1.Gene isoform specificity through enhancer-associated antisense transcription

我都不知道为什么我会有这篇文章的纸质版。

该文章讲enhancer-associated antisense transcript(算不算一种eRNA？)对gene异构体的调控作用。

文章没意思，直接删了，把摘要贴一下：

Enhancers and antisense RNAs play key roles in transcriptional regulation through differing mechanisms. Recent studies have demonstrated that enhancers are often associated with non-coding RNAs (ncRNAs), yet the functional role of these enhancer:ncRNA associations is unclear. Using RNA-Sequencing to interrogate the transcriptomes of undifferentiated mouse embryonic stem cells (mESCs) and their derived neural precursor cells (NPs), we identified two novel enhancer-associated antisense transcripts that appear to control isoform-specific expression of their overlapping protein-coding genes. In each case, an enhancer internal to a protein-coding gene drives an antisense RNA in mESCs but not in NPs. Expression of the antisense RNA is correlated with expression of a shorter isoform of the associated sense gene that is not present when the antisense RNA is not expressed. We demonstrate that expression of the antisense transcripts as well as expression of the short sense isoforms correlates with enhancer activity at these two loci. Further, overexpression and knockdown experiments suggest the antisense transcripts regulate expression of their associated sense genes via cis-acting mechanisms. Interestingly, the protein-coding genes involved in these two examples, Zmynd8 and Brd1, share many functional domains, yet their antisense ncRNAs show no homology to each other and are not present in non-murine mammalian lineages, such as the primate lineage. The lack of homology in the antisense ncRNAs indicates they have evolved independently of each other and suggests that this mode of lineage-specific transcriptional regulation may be more widespread in other cell types and organisms. Our findings present a new view of enhancer action wherein enhancers may direct isoform-specific expression of genes through ncRNA intermediates.

1.Accurate identification of alternatively spliced exons using support vector machine

这篇文章发表了10多年了，是介绍SVM如何用于区分可变剪接外显子的。 如果想了解机器学习方法应用的，建议从这篇开始学习。

不过由于生物问题的复杂性，文章中用了243个可变剪接的外显子，1753个非可变剪接的外显子。 这个非平衡样本问题，即正样本（可变剪接）和负样本（非可变剪接）的差异很大。 解决这类问题的方法很多，例如：1.重抽样凑成平衡样本；2.加一些附加数据集；3.采用惩罚模型。

但是从这篇文章中我好像没有具体看到相应的对策。

文章中采用的是binary classification。一共228个特征，包括序列碱基信息，三联密码子信息，外显子长度等特征。

文中也做了False Positive Rate和Ture positive rate(ROC曲线)分析。并且比较了Naive-Bayes和neural net work方法。

特征选择的时候，使用Golub等人的方法，这种方法感觉就是找特征在正负样本中差异大的。

最后结果在10 fold cross validation后AUC可以达到0.93。

单词本

2.Widespread establishment and regulatory impact of Alu exons in human genes

Yi Xing（邢毅）老师组里的工作，他们组专门研究转录调控，从文章里可以学到不少东西。 本文是介绍alu exon在基因中的调控作用，实验和分析相结合。有高剪接活动的Alu exons富集在5’-UTR区域。 文章里的东西可以说是对Alu exon同转录关系的一个较为全面的总结。

3.Automated classification of alternative splicing and transcriptional initiation and construction of visual database of classified patterns

这篇文章是讲述如何对可变剪接类型进行分类，并且还做了个可视化的数据库（网站）。

我关注这篇的内容就在它如何对可见剪接分类，方法挺有意思的，就是对外显子和内含子（基因间区）用二进制进行标注，然后找相似的pattern进行合并。 合并后，又进行了二进制到十进制的转换。已知的一些可变剪接pattern可以换算成这样的十进制数字，然后从基因组上的所有可变5’端和可变剪接换算成的结果中进行查找， 找到一样的，就说明这个可变剪接模式是已知的哪种。

文章的精华全在Figure1和Figure2。

单词本

3.ARH: predicting splice variants from genome-wide data with modified entropy

这是一篇算法文章，预测剪接变异，用的是Affymetrix exon array的数据。

文章中主要用一组公式计算了对转录本剪接的评价：1.在基因层面是区分有可变剪接的基因；2.在外显子层面计算了剪接的离差（偏差）。 在公式（2）中用了以2为底的指数\(p_{g,e}=\frac{2^{\mathopen|\zeta_{g,e}\mathclose|}}{\sum\nolimits_{e=1,...,m} 2^{\mathopen|\zeta_{g,e}\mathclose|}}\)来计算exon splicing probability，没想明白为什么要以2为底(成比例放大便于计算？)。 最后他们加上熵以及权重项搞了个ARH数值（权重*熵，凑一凑），如果这个数值>0.03暗示着剪接现象。

算法实现可以学习一下，一般自己弄个有指示意义的数值也差不多的玩法。

单词本

4.Discovery and Analysis of Evolutionarily Conserved Intronic Splicing Regulatory Elements

这篇文中着重从基因组层面的信息来寻找同剪接调控相关的元件(内含子剪接调控元件)。文章中把剪接元件序列能研究的内容做的挺全面的，虽然我认为得到的结论也不是很强。

简要记录一下找寻intronic splicing regulatory elements（ISREs）的步骤：

1. 首先从基因组中抽出保守的外显子和外显子两侧的区域。去掉第一个外显子，外显子上下游的内含子区域分别为400bp，区域截取这么长是为了避免只找到microRNA和snoRNA序列。
2. 统计5mer-7mer的短序列。用chisq来计算相同长度的短序列之间的相关性。并排除再启动子上enrich的TFBS序列。这里就有一个问题，TFBS不光在启动子上，所以只排除启动子上的是不严谨的。
3. 聚类，聚类方法好复杂，是他们自己设计的。具体如下：
   • 将长序列同短序列进行比较，如果长序列包含短序列或者chisq相关性高，那么这样的长序列是短序列的“家长”
   • 将短序列同长序列进行比较，如果短序列是长序列的子集或者chisq相关性低，并且这个短序列不是一个“家长”，那么短序列是长序列的“孩子”
   • 合并这样的小“家庭”，条件是：“家长”序列有5个碱基相同，在合并的“家庭”中，家长是有最高chisq分值的序列。如果“孩子”有不止一位“家长”，那么chisq分值最高的是它直接关联“家长”。

这个聚类方式的好处是：1.保证聚类的集合（“家庭”）里的序列高度保守；2.粗劣都是根据实际序列的相似性来聚集的，这些实际序列都是生物学序列可以被实验验证。（这一点是要说明positional weight matirces PWMs不好，因为PWMs统计的序列可能在实际基因组中根本不存在）

文章中也有一句话没看明白。

An important caveat in our analysis is that on occasion we had more than one cluster with motifs that might have been grouped as one cluster by other clustering methods.

这句话是说有些时候多余一个的motif簇会被用其他聚类方式聚成一类，但是为什么这样？

单词本

5.MATLIGN: a motif clustering, comparison and matching tool

这是做motif聚类的一篇文章，由于上一篇是关于短序列的，所以这篇就少为跑个题，写一个看过的motif聚类相关的文章。

文章是作者写了个工具做motif聚类，这个工具的优势是对于position frequency matrices(PFM)和degenerate consensus sequences(简并一致序列)都可以做分析。 所用的方法无外乎是那些距离：Kendalls tau rank corre- lation coefficient (I), Spearman’s rank correlation coeffi- cient (II), Pearson correlation coefficient (III), normalised Euclidean distance (IV) and evolutionary substitution score (V), 或者这些方法的结合。 有了距离后就用自下而上的聚类方法（Agglomerative hierarchical clustering）来聚类，之后根据silhouette value来优化子集合的数量。

文章中还介绍了计算蛋白质序列的距离用spearman和pearson 相关性方法比较好。

单词本

关注Docker有一段时间了，几个月前想在服务器上安装，但是32位的Ubuntu服务器装起来很麻烦，源还不好用，计划遂搁浅。 今日在台式机上安装了，可以愉快玩耍。安装方式参考官方文档(Fedora)。 建议直接dnf install docker-engine来安装。 在开始安装试用后，我对docker是什么还一无所知。在测试了“hello-world”，“docker/whalesay”和“ubuntu”三个镜像后，发现了好玩的地方，我可以在Fedora上玩Ubuntu了。

我的第一直觉认为docker像一个虚拟机，例如可以在Fedora上虚拟一个Ubuntu出来，之前经常需要转换多个linux和windows系统来做的package功能测试，现在在linux下就不用转换系统了。 当然docker应该与vm不同，所以我简单搜索了一下大家对此的解释。 简而言之Docker是操作系统级别的轻量级虚拟化技术，没有做到虚拟机的全虚拟化（硬件仿真虚拟化）。所以应用起来比虚拟机要快速，创建一个镜像秒开。

为什么会关注这个？因为生物信息软件多种多样(C写的，Java写的，python/perl写的等等)，在不同环境下安装起来太麻烦了，我们需要一个简单的部署和分发平台，目前有BioDocker这个解决方案，也有人在开发类似CRAN/bioconductor/github的软件分发平台。

究竟以后会变成什么样子呢？拭目以待。

附注：docker run image命令

service dockter start
docker images
docker run -t -i ubuntu /bin/bash

去看了疯狂动物城，剧情一般，但是小单元和细节实在是有意思。下面内容有剧透。

教父那段逗死了，模仿得惟妙惟肖。动物城里不同动物所开的汽车造型很多。预告里的树懒是个大笑点，可惜预告看了多次，看影片时已经不那么想笑了，最后flash的超速实在是没想到，很逗。最后刚进博物馆时的配乐很有氛围。动物毛茸茸的效果很棒，丛林里的雨滴也有一幕觉得逼真。剧情里的人物似乎都用了类似iPhone，iPad，iPod的设备，不知道苹果是不是有赞助，最后卖碟的封面看到了大白，其余也都应该是迪士尼系列的影片，有点彩蛋的意思。刚进入zootopia时每个乘客的下车方式也很有趣，河马从水中出来。

最近看网络上这么多人推荐，总感觉有水军。一个想法，不一定对_-_。

看完最大的感想，应该好好学学动物的英文名称，我只知道最普通的几个(Bunny，fox，Buffalo)，树懒听了多次都都没记住。

Clustering by fast search and find of density peaks是我看过的公式最少的一篇方法类文章。

全篇就两个公式，介绍了一类新的（2013年的）聚类方法。 我们一般聚类都会用k-means或者层次聚类，但是这些方法都是在空间中找个中心点。 但要在非球型（空间）的数据中找中心，估计就不太好做了（虽然肯定也是能找出来的，重心，几何中心之类）。

本文用的方法是定义一个局部密度\(\rho_i\)和距离\(\delta\)。

其中当\(x<0\)时有\(\chi(x)=1\)，其他情况下\(\chi(x)=0\)

\(d_c\)是距离的cutoff。

本质上，\(\rho_i\)计算的是与点\(i\)的距离小于\(d_c\)的点的数量。

\(\delta_i\)是计算点\(i\)与其他有更高密度的点之间的最小距离。

假设某个点的密度最高，那么\(\delta_i=\max_j(d_{ij})\)

聚类的中心就是有最大\(\delta_i\)的那个点。

该方法的优势是计算比较简单，不需要考虑密度函数，也不需要考虑最优化问题的求解。但是也肯定有不足的地方，这个方法对离群点的处理是认为这些点在一些聚类集合的边缘光晕中。3个实际例子的分析请看文章，不在赘述。