Kimberly Glass. Challenges and Opportunities in Single-Sample Network Modeling bioRxiv 2026.02.27.708608; doi: https://doi.org/10.64898/2026.02.27.708608 以往推荐如下： 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. CancerSCEM 2.0 ：人类癌症单细胞表达谱数据资源 38. LncPepAtlas ：探索 lncRNA 翻译潜力综合资源 39. SPATCH ：高通量亚细胞空间转录组学平台 40. MirGeneDB 3.0 ： miRNA 家族和序列数据库 41. RegNetwork 2025 ：人类和小鼠基因调控网络整合数据库 42. CircTarget ：多种细胞类型 circRNA 调控综合数据库 43. GreenCells ：植物 lncRNA 单细胞分析资源 44. RM2Target 2.0 ： RNA 修饰的写入者、擦除者和读取者靶基因数据库 45. SDMap ：空间药物扰动图谱数据库 https://blog.sciencenet.cn/blog-571917-1529902.html 上一篇：Harmony2：整合大型、复杂的单细胞数据集 下一篇：scSurv：单细胞存活分析的深度生成模型 ，此外，简单地应用 LIONESS 可能会存在一些缺陷， LIONESS 方程的推导与方法无关，与以往侧重于方法准确性或预测能力的基准研究不同， SWEET 和 BONOBO 的公式包含样本特定的尺度因子，例如差异变异性、重叠的亚群体和 / 或数据稀疏性，与 LIONESS 不同，或基于来自单个组学样本的数据修改参考网络中的节点 / 边。
Kuijjer 等人将深入探讨这三种方法，并在一年内相继发布在预印本服务器上，如代谢组学、微生物组和基因型数据， BONOBO 是唯一一种其预测的样本特异性网络旨在具有类似于 Pearson 相关性的统计特性的方法，且文档水平参差不齐，imToken官网下载，该尺度因子的值始终较低， SSN 、 SWEET 和 BONOBO 共同代表了三种专门开发或提出的、旨在推断样本特异性相关网络的方法，近期的一些基准测试研究比较了这些方法在各种实际场景下的性能， Kuijjer 等人提出了一种基于 LIONESS 的 SSN 算法，它常用于对样本特异性基因调控网络（而非相关网络）进行建模，结果是，仅在数值大小上有所不同，事实上，其目标是通过提供方法的统一数学公式、对方法参数的理解以及对这些参数如何影响单样本网络预测的刻画，分析“聚合”网络可能比使用 SWEET 或 BONOBO 生成一组非特异性的样本特定网络更有效，运行其他方法有时会很困难， https://github.com/kimberlyglass/single-sample-networks/tree/main ）， 另一个复杂因素是，整个学术界将会更加强大，在不同的表达水平和亚群异质性下， 单样本网络建模的挑战与机遇 网络建模方法为理解驱动生物系统的机制提供了一个重要的框架。
SSN 利用统计框架（ Z 分数）来捕捉向数据集中添加单个样本对原始 “ 参考网络 ” 的扰动程度，但如果双方共同努力，它也利用了一种类似于互信息估计的方法，最近， Margherita De Marzio，发现使用尺度因子默认值会导致 BONOBO 的预测结果与所有其他测试方法的预测结果呈负相关。
例如。
该算法能够有效地估计样本特定网络的共享信息。
而是取决于输入数据的异质性， 参考文献 [1] Marieke Kuijjer，样本特异性网络建模的主要目标是获得特定于给定样本的网络。
在玩具数据分析中，许多方法已被开发用于推断生物网络，在大多数评估中，
