中一些挑战的解决方案。为了验证IsAb，作者重新设计了D44.1抗体，并与之前的报道数据进行了比较，作者还以设计cemiplimab抗体为例展示了详细的工作流程，为未来的计算抗体设计带来了启示。
2021年4月，来自瑞士苏黎世联邦理工学院的研究团队在Nature Biomedical Engineering发表文章，介绍了一种利用深度学习从抗体序列中预测抗原特异性，从而优化抗体药物的方法。
这次为大家分享的是来自伊利诺伊大学厄巴纳-香槟分校的Jimeng Sun教授团队发表在KDD一篇上名为《Antibody Complementarity Determining Regions (CDRs) design using Constrained Energy Model》的文章。近年来涌现出许多计算设计抗体CDR环的工作，但面临着CDR 环维持特定几何形状的挑战。在这篇文章中，作者设计了一个约束流形来表征 CDR 环的几何约束，接着设计了约束流形中的能量模型Constrained Energy Model (CEM)。
今天为大家介绍的是来自Lin Li研究团队的一篇关于抗体优化的论文。治疗性抗体是一种重要且迅速增长的药物模式。然而，早期抗体治疗的设计和发现仍然是一项耗时且成本高昂的工作。在这里，作者提出了一种全流程贝叶斯、基于语言模型的方法，用于设计大规模且多样化的高亲和力单链变量片段（scFv）抗体库，然后通过实验进行验证。与定向进化方法进行对比后，作者的方法所生成的最佳scFv与定向进化方法生成的最佳scFv相比，结合能力提高了28.7倍。此外，在最成功的抗体库中，有99%的设计scFv相比最初的候选scFv有所改进。
本次分享的是PLOS Computational Biology于2021年8月4日刊登的文章《Deep geometric representations for modeling effects of mutations on protein-protein binding affinity》，作者是来自分别来自清华大学的Xianggen Liu，Pengyong Li, Sen Song和伊利诺伊大学厄巴纳-香槟分校的Yunan Luo以及彭健。在这次的研究中，作者团队开发了一个名为GeoPPI的深度学习框架。基于蛋白质的三维结构，GeoPPI首先通过自监督学习方案学习编码蛋白质结构拓扑特征的几何表示，然后将这些表示用作训练梯度增强树的特征，以预测突变后蛋白质-蛋白质结合亲和力的变化。
抗原表位指的是抗原分子中决定抗原特异性的特殊化学基因，抗原通过抗原表位与对应的抗原受体想结合，从而引起免疫应答反应。一个抗原分子可以含有多个抗原表位，抗原表位的性质，数目和空间结构决定了抗原的特异性。
在进行基因相关研究的时候，我们经常需要查询了解基因的相关功能，才能知道我们要往哪里进行下一步研究。对于基因功能的查询，我们介绍过ncbi的gene数据库，同样的之前的gene id转换的时候我们也提到过，关于基因信息的汇总除了gene数据库还有ensembl、uniprot等等很多数据库，各个数据库都提供了不同的基因信息。我们在查询的时候，总不能说把各个数据库都查询一遍吧？所以今天就给大家介绍一个汇总了多个数据库的基因信息查询网站: GeneCards (https://www.genecards.org/)
英文标题： ChIP-Atlas: a data-mining suite powered by full integration of public ChIP-seq data
【新智元导读】斯坦福张首晟团队创造了一个人工智能程序Atom2Vec，只用几个小时就重新得出了元素周期表。这项研究更宏大的目标是设计出替代作为机器智能标准的图灵检验的新标准。张首晟教授在接受新智元采访时认为，实验是检验规律的唯一标准，人类可以通过实验来认证人工智能做出的理论预言。
今天为大家介绍的是来自Debora Marks团队的一篇论文。近期在人工智能领域的突破性进展，加上蛋白质序列和结构数据的快速积累，已经彻底改变了计算蛋白质设计的面貌。新方法有望打破自然和实验室进化的限制，加速生成用于生物技术和医学中的蛋白质。为了理解机器学习方法多样化爆炸的情况，作者提出了一个统一的框架，该框架根据模型使用的三种核心数据模态来分类：序列、结构和功能标签。
我们前面说过，仅仅靠ONCOMINE数据库的数据，还很难发表论文。而且，ONCOMINE数据库的数据，是芯片或测序的结果，是从转录水平进行的检测。而差异表达，最好是在蛋白水平，因此，对于ONCOMINE数据库分析得到的结果，最好进行蛋白水平的验证。
今天为大家介绍的是来自Lu Gan和An-Yuan Guo团队的一篇论文。联合疗法是一种有前景的治疗策略，用以提升免疫检查点阻断（ICB）的疗效；然而，预测有效的联合用药仍然充满挑战。在这里，作者开发了一种名为CM-Drug的通用数据驱动方法，用于筛选能够增强ICB治疗效果的化合物。
今天给大家介绍的是由来自Absci公司的Vancouver (WA)团队发表在bioRxiv上的预印文章《Antibody optimization enabled by artificial intelligence predictions of binding affinity and naturalness》。这篇文章提出利用人工智能对抗体进行优化的基于高通量亲和数据训练的深层语境语言模型（deep contextual language models trained on high-throughput affinity data），并运用名为ACE和SPR的方法，用于生成抗体结合亲和力的相对传统方法而言更优的测量，然后基于两种不同的抗体证明了可以定量预测未知抗体序列变体的结合。
基因是构造生命的基本蓝图，而蛋白质则是生命功能的执行者和生命现象的体现者。细胞中的蛋白质主要是通过与细胞内其它蛋白质的相互作用来实现其绝大部分生物学功能。因此，蛋白质-蛋白质相互作用（简称“蛋白质互作”）在生命功能的实现以及生物的进化过程中都扮演极其重要的角色。例如，抗体和抗原蛋白相互作用可以帮助生命个体识别和抵御外界病原体的入侵；受体和配体蛋白相互作用可以触发细胞信号传导通路；酶蛋白和底物相互作用可以催化新陈代谢的进程等等。它们在生物功能上的这种特殊的重要性，也使得蛋白质互作成为许多现代药物设计的关键靶点。
功能蛋白质组学的相关研究能够快速提高我们对病理生理学和治疗癌症的理解。为了方便更广泛的研究访问癌症蛋白质组数据集。
功能蛋白质组学的相关研究能够快速提高我们对病理生理学和治疗癌症的理解。为了方便更广泛的研究访问癌症蛋白质组数据集，该团队开发了一个用户友好的数据资源，TCPA（The Cancer Proteome Atlas，癌症蛋白质组图谱）。主要包括的数据有TCGA肿瘤组织样本集，提供六大模块：Summary、My Protein、Download、Visualization、Analysis、Cell line。该资源提供了一个对TCGA研究的验证机会，确定用于功能研究的模型细胞系。
转自｜煎蛋 作者｜ivy 研究人员们开发出了一种廉价快速的方法，只需一滴血，就能检测出一个人的病毒感染史。病人即使在没有表现出任何明显症状的情况下，医生也能通过这种方法了解以往感染过或是还继续在感染病人的病毒。这一技术的出现意味着医生能够在病人身上筛查所有可以感染人的病毒，它可以改变例如丙型肝炎和艾滋病等严重感染的检测方式，这些病毒可能潜伏在体内多年而不被发现。 研究者Stephen Elledge说：“通常，如果医生想要知道病人是否感染了某种病毒，他们先要猜测是何种病毒，然后针对这种病毒进行检测。这种
本文介绍一篇来自于苏黎世联邦理工学院的Joseph M. Taft在Cell上发表的工作——《Deep Mutational Learning Predicts ACE2 Binding and Antibody Escape to Combinatorial Mutations in the SARS-CoV-2 Receptor Binding Domain》。
COVID-19大流行病给社会带来的沉重负担，引发了开发治疗或预防战略的竞赛。其中，抗体和疫苗因其高度的特异性、药物间相互作用的概率低以及潜在的长期保护作用而特别具有吸引力。虽然眼前的威胁证明了研究的速度，但治疗策略的实施不能不考虑安全性。疫苗接种或抗体治疗后，有几种潜在的不良事件报告，但最重要的有两种：抗体依赖性增强(ADE)和细胞因子风暴综合征(CSS)。据报道，T细胞的耗竭或耗尽与COVID-19患者的预后恶化有关。这一观察结果表明，疫苗在引起细胞免疫方面具有潜在的作用，可能同时限制了ADE和CSS的风险。新开发疫苗的所有方面都可能影响其有效性和安全性。这项工作中，研究人员基于人工智能和生物信息学方法支持基于表位疫苗的设计。
回想起来自己从事生物相关的研究已经大概15年了，从研究生进入实验室也有10年时间，陆续从硕士，博士到博后，研究地点也从化学学院，到药学院再到医院科室。自己做的研究是“干-湿”实验结合的，发表的成果也是各自一半，但是综合起来还是生物信息分析的文章发表的影响因子高一些。到现在由于工作场所频繁发生变化，反而没有稳定的场所做实验，所以愈发的在生物信息方面下较多的功夫。因此我对这十几年来的生信研究进行总结，希望帮助新手克服生物信息陡峭的学习曲线，当然我自己也不是科班出身的，也希望与你一起交流学习。所有的内容均是以自己的实验数据(会明确下载地址给读者)操作来进行，避免某些在demo运行很好却在自己的环境中出现bug的情况。最后一点，现在通讯太发达了，欢迎大家与我V：cll7658直接交流共同进步。
今天给大家介绍的是来自北京人工智能研究院、北京信息科学与技术国国家研究中心等机构发表在arxiv上的预印文章《Conditional Antibody Design as 3D Equivariant Graph Translation》。作者提出了一种多通道等变注意网络 (MEAN)，这是一种能够共同设计 CDR 的 1D 序列和 3D 结构的端到端模型。具体而言，MEAN 通过导入包括目标抗原和抗体轻链在内的额外成分，将抗体设计表述为条件图翻译问题。然后， MEAN 采用E(3)-equivariant 消息传递以及注意机制来更好地捕捉不同组件之间的几何相关性。最后，它通过多轮渐进式全镜头方案输出 1D 序列和 3D 结构。
Google, 这家市值千亿美金的互联网巨头，似乎对生物医疗领域有格外偏好，通过旗下的风投Google Ventures，在生命科学、健康和医疗领域里表现的相当活跃。本文对Google的投资案例进行了盘点： 基因测试的先驱：23andme 23andMe是一个为客户提供完全个人化DNA测试服务的公司，客户只需邮寄一份自己的唾液样本并支付99美元，即可进行DNA测试。测试结果在4-6周之后出来，客户可以通过在线的方式查看。最后生成的测试报告涉及250 多项与健康相关的特点，甚至还包含家谱、病史、遗传性状、对
这次为大家分享的是来自nature communications上的一篇题为《Co-optimization of therapeutic antibody affinity and specificity using machine learning models that generalize to novel mutational space》的文章，来自密歇根大学生物界面研究所、生物医学工程系、化学工程系项目组的Peter M.Tessier团队。
2023年11月30日，利用scTx®单细胞转录组学平台开发富基质肿瘤疗法的生物技术公司Phenomic AI（"Phenomic"）通过Xyphos Biosciences（安斯泰来的全资子公司）与安斯泰来制药（"安斯泰来"）达成战略研究合作。
2022年1月4日，Nat Rev Drug Discov杂志发表文章，对2021年FDA批准的药物进行了回顾和评述。
今天为大家介绍的是来自斯坦福大学研究团队的一篇利用语言模型模拟人类抗体自然演化的论文。自然进化必须探索广阔的可能序列空间，以寻找稀有但理想的突变，这表明从自然进化策略中学习可以指导人工进化。在这里，作者报告了一种利用通用蛋白质语言模型能够高效演化人类抗体的方法，该方法通过提出在进化上是合理的突变来改进抗体，尽管该模型没有提供关于目标抗原、结合特异性或蛋白质结构的任何信息。作者进行了七种抗体的语言模型引导提高亲和力实验，每种抗体仅经历两轮实验进化，筛选了每种抗体的20个或更少的变种。结果显示，作者成功将四种临床相关、高度成熟的抗体的结合亲和力提高了多达七倍，将三种未成熟抗体的结合亲和力提高了多达160倍。此外，许多设计还展示出良好的热稳定性和对埃博拉病毒和严重急性呼吸综合征冠状病毒2（SARS-CoV-2）假病毒的中和活性。改善抗体结合的相同模型还可以指导不同蛋白质家族和选择压力下的高效进化，包括抗生素抗性和酶活性，这表明这些结果适用于许多情境。
本文为《Artificial Intelligence in Drug Design》一书第19章的内容，作者是美国Evotec Biologics公司分子设计/数据科学部门的Jeremy M. Shaver等人。
前不久，Meta最近的新角ESMfold以超AlphaFold2一个数量级的速度刷爆AI界，拥有150亿参数规模的超大蛋白质语言模型，不依赖MSA信息，能够直接对单一蛋白质进行原子精度级别的预测，被AI界的重量级人物图灵奖得主Yann LeCun称赞为Meta-FAIR蛋白质团队的伟大新成果。
今天给大家介绍哈佛大学Andrew C. Kruse教授团队在Nature Communications上发表的一篇文章“Protein design and variant prediction using autoregressive generative models”。在该文章中，作者开发了一种新的自回归生成模型，用于预测和设计蛋白质功能序列，并且无需序列比对。实验结果表明，该模型能够很好地预测错义突变，序列片段的插入和缺失，并且能够泛化到超出了预测和设计范围的序列空间域。
编辑 | 萝卜皮 机器学习 (ML) 是准确预测抗体-抗原结合的关键技术。两个正交问题阻碍了 ML 在抗体特异性预测及其基准测试中的应用：缺乏免疫抗体特异性预测问题的统一 ML 形式化，以及无法使用大规模合成数据集来对现实世界相关的 ML 方法和数据集设计进行基准测试。 奥斯陆大学 (University of Oslo) 的研究人员开发了 Absolut! 软件套件，能够基于参数不受约束地生成基于合成的晶格三维抗体-抗原结合结构，并具有对构象互补位、表位和亲和力的地面实况访问。 研究人员将常见的免疫抗体特
基因工程与药物研究齐头并进，从未放弃治疗。 今天是艾滋病日，北京市市疾中心公布了关于匿名检测艾滋病的数据：2017年1月到10月，市疾中心通过“互联网＋艾滋病多元化检测”发放了1869只尿液采样包，回收774份样本，检出87份HIV抗体阳性者，筛查阳性率为11.4%，远高于常规检测的阳性率水平。 再来看2017年联合国艾滋病规划署公布的一组数据： 全世界艾滋病病毒感染者的数量：3670万，相较此前上升60万； 使用抑制HIV病毒的抗逆转录病毒药物的人数：1950万； 去年的艾滋病相关死亡人数：100万； 去
我们都知道癌症的特点是不同的基因改变积累，导致癌细胞表面出现不同的新抗原表达。人体免疫系统是机体发现和消灭肿瘤细胞的可靠“人体警察”。然而，肿瘤细胞可以利用机体内的免疫调节剂促进其自身发生“免疫逃逸”，人们先前认为的可靠“人体警察”则成为肿瘤逃逸的“帮凶”，这一发现影响了免疫抗癌疗法的发展趋势，比如抗PD-1或抗CTLA4抗体“免疫检查点抑制剂”。抗PD-1药物如nivolumab或pembrolizumab对超过15种癌症类型的临床疗效显著。这些药物对22种癌症的总体反应率(ORR)在0%到50%之间各不相同。因此，有必要筛选抗PD-1治疗的获益人群。那么预测抗PD-1单药治疗疗效的可重复性生物标记物可能具有临床价值。在作者团队先前的研究中已经报道了使用nCounter平台检测免疫相关基因（包括PD-1）的表达是可重复的，且与65例晚期肿瘤患者的抗PD-1单药疗法疗效相关。在这里，我们假设肿瘤样本中PD-1 mRNA的丰度可以解释不同类型肿瘤抗PD-1单药治疗后总ORR的差异。
这次为大家分享的是来自bioRxiv上的一篇题为《Hallucinating structure-conditioned antibody libraries for target-specific binders》的预印本，来自约翰霍普金斯大学化学与生物工程系、分子生物物理学项目组的Jeffrey J. Gray团队。在这篇文章中，作者团队提出了一个用于抗体设计的快速、通用的深度学习框架，旨在缩短抗体库生成和抗体亲和力成熟的周期。
今天给大家介绍的是华为发表在 arxiv 上的预印本《Structured Q-learning For Antibody Design》。作者将用于组合优化的结构先验融入进 Q 学习中，提出了结构化 Q 学习 (SQL)，这是一种 Q 学习的扩展。经过分子对接模拟器的测试，作者证明 SQL 可以找到具有高结合能的序列，并在八项具有挑战性的抗体设计任务（包括为 SARS-COV 设计抗体）上优于基线。
RNA最近几年可火了，RNA小鲜肉F4：miRNA、lncRNA、circRNA、piRNA，它们直接或者间接调节mRNA的翻译、基因转录，这些科研热点也成为做实验发paper的最爱，不管核心还是SCI，不管是CNS还是低分SCI，不管是灌水还是酝酿大招，不带个非编码RNA（noncoding RNA）研究机制在里面都不好意思投稿，不拉上miRNA感觉故事讲不下去，可以编码蛋白、正经干活的mRNA被冷落，大家纷纷开始喜欢遍布细胞各处的监工：非编码RNA(ncRNA)
今天给大家带来的是篇非肿瘤纯生信文章，2022年发表在Front Immunnol上。文章思路清晰，整体上就是基于差异表达分析、WGCNA 和 Lasso 回归挖掘疾病相关的hub基因，然后对差异基因进行GO、KEGG 和GSEA分析。然后ssGSEA分析表达谱中 28 个免疫细胞的浸润水平及其与中枢基因标记的关系。最后使用ROC曲线评估了hub基因在疾病中的诊断价值。一气呵成，确定了参与疾病进展的关键生物标志物和免疫相关途径及其与免疫细胞浸润的关系。看完直呼我也能做！
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
