XiaoMi-AI文件搜索系统
World File Search System组数
带有过程时间模型的单细胞基因组数据的轨迹推断
单细胞转录组学实验提供了跨细胞态杂基细胞群体的基因表达快照。这些快照已被用于推断轨迹和动态信息，即使没有基因表达相似性订购细胞的密集，时间序列数据。然而，尽管单细胞快照有时提供了对动态过程的有价值的见解，但当前的订购细胞的方法受到缺乏内在物理含义的“假频率”的描述性概念的限制。而不是伪赛，我们通过原则建模方法提出了“过程时间”的推断，以制定轨迹和推断对应于经受生物物理过程的细胞对应的潜在变量。我们对这种方法的实施称为Chronocell，提供了建立在细胞状态过渡的轨迹的生物物理表述。计时模型是可识别的，使参数推断有意义。更重要的是，当细胞状态位于连续体上并聚类时，当细胞聚集到离散状态时，计时核可以在轨迹推理之间插值。通过使用从类似群集到连续的各种数据集，我们表明计时赛使我们能够评估数据集的适用性，并在过程时间内揭示了与生物过程时间一致的过程。我们还将降解速率的参数估计值与来自代谢标记数据集的参数估计值进行了比较，从而展示了计时性的生物物理实用性。然而，基于模拟的性能表征，我们发现过程时间推断可能具有挑战性，突出了数据集质量的重要性和仔细的模型评估。
AI-HOPE：一种人工智能驱动的对话代理，用于增强精准医学研究中的临床和基因组数据整合 Ei-Wen Yang，博士1，Enrique Velazquez-Villarreal，医学博士，哲学博士，公共卫生硕士。2,3，*
1 Polyagent，加利福尼亚州旧金山 2 希望之城贝克曼研究所综合转化科学系，加利福尼亚州杜瓦特 3 希望之城综合癌症中心，加利福尼亚州杜瓦特 *通讯作者 摘要 简介：临床癌症研究日益复杂，需要开发能够整合临床和基因组数据并加速发现工作的自动化工具。高优化和精准医疗人工智能代理 (AI-HOPE) 是一个由大型语言模型 (LLM) 驱动的创新对话式 AI 平台，旨在使领域专家能够通过自然语言输入执行综合数据分析，无需编程专业知识。AI-HOPE 提供强大的分析功能，能够在临床和转化研究中产生可操作的见解。方法：AI-HOPE 以自然语言解释用户指令并将其转换为可执行代码以分析本地存储的数据。它有助于进行临床患病率和生存分析的子集比较，生成统计输出，例如比值比、Kaplan-Meier 生存曲线和风险比。通过使用 Cancer Genome Atlas (TCGA) 的两项病例对照研究证明了其功能：(1) 分析早期和晚期结直肠癌 (CRC) 患者的 TP53 突变富集情况，以及 (2) 比较接受 FOLFOX 治疗且有或无 RAS 突变的患者的无进展生存期。结果：在第一项研究中，AI-HOPE 发现与早期 (I/II) 病例相比，晚期 (III/IV) CRC 中 TP53 突变显著富集。在第二项研究中，AI-HOPE 揭示了 KRAS 突变与 FOLFOX 治疗患者较差的无进展生存期之间存在显著关联。这些发现与既定文献相一致，证明了 AI-HOPE 能够在没有用户事先假设的情况下独立发现有意义的见解。结论：AI-HOPE 代表了精准医学研究的变革性进步，为整合临床和基因组数据提供了一个可扩展、用户友好的框架。它的多功能性不仅限于癌症研究，还支持跨不同生物医学领域的应用。未来的增强功能（例如实时数据集成和多组学功能）将进一步巩固其作为推进转化研究和改善患者结果的关键资源的作用。AI-HOPE 弥合了数据复杂性和研究需求之间的差距，加速了精准医学研究的发现。
HOPE-AI：一种人工智能驱动的对话代理，用于增强精准医学研究中的临床和基因组数据整合 Ei-Wen Yang 博士 1、Enrique Velazquez-Villarreal 医学博士、哲学博士、公共卫生硕士 2,3，*
1 Polyagent，加利福尼亚州旧金山 2 希望之城贝克曼研究所综合转化科学系，加利福尼亚州杜瓦特 3 希望之城综合癌症中心，加利福尼亚州杜瓦特 *通讯作者 摘要 简介：临床癌症研究日益复杂，需要开发能够整合临床和基因组数据同时加速发现工作的自动化工具。精准医疗 AI 代理高优化平台 (HOPE-AI) 是一个由大型语言模型 (LLM) 驱动的创新对话式 AI 平台，旨在使领域专家能够通过自然语言输入执行综合数据分析，从而无需编程专业知识。HOPE-AI 提供强大的分析功能，能够在临床和转化研究中产生可操作的见解。方法：HOPE-AI 以自然语言解释用户指令并将其转换为可执行代码以分析本地存储的数据。它有助于进行临床患病率和生存分析的子集比较，生成比值比、Kaplan-Meier 生存曲线和风险比等统计输出。通过使用癌症基因组图谱 (TCGA) 的两项病例对照研究证明了其能力：(1) 分析早期和晚期结直肠癌 (CRC) 患者中 TP53 突变的富集情况，以及 (2) 比较接受 FOLFOX 治疗且有或无 RAS 突变的患者的无进展生存期。结果：在第一项研究中，HOPE-AI 发现与早期 (I/II) 病例相比，晚期 (III/IV) CRC 中 TP53 突变显著富集。在第二项研究中，HOPE-AI 揭示了 KRAS 突变与 FOLFOX 治疗患者较差的无进展生存期之间存在显著关联。这些发现与现有文献一致，证明了 HOPE-AI 能够在没有用户事先假设的情况下独立发现有意义的见解。结论：HOPE-AI 代表了精准医学研究的变革性进步，为整合临床和基因组数据提供了一个可扩展、用户友好的框架。它的多功能性不仅限于癌症研究，还支持跨不同生物医学领域的应用。未来的增强功能（例如实时数据集成和多组学功能）将进一步巩固其作为推进转化研究和改善患者治疗效果的关键资源的作用。HOPE-AI 弥合了数据复杂性与研究需求之间的差距，加速了精准医学研究的发现。
网络安全威胁建模基因组数据测序工作流程
2 虽然网络安全威胁建模可以支持某些隐私需求，但需要额外的隐私威胁建模工作来解决隐私的全部问题。有关网络安全与隐私风险管理之间关系的更多信息，请参阅基因组数据概况 [4]。
第二公共草案 - 基因组数据网络安全和隐私框架社区资料
1。Introduction ...................................................................................................................................3 166
在OMOP CDM中启用基因组数据协调
背景观察健康数据科学和信息学（OHDSI）观察性医学结果伙伴关系（OMOP）共同数据模型（CDM）通过将这些不同来源的临床数据进行大规模分析的概念，通过使这些不同的数据模型和共同的辅助数据模型和共同的声音模型进行协调。在多个国家 /地区的多个机构中采用OMOP CDM已使各种疾病领域的跨机构合作有能力产生真实的证据并最终改善患者护理1。为了实现精确医学，它需要将基因组变体整合到CDM中。虽然OHDSI工具和词汇量已经在多个方面开发了，但迄今为止，OMOP词汇的重点是基因组变体（OMOP基因组）的重点，已放置在与癌症临床上相关的基因组变体上。这限制了其他疾病领域和健康人群中精确医学的努力；因此，我们认为改进1）基因组词汇； 2）映射工具对于最大程度地限制此限制很重要。顺便说一句，美国食品和药物管理局（US FDA）已经确定了可互操作基因组数据标准的差距，因此，使用OMOP CDM开发OMOP/GA4GH互操作性框架是战略价值。
AI 驱动的对话代理增强了精准医学研究的临床和基因组数据集成 Ei-Wen Yang，博士 1，Enrique Velazquez-Villarreal，医学博士，哲学博士，公共卫生硕士 2,3 , *
1 Polyagent，加利福尼亚州旧金山 2 希望之城贝克曼研究所综合转化科学系，加利福尼亚州杜瓦特 3 希望之城综合癌症中心，加利福尼亚州杜瓦特 *通讯作者 摘要 简介：临床癌症研究日益复杂，需要开发能够整合临床和基因组数据并加速发现工作的自动化工具。精准医疗 AI 代理 (PM-AI) 是一个由大型语言模型 (LLM) 提供支持的创新对话式 AI 平台，旨在使领域专家能够通过自然语言输入执行综合数据分析，从而无需编程专业知识。PM-AI 提供强大的分析功能，能够在临床和转化研究中产生可操作的见解。方法：PM-AI 以自然语言解释用户指令并将其转换为可执行代码以分析本地存储的数据。它有助于进行临床患病率和生存分析的子集比较，生成统计输出，例如比值比、Kaplan-Meier 生存曲线和风险比。通过使用 Cancer Genome Atlas (TCGA) 的两项病例对照研究证明了其功能：(1) 分析早期和晚期结直肠癌 (CRC) 患者的 TP53 突变富集情况，以及 (2) 比较接受 FOLFOX 治疗且有或无 RAS 突变的患者的无进展生存期。结果：在第一项研究中，PM-AI 发现与早期 (I/II) 病例相比，晚期 (III/IV) CRC 中 TP53 突变显著富集。在第二项研究中，PM-AI 揭示了 KRAS 突变与接受 FOLFOX 治疗的患者较差的无进展生存期之间存在显著关联。这些发现与既定文献相一致，证明了 PM-AI 能够在没有用户事先假设的情况下独立发现有意义的见解。结论：PM-AI 代表了精准医学研究的变革性进步，为整合临床和基因组数据提供了一个可扩展、用户友好的框架。它的多功能性不仅限于癌症研究，还支持跨不同生物医学领域的应用。未来的增强功能（例如实时数据集成和多组学功能）将进一步巩固其作为推进转化研究和改善患者结果的关键资源的作用。PM-AI 弥合了数据复杂性和研究需求之间的差距，加速了精准医学研究的发现。
使用 MIDAS v3 和 StrainPGC 准确估计宏基因组数据中的种内微生物基因含量变异
A 美国加利福尼亚州旧金山格拉德斯通数据科学与生物技术研究所 B 美国加利福尼亚州旧金山陈-扎克伯格生物中心旧金山分校 C 加拿大艾伯塔省卡尔加里大学生物医学工程系 D 以色列雷霍沃特魏茨曼科学研究所计算机科学与应用数学系 E 以色列雷霍沃特魏茨曼科学研究所分子细胞生物学系 F 美国加利福尼亚州旧金山加利福尼亚大学胃肠病学系 G 美国加利福尼亚州旧金山加利福尼亚大学医学系贝尼奥夫微生物组医学中心 H 美国加利福尼亚州旧金山加利福尼亚大学流行病学与生物统计学系
ggbio：基因组数据可视化工具包
ggbio 是一个基于 ggplot2() 的 Bioconductor 包，利用 Bioconductor 定义的丰富对象及其统计和计算能力，提供灵活的基因组可视化框架，将图形语法扩展到基因组数据中，尽力向用户提供高质量、高度可定制的图形。
生物标志物释放：从混乱到基因组数据清晰度的编程管道
生物标志物分析在诊断和临床试验中越来越重要，不仅在肿瘤学，而且在其他领域，随着洞察力获得的见解为个性化疗法铺平了道路。通用术语“生物标志物”包括多种生物分子，这种多样性也适用于其分析方法的类型。一种有希望的情况是使用遗传数据，可以通过下一代测序（NGS）获得。在基因组学领域工作，统计程序员面临着处理大量主要非结构化原始数据的挑战。在这里，我们显示了一个模范管道，该管道详细介绍了NGS数据的处理以创建最终分析集。因此，我们通过使用公共数据库来解决数据标准化，协调和注释基因组数据的问题。分享有关此类工作流程的见解有望提高对生物标志物分析及其解决方案挑战的认识。引言近年来，通过在临床试验中引入大数据应用的彻底改变了患者护理。基因组测序为个体之间的高个体间变异提供了见解，得出的结论是，有可能将疾病定制为个体特征。1因此，个性化医学（也称为精密医学）已进入临床试验领域。通常认为这两个术语是类似的，但“个性化”一词引起了人们的关注，因为可能会误解为每个人的独特开发。精密医学的目标是什么？精确医学旨在使用生物标志物（个体特征）将个体分类为不同的亚群，以量身定制其医疗。分类可能基于对特定疾病的敏感性，疾病的潜在生物学或对特定治疗的反应。因此，个性化医学与常规疗法有所不同，因为它的重点是最有可能受益于这种治疗方法，支付费用和副作用的个人，这些人可能会通过常规疗法而产生。2基于这些分类，可以开发有针对性的方法，这些方法主要具有高度选择性与低级毒性相结合。3一个突出的例子是小分子抑制剂克罗唑替尼，该抑制剂用于NSCLC患者ALK或ROS1基因融合的靶向治疗方法。4–6在这种情况下，两种融合会导致肿瘤发育，因此可以充当基因组生物标志物。通过在诊断中使用它们，可以缩小多达7％4-6个NSCLC患者的小亚种群，这些类型的融合因子对克里佐替尼敏感。然而，这种目标方法也可能有一些陷阱，因为可能有一定数量的子人群中对该疗法没有反应，或者在一段时间后停止反应，这会导致疾病的进一步发展或复发。这是基于耐药性的共同现象，耐药性是精密医学中的另一个热门话题。虽然先前存在的抗性被称为“主要抗性” 7，但仅在治疗期间或由于治疗而形成的机制被称为“获得的抗药性”。8种耐药性的原因可以是多种原因，但是主要的机制是靶基因3中的突变，也称为靶标突变9，其中癌细胞试图逃避给定的疗法。除了其他机制（例如表观遗传变化）外，耐药性的另一个常见原因是肿瘤细胞用于提供持续信号传导的下游信号传导基因突变。这些类型的遗传改变通常称为脱靶突变9，并且可以发生在不同的基因亚型中，这些基因类型通常分为三类：癌基因，肿瘤抑制基因（TSG）和具有模棱两可作用的基因。致癌基因通常介导信号传导以用于细胞的生长和细胞分裂，而TSG速度减慢甚至抑制了这种信号并介导凋亡。这些亚型的突变变化会导致癌基因的激活增加或TSG抑制，这可能导致大规模和不受控制的细胞生长，例如肿瘤细胞。模棱两可的基因可以用作癌基因或TSG，具体取决于各自的细胞信号传导。可以使用遗传数据来分析提到的各种遗传异常，在该数据中，这种抗性突变（无论是靶向）被视为生物标志物。