生信爱好者周刊（第 26 期）：CRISPR的专利权¶

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。

封面图¶

本周话题：CRISPR的专利权 ¶

在围绕CRISPR基因编辑技术的专利纠纷中，美国专利商标局已经确定博德研究所团队是第一个发明CRISPR-Cas9来编辑人类细胞并用于制造药物的团队，而不是诺奖得主 Jennifer Doudna 和 Emmanuelle Charpentier 所属的CVC团队。

这一裁决意味着，在美国运营的做CRISPR基因编辑相关的公司，如果之前仅获得CVC团队的专利授权，包括CVC团队自己的 Intellia Therapeutics、CRISPR Therapeutics 等等，将不得不与博德研究所团队进行专利谈判。

生信科技动态¶

1、Nature Methods | Micro-Meta App: 基于社区规范收集显微镜元数据的交互式工具

为了质量、解释、再现性和共享价值，显微镜图像应附有用于产生它们的条件的详细描述。Micro-Meta App是一款直观、高互操作性的开源软件工具，是在4D核组(4DN)联盟的背景下开发的，旨在促进相关显微镜元数据的提取和收集，除了大大减轻质量保证的负担，该应用程序的视觉特性使其特别适合于培训目的。

2、Cancer Cell | 多组学揭示黑色素瘤免疫治疗响应因素—IFNγ和肿瘤突变负荷TMB

这项研究利用多组学以及临床样本信息揭示肿瘤突变负荷与IFNγ通路可作为预测黑色素瘤患者接受免疫治疗收益的关键因素，也提示对于不响应患者仍需进一步研究。

3、Nature Cancer | 张泽民/韩为东合作揭示anti-PD-1免疫治疗在肺癌中的作用机制

之前斯坦福大学Howard Chang研究组提出了克隆替代（clonal replacement）的概念，认为治疗后肿瘤中的肿瘤特异T细胞的克隆型都是新出现的。而该研究发现，在肺癌治疗的过程中，新的克隆和之前存在的克隆都会被招募到肿瘤中进而发挥功能。针对这一现象，研究人员提出了克隆复兴（clonal revival）的概念，拓展了clonal replacement的模式。该研究的科学发现揭示了anti-PD-1疗法在肺癌中的作用机制，为开发新的临床检测与治疗手段提供了新的思路。

文章¶

1、解读 Julia 的 2021：逐步迈向主流编程语言

在过去的 2021 年，Julia 编程语言社区依然保持了高速发展。据统计，目前 Julia 的全球总用户量已超过一百万，有一万多家公司和一千五百多所高校下载和使用了 Julia。此外，一些世界名校，如北京大学，MIT、Stanford 和 Berkeley 等，已经在教学中使用 Julia 语言。

作为一门动态编译型语言，Julia 一方面给予我们像 Python 一样的开发效率，另一方面又给予我们像 C/C++ 一样的执行效率，因此吸引了大量优化算法、微分方程、自动微分、量子计算、机器学习等计算领域的研究者。目前 Julia 语言已经逐渐成熟和稳定，我们有理由相信未来随着 Julia 生态的进一步成熟，Julia 的优势能够更进一步地发挥出来。

2、PyCaret | 几行代码搞定机器学习建模

从本质上来看，PyCaret 是一个 Python 库，封装了多个机器学习库和框架，如 sci-kit-learn、XGBoost、Microsoft LightGBM、spaCy 等等。包括 6 个模块，支持有监督和无监督模型的训练和部署，分别是分类、回归、聚类、异常检测、自然语言处理和关联规则挖掘。每个模块封装特定的机器学习算法和不同模块均可以使用的函数。用户可以根据实验类型，将模块导入环境中。

3、机器学习算法优缺点对比（汇总篇）

本文的目的，是务实、简洁地盘点一番当前机器学习算法。

工具¶

1、abess: Fast Best-Subset Selection in Python and R

abess 库的目标是解决一般的最佳子集选择，即找到预测器的一个小子集，这样得到的模型预期具有最高的准确性。最佳子集的选取具有重要的科学研究和实际应用价值。例如，临床医生想要根据一些重要基因的表达水平来了解病人是否健康。

2、citr: RStudio Addin to Insert Markdown Citations

citr提供了函数和RStudio插件来搜索bibtex文件，以创建和插入格式化的Markdown引用到当前文档中。

3、causal-learn：基于Python的因果发现算法平台

Causal-learn用Python实现了CMU开发的基于Java的Tetrad因果发现平台（WAIC2020 SAIL 之 L奖），并进一步加入新的算法和功能。其中包含了因果发现的经典算法与API，并且提供了模块化的代码，以方便研究者实现自己的算法。Causal-learn所有模块均基于Python实现，从而避免了传统因果发现库对R/Java的依赖，为Python开发者提供便利。