数字孪生 |《自然-计算科学》五月刊

期刊链接：Nature Computational Science

微信链接：点击此处阅读微信文章

封面故事

Implementing digital twins at scale

规模化地实施数字孪生

点击链接查看五月份的精彩：Volume 5

数字孪生是一个复杂的计算模型（或一组耦合的计算模型），它不断地接收和整合来自物理实体（例如，一架飞机）的数据，以提供该实体的最新数字表示。数字孪生范式作为一种支持数据驱动决策的方式，在一系列的应用领域中受到了极大的关注，但大多数的实施都是基于定制的，这使得大规模部署它们具有挑战性。在这个问题上，Niederer等人讨论了扩展数字孪生的挑战和机遇，Kapteyn等人提出了资产孪生系统的数学表示法，作为实现数字孪生规模化的第一步。

Article | 用于检测罕见细胞群的单细胞多种保留特征选择

标题：Single-cell manifold-preserving feature selection for detecting rare cell populations

数字识别码：10.1038/s43588-021-00070-7

研究生物体和疾病的一个关键挑战是检测驱动发育、分化和转化的稀有分子程序和稀有细胞群。定义稀有细胞群的分子特征，如基因和蛋白质，往往是未知的，而且很难用传统的降维和基于聚类的方法从未富集的单细胞数据中发现。在这里，我们提出了一种无监督的方法，SCMER（"单细胞多种保留特征选择"），该方法选择了一组具有明确含义的紧凑分子特征，以保护数据的多样性。我们将SCMER应用于造血、淋巴发生、肿瘤发生以及耐药性和反应等方面。我们发现，SCMER可以识别非冗余特征，敏感地划分出常见的细胞系和罕见的细胞状态。SCMER可用于在高维数据集中发现分子特征，为临床应用设计有针对性的、具有成本效益的检测方法，并促进多模式的整合。

Article | 快速评估免疫复合物的T细胞受体特异性

标题：Rapid assessment of T-cell receptor specificity of the immune repertoire

数字识别码：10.1038/s43588-021-00076-1

准确评估整个免疫系统中的T细胞受体(TCR)-抗原特异性是改善癌症免疫疗法的核心，但目前还缺乏能够高通量评估TCR-肽对的预测模型。深度测序和晶体学的最新进展丰富了用于研究TCR-肽系统的数据。在这里，我们介绍了RACER，一个能够快速评估TCR-肽对整个免疫复合物亲和力的成对能量模型。RACER应用监督下的机器学习来有效和准确地解决强TCR-肽结合对和弱TCR-肽结合对。训练好的参数可以进一步对每个TCR-肽系统中编码的相互作用模式进行物理解释。当应用于模拟主要组织相容性复合物（MHC）限制的T细胞组合的胸腺选择时，RACER准确地估计了肿瘤相关的新抗原和外来肽的识别率，从而证明了它在帮助解决在个体病人免疫组合水平上可靠地识别肿瘤抗原特异性T细胞特性的计算挑战方面的效用。

Article | 实现大规模预测性数字孪生的概率图形模型基础

标题：A probabilistic graphical model foundation for enabling predictive digital twins at scale数字识别码：10.1038/s43588-021-00069-0

从通过定制应用的一次性数字孪生体转变为大规模、稳健的数字孪生应用需要一个统一的数学表述。这项工作提出了一个概率图形模型，作为数字孪生及其相关物理资产的正式数学表述。我们将资产-孪生系统抽象为一组耦合的动态系统，通过各自的状态空间随时间演变，并通过观察数据和控制输入进行互动。将这个耦合系统正式定义为一个概率图形模型，使我们能够借鉴贝叶斯统计学、动力系统和控制理论的既定理论和方法。所提出的数字孪生模型的声明性和通用性使其严格而灵活，使其能够在不同的应用领域中大规模应用。我们展示了如何将该模型实例化，以实现无人驾驶飞行器（UAV）的结构数字孪生。数字孪生体使用来自一个物理无人机资产的实验数据进行校准。它在动态决策中的应用在一个合成的例子中得到了说明，在这个例子中，无人机经历了一个飞行中的损坏事件，数字孪生体使用传感器数据进行了动态更新。图形化的模型基础确保了数字孪生体的校准和更新过程是有原则的、统一的，并且能够扩展到整个数字孪生体系统。

Brief Communication | 用Raven进行时间和内存效率高的基因组组装

标题：Time- and memory-efficient genome assembly with Raven数字识别码：10.1038/s43588-021-00073-4

全基因组测序技术无一例外地无法完整地读取DNA分子，这一缺陷需要通过组装软件来将获得的片段组合在一起。在这里，我们提出了从错误的长读段中改进新的基因组组装的方法，并将其纳入一个名为Raven的工具。Raven对各种基因组保持着类似的性能，其准确性与其他支持第三代测序数据的组装器相当。它是最快的选择之一，同时在大多数基准数据集上具有最低的内存消耗。

Perspective | 生物分子建模在技术时代蓬勃发展

标题：Biomolecular modeling thrives in the age of technology数字识别码：10.1038/s43588-021-00060-9

由于对最先进技术的快速适应和改良，生物分子建模领域自20世纪70年代的早期以来一直在蓬勃发展。由此产生的生物分子模拟的规模和时间跨度急剧增加，已经超过了摩尔定律。在这里，我们讨论了基于知识的方法和基于物理的方法以及硬件和软件的进步在推动该领域发展中的作用。这种快速的适应性和拓展性表明了建模的光明前景，理论、实验和模拟定义了解决未来科学和生物医学挑战所需的三大支柱。

© nature

Nature Computational Science

关于Nature Computational Science

Nature Computational Science 是一本新的在线期刊，将于2021年1月开始每月出版，期刊关注的内容包括计算科学领域的基础研究和应用研究。

Nature Computational Science 注重于计算技术和数学模型的开发和使用，并将其应用于解决一系列科学学科中的复杂问题。该期刊的主要目标是促进新计算技术的多学科研究和跨学科应用。

在线出版

Nature Computational Science 是一本仅在线发表的期刊。这使我们能够在文章准备好后立即发表，有利于作者的文章以最快速度出版发表，并使我们的读者能够在文章刊登之前就能看到已被接受的文章。需要注意的是网上发表的论文是权威发表，只能通过发表补充说明或勘误来进行修改，因此作者应尽最大努力确保校稿的正确。

内容类型

我们发表各种类型的内容，包括详细阐述重大进展和其他计算科学主题问题的文章、综述、观点、简短通讯和资源，以及评论、新闻、观点和研究亮点。