👋 Welcome to BioF3's Daily Trends! Today's edition features 3 GitHub projects and 0 research papers from bioRxiv, arXiv, and PubMed.
Content generated by GLM-4.7 (Deep Thinking Mode) 🧠
1. Mommybrain-PPD
🔧 GitHub Project | Language:
Jupyter Notebook| ⭐0| 🍴0
Spatial Transcriptomics (Slide-seq V2, Slide-tags) in a rodent model of Postopartum Depression (PPD).
AI Technical Review (深度解读)
一句话定位 Mommybrain-PPD：基于Slide-seq技术的产后抑郁空间转录组学计算分析流程
痛点直击
你是否正在探索产后抑郁症的神经机制，却苦于缺乏针对Slide-seq V2与Slide-Tags多模态数据的标准化分析流程？你是否在搭建包含Seurat v5、EdgeR及sccoda等复杂依赖的容器化生信环境时耗费了大量精力？
核心亮点
- 多平台空间技术整合：深度融合了Slide-seq V2（多细胞捕获、胞质核信息）与Slide-Tags（单细胞核捕获）两种技术的数据差异，利用scDblFinder进行Doublet去除，并结合Allen Institute的cell_type_mapper实现高精度的细胞类型注释。
- 全流程容器化部署：提供了基于Apptainer/Singularity的完整容器镜像方案，无缝集成Seurat v5、EdgeR v4、sccoda及TIA-toolbox（组织分割），完美解决HPC环境下的依赖冲突与复现难题。
- 疾病模型深度解析：构建了针对啮齿动物产后抑郁（PPD）模型的严谨分析框架，对比未产、怀孕及产后不同阶段，并结合皮质酮（Corticosterone）处理组，精准解析病理状态下的空间基因表达变化。
适用人群
神经科学研究人员、空间转录组学分析师、生信流程开发者
领域归类
领域：空间组学, 工作流/部署, 转录组
2. biomed-multi-omic
🔧 GitHub Project | Language:
Jupyter Notebook| ⭐57| 🍴12
Build foundation model for RNA or DNA data
Key Topics: foundation-models genomics transcriptomics transformers
AI Technical Review (深度解读)
一句话定位 biomed-multi-omic：基于Transformer架构的跨模态生物医学基础模型全流程开发框架。
痛点直击
你是否在构建基因组或转录组基础模型时，因缺乏统一的工程框架而不得不从零搭建复杂的Transformer训练管线？你是否渴望在一个包中同时解决DNA序列变异感知与scRNA表达谱预训练的难题，并希望无需编写繁琐代码即可进行零样本推理或微调？
核心亮点
- 统一的跨模态建模架构：集成anndata、HuggingFace Transformers及PyTorchLighting，提供声明式无代码接口，支持在同一框架下对scRNA-seq数据（h5ad/TileDB）和DNA序列（参考基因组及SNP填充基因组）进行预训练与微调。
- 创新的WCED预训练策略：针对转录组数据引入全细胞表达解码器（WCED），通过Transformer编码器的[CLS]令牌重构完整细胞表达谱，显著提升模型在细胞类型注释和扰动预测等下游任务中的泛化能力。
- SNP感知的DNA基础模型：突破传统仅依赖参考基因组的局限，在预训练中整合来自GWAS Catalog和ClinVar的自然基因组变异，更精准地捕获调控区域的生物学特性，支持启动子预测及MPRA数据分析。
适用人群
计算生物学研究人员、生物医学AI算法工程师、致力于开发组学基础模型的数据科学家。
领域归类
领域：AI for Biology, 基因组/变异, 转录组
3. Intro-to-spatial-transcriptomics
🔧 GitHub Project | Language:
R| ⭐1| 🍴1
This is a repository for the Introduction to Spatial Transcriptomics course materials
AI Technical Review (深度解读)
一句话定位 Intro-to-spatial-transcriptomics：基于R语言的Visium HD空间转录组学全流程实战教程
痛点直击
你是否面对空间转录组海量数据感到无从下手，难以将单细胞分析经验迁移至空间维度，或缺乏一套涵盖从质控到细胞通讯的完整实战代码？
核心亮点
- 构建了基于Seurat的标准化分析流程，涵盖Visium HD数据加载、质控过滤及去卷积细胞注释（RCTD），实现从原始数据到细胞类型的精准映射。
- 深度整合空间位置信息，利用BANKSY算法进行空间聚类，并通过Moran's I统计量有效识别具有空间表达模式的变异基因。
- 拓展至组织微环境互作研究，基于CellChat工具解析邻近细胞间的配体-受体相互作用，揭示细胞通讯网络。
适用人群
具备R语言基础的生命科学研究人员、希望从单细胞分析拓展至空间组学的生物信息学初学者
领域归类
领域：空间组学, 转录组, 单细胞
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7