生信分析论文写法如下：
这次我们来讲解的这边文献是 2019-10-12 发表的 OTT 杂志上的一篇生信加少量实验验证的文章。实话实说，目前对于生信最最最基本的，如果没有实验验证还是不好发文章的。所以一般都会加一些实验验证的。
这个文章的主要流程是个这样的:这里我们就基于文童的材料方法来说一下具体的内容:公共数据获取：当中关于公共数据获取部分提到了这些东西。使用了 GEO 数据库来进行候选数据筛选。
这 GEO 里面找到了三个芯片，其中描述了这三个芯片的平台。差异表达分析：作者使用了 GEO2R 来进行数据的筛选。富集分析：接着作者对差异表达的基因进行了富集分析，其中包括 GO 分析和 KEGG 分析。
作者使用的富集分析的软件是 DAVID，这个软件我们也吐槽过说，更新不及时，是很好用，所以推荐是 WebSestalt 富集分析软件，或者 clusterprofiler。蛋白相互作用分析：5TCGA 数据库验证再往下作者做的其实是 TCGA 的数据库验证，但是在材料方法里面没写。我们可以在结果当中具体的过程。
对于肿瘤研究，现在如果只是用 GEO 数据集分析，不用 TCGA 再看一下的话，都觉得不好意思，所以一般的肿瘤研究可能都会用到 TCGA 的验证的。其目的也就类似于多加了一个数据集来增加结果准确性。但是对于 TCGA 有些肿瘤正常样本很少。分析的结果可能偏差更大。文章使用的 GEPIA 的数据库。这个数据库对于查询 TCGA 表达结果还是很好用的，简单上手。
核心基因甲基化相关分析：在核心基因选择之后，利用了 TCGA 的甲基化数据MEXPRESS 来查看基因的田基化水平有没有变化。由于版本的更新。现在的这个数据库的 2.0 版本的结果会比之前的更加详细一些。
我们都知道在科研论文中有两大类：一类是研究型论文；另一类是综述型论文。其中，前者主要是以研究为主的行文思路，根据研究发现的不同发表在不同级别的杂志上；而后者多是本身没有新的研究发现，主要是对前人的研究结果进行评价综述。然而，这两种分类都是针对以实验为主论文分类，那么这两年生信为主的文章发文量逐年增加，是否也有这样的分类呢？
Immugent今天就来解读特别的一类生信文章，姑且把它称为“生信综述”吧，因为我人微言轻，并不会我把它叫什么，以后都是这种叫法，就不绞尽脑汁想这个名字了。
这类“生信综述”文章已经有很多年的发展史了，主要都是围绕对各种火爆一时(引领科研)的重大技术来展开，比如近些年火热的单细胞测序技术。那么今天我就来以单细胞测序为主题，来解读一下如何利用此类思路发表高分文章，注意全都是一分钱没花的那种！
我先讲的第一篇是2021年发表在J Am Soc Nephrol（IF:10.12）的篇名为“How to Get Started with Single Cell RNA Sequencing Data Analysis”的文章。好吧，看了一下日历，今年已经2022年了，就不吐槽这个文章时效性的问题了。但全文真的很简单，就是介绍了一下单细胞测序数据分析的基本流程。
来看看它的摘要：在过去的5年里，单细胞方法已经能够在一个实验中监测数千个单个细胞的基因和蛋白质表达、遗传和表观遗传变化。随着测量方法的改进以及反应和测序成本的降低，这些数据集的大小正在迅速增加。关键的瓶颈仍然是对单细胞实验产生的丰富信息的分析。在这篇综述中，我们对分析管道进行了一个简化的概述，因为它们通常在该领域中使用。我们的目标是使研究人员开始单细胞分析，以获得挑战和最常用的分析工具的概述。此外，我们希望能够帮助其他人了解单细胞数据集的典型读数在已发表的文献中是如何呈现的。好吧，确实是一篇综述！
全文虽然有7副图，但大多都是那种最基础的绘图，想必大家都会。但是这里Immugent想说的是这篇文章虽然是综述类，但其实比真正的综述好写多了。类比这篇文章，等到下一次再出现类似于单细胞测序这种现象级技术，是不是有的小伙伴也整一篇类似的呢！
接下来要讲的第二篇是2020年发表在Comput Struct Biotechnol J （IF:7.27）的篇名为“Benchmarking algorithms for pathway activity transformation of single-cell RNA-seq data”的文章。这类文章就比上一类有些技术含量了，起码像综述的感觉了！
就像这篇是总结了对单细胞数据进行通路评分的各种算法，并使用已经发表的数据对各类算法的优缺点进行了比较，并在最后给出了自己的见解。嗯，怎么说呢！还是比一般的综述好写一点，比纯算法开发类文章好开发一些。那么如果这类算法在不久的将来出现了更多，那么是不是就科研考虑写一个更新版的呢？
接下来要讲的第三篇是2021年发表在Genome Biol（IF:13.58）的篇名为“Over 1000 tools reveal trends in the singlecell RNA-seq analysis landscape”的文章。这个文章作为汇总类综述，真的不是吹的了，一篇文章总结了1000+种分析单细胞数据的工具，我对这个作者也是膜拜之至。
并且作者还开发了一个网站： ，并这个网站收录的工具还会一直更新，这真是圈内的劳模啊。
这类文章虽然需要耗费一些时间，但思路还是很简洁的，但是主要是得掌握住时效性，而且最好是自己研究的领域，那样能提出自己的一些思考，就能给文章增色不少。
第四篇是2020年，同样发表在Genome Biol（IF:13.58）的篇名为“A benchmark of batch-effect correction methods for single-cell RNA sequencing data”的文章。作者对当时存在的14种对不同来源的单细胞数据进行去批次处理的算法进行比较，深入揭示它们之间的优缺点和功能表现。
全文的图做的都是很精美的，而且从数据处理的效果来看，这应该是一个大型生信实验室的作品。建议大家有时间都读一下这篇文章，将会有助于以后在处理不同来源的单细胞数据时选择最合适的算法。
放在最后一篇的文章当然是压轴出场了，那就是在2019年发表在Nat Biotechnol（IF:54.91）杂志上，篇名为“A comparison of single-cell trajectory inference methods”的文章。对来自数千个单细胞的全基因组组学数据进行轨迹分析，目前已有很多算法来推断这些细胞沿着发展轨迹的分布。基于这些结果，作者开发了一套指导方针，以帮助用户为他们的数据集选择最佳的方法。
事实上，虽然到目前已经开发了70多种推断单细胞轨迹的工具，但比较它们的性能是具有挑战性的，因为它们需要的输入和产生的输出模型差异很大。在这篇文章中，作者在110个真实数据集和229个合成数据集上对其中的45种方法进行了基准测试，以了解细胞排序、拓扑结构、可伸缩性和可用性。结果表明了现有的一些工具之间的互补性，方法的选择应该主要取决于数据集的维度和轨迹拓扑。
最后，作者还免费提供了多种单细胞数据轨迹分析的评估网站( )，这将有助于开发更多轨迹分析的工具，用于探索日益庞大和复杂的单细胞数据集。对于这篇文章，我不做过多评述，只想着大家有时间都要去读一下，其中无论是对数据的处理还是对结果的讨论上都是前面文章无法媲美的,是难得的优质文章。
如今科技发展日新月异，在21世纪做出有价值的科研成果往往缺的不是技术，而是对热点的灵敏嗅觉以及对时局的掌控。张泽民，汤富酬，郭国骥老师均是凭借单细胞测序技术跻身世界一流领域的科学家，就是因为他们把控住了时局。
同样的，上述几类“生信综述”的着力点均是当时迫切需要解决的单细胞测序技术热点问题，才得以不花费半毛钱发表一系列高分文章。而且，因为是热点科学问题，这些文章截止到目前的引用率都很高，后面肯定还会持续升高。如果说单细胞测序是一个制高点，倒不如说是起点，因为此类技术在未来还会有很多，希望本篇推文能给大家带来一些思考，欢迎有推荐类似生信文章的小伙伴通过后台与我们联系。
工科有生物信息分析相关的论文。这些论文主要集中在基因组学、转录组学、表观遗传学以及生物信息分析方法等领域，旨在帮助人们理解和应用生物信息分析来实现各类目标。
1,序列比对(Sequence Alignment)
序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.
2, 蛋白质结构比对和预测
基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.
3, 基因识别,非编码区分析研究.
基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等.
4, 分子进化和比较基因组学
分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.
5, 序列重叠群(Contigs)装配
根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.
6, 遗传密码的起源
通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.
7, 基于结构的药物设计
人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.
8.生物系统的建模和仿真
随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。
9.生物信息学技术方法的研究
生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。
10, 生物图像
没有血缘关系的人，为什么长得那么像呢？
外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？
有什么生物学基础？基因是不是相似？我不知道，希望专家解答。
11, 其他
如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学,成为系统生物学的重要研究方法.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.
