date	comments
2023-03-10	true

生信爱好者周刊（第 32 期）：有害的同义突变

这里记录每周值得分享的生信相关内容，周日发布。

本杂志开源（GitHub: openbiox/weekly），欢迎提交 issue，投稿或推荐生信相关内容。

「生信周刊讨论区」

封面图

酿酒酵母酵母。via

本周话题：有害的同义突变

编码蛋白质的基因序列偶尔会发生单核苷酸的点突变，其中不会改变对应蛋白质序列的突变被称为同义突变。这看似不会产生任何后果，但美国斯坦福大学（Stanford University）和密歇根大学（University of Michigan）的一项针对酿酒酵母的新研究发现，大多数同义突变都是有害的。这项研究 6 月 8 日发表于《自然》（Nature）。

研究者使用 CRISPR/Cas9 基因组编辑构建了 8341 个酵母菌突变株，每个菌株都在其 21 个基因之一中携带一个同义、非同义或无义突变。然后他们测量了每个突变菌株相对于非突变菌株的繁殖速度来量化每个突变菌株的“适应度”，以此衡量突变是有益的、有害的还是中性的。结果发现，75.9% 的同义突变是有害的，仅有 1.3% 是有益的；同义和非同义突变的适应度分布总体上是相似的。研究者表示，如果这一结论在其他生物体中成立，将需要重新审视关于突变、选择、有效种群大小、分化时间和疾病机制等许多生物学结论，且还需要加强预测和识别同义突变的能力。

原文：https://www.nature.com/articles/s41586-022-04823-w

生信科技动态

1、Science | 小果蝇，立大功：李红杰/骆利群等完成果蝇全身单细胞转录组图谱

研究者通过单细胞核分辨率的基因功能以及细胞类型建立起了果蝇细胞图谱（www.flycellatlas.org），这一数据库中的数据可以通过多个门户网站获得，从而便于整个科研社区进行分析与研究。

在该工作中，作者们通过统一的测序方法、测序平台以及分析流程对成体果蝇身体中细胞进行了全面覆盖，对多种细胞进行了详细的基因注释，并且建立了细胞类型特异性的标记物以及转录因子，构建了大范围的基因调控网络。另外，作者们所建立的图谱对与果蝇性别二态性进行了分析，并对性别特异性细胞分化轨迹的组织动力学进行了研究。这一图谱已经整合到多个平台之中，对于科研社区的研究与发展提供了重要资源。

2、Nature Communication | 空间蛋白质组学研究揭示BRCA1/2突变与卵巢癌免疫微环境及患者预后的关系

芬兰研究团队利用多重免疫荧光和图像分析技术分析了来自临床卵巢癌样本的12万多个单细胞数据集，以表征细胞功能状态及其空间相互作用的关联，对高级别浆液性卵巢癌HGSC肿瘤微环境中复杂的癌症-免疫-基质相互作用进行了更全面的研究。单细胞空间图谱揭示了不同的空间免疫监视模式，有助于开发更有效的免疫治疗策略，并改善HGSC患者分层。

3、Nature Medicine：全球首个益生菌联合免疫治疗1期临床结果公布，患者中位PFS提升超400%

目前，已有研究表明，Akkermansia spp.（简称Akk菌）的丰度与mRCC患者在接受免疫治疗时的客观缓解率提高、中位PFS延长显著相关。在小鼠体内试验中也证明，肠道移植Akk菌能够延缓小鼠肿瘤生长。

结果显示，O药+Y药组患者的中位PFS为2.5个月，20%的人达到部分缓解。相比之下，CBM588+O药+Y药组患者的中位PFS得到显著改善（P＜0.001），可达12.7个月，且有58%的人达到部分缓解。

4、Frontiers 5分期刊征稿 | 人工智能在提高免疫治疗效果中的应用

投稿链接：https://www.frontiersin.org/research-topics/34142/application-of-artificial-intelligence-in-improving-immunotherapeutic-efficacy

征稿信息：

通过人工智能开发新的靶点、药物、新抗原和癌症疫苗
预测对免疫疗法的反应
人工智能在识别影响治疗反应的基因组学和表观遗传因素中的应用
新型癌症分子亚型对免疫治疗的影响
遗传和表观遗传生物标志物的分子谱分析，以确定预后和治疗靶点
人工智能和大数据（包括临床特征、基因组学、放射组学、组织学特征和单细胞测序数据）在新型生物标志物和模型开发中的应用

本专刊文稿应具有科学性、创新性，通过完全公开、公正、严格的同行评审后在线表。文章一经上线，即可被引用。

文章

1、一致性聚类（Consensus Clustering）及其在R中实现

一致性聚类（Consensus Clustering，CC）或称共识聚类，是一种将多个聚类合并为一个更稳定聚类的技术。其思路是，采用重抽样方法抽取一定样本的子数据集，然后通过指定的聚类算法将每组子样本划分为最多k个组，最后再综合多次重采样后的聚类分析结果给出一致性的评估。由于所得到的聚类相对于抽样变异越稳定，可以相信这一致的聚类结果代表了一个真实的子类结构。