Abstract Nanobodies are a subclass of immunoglobulins, whose binding site consists of only one peptide chain, bestowing favorable biophysical properties. Recently, the first nanobody therapy was approved, paving the way for further clinical applications of this antibody format. Further development of nanobody-based therapeutics could be streamlined by computational methods. One of such methods is infilling - positional prediction of biologically feasible mutations in nanobodies. Being able to identify possible positional substitutions based on sequence context, facilitates functional design of such molecules. Here we present nanoBERT, a nanobody-specific transformer to predict amino acids in a given position in a query sequence. We demonstrate the need to develop such machine-learning based protocol as opposed to gene-specific positional statistics since appropriate genetic reference is not available. We benchmark nanoBERT with respect to human-based language models and ESM-2, demonstrating the benefit for domain-specific language models. We also demonstrate the benefit of employing nanobody-specific predictions for fine-tuning on experimentally measured thermostability dataset. We hope that nanoBERT will help engineers in a range of predictive tasks for designing therapeutic nanobodies. Availability https://huggingface.co/NaturalAntibody/

Ligand-receptor interaction (LRI) prediction has great significance in biological and medical research and facilitates to infer and analyze cell-to-cell communication. However, wet experiments for new LRI discovery are costly and time-consuming. Here, we propose a computational model called THGB to uncover new LRIs. THGB first extracts feature information of Ligand-Receptor (LR) pairs using iFeature. Next, it adopts a tree boosting model to obtain representative LR features. Finally, it devises the histogram-based gradient boosting model to capture high-quality LRIs. To assess the THGB performance, we compared it with three new LRI prediction models (i.e., CellEnBoost, CellGiQ, and CellComNet) and one classical protein-protein interaction inference model PIPR. The results demonstrated that THGB achieved the best overall predictions in terms of six evaluation indictors (i.e., precision, recall, accuracy, F1-score, AUC, and AUPR). To measure the effect of LR feature selection on the prediction, THGB was compared with four feature selection methods (i.e., PCA, NMF, LLE, and TSVD). The results showed that the tree boosting model was more appropriate to select representative LR features and improve LRI prediction. We also conducted ablation study and found that THGB with feature selection outperformed THGB without feature selection. We hope that THGB is a useful tool to find new LRIs and further infer cell-to-cell communication.

Abstract Background The accurate deciphering of spatial domains, along with the identification of differentially expressed genes and the inference of cellular trajectory based on spatial transcriptomic (ST) data, holds significant potential for enhancing our understanding of tissue organization and biological functions. However, most of spatial clustering methods can neither decipher complex structures in ST data nor entirely employ features embedded in different layers. Results This article introduces STMSGAL, a novel framework for analyzing ST data by incorporating graph attention autoencoder and multiscale deep subspace clustering. First, STMSGAL constructs ctaSNN, a cell type–aware shared nearest neighbor graph, using Louvian clustering exclusively based on gene expression profiles. Subsequently, it integrates expression profiles and ctaSNN to generate spot latent representations using a graph attention autoencoder and multiscale deep subspace clustering. Lastly, STMSGAL implements spatial clustering, differential expression analysis, and trajectory inference, providing comprehensive capabilities for thorough data exploration and interpretation. STMSGAL was evaluated against 7 methods, including SCANPY, SEDR, CCST, DeepST, GraphST, STAGATE, and SiGra, using four 10x Genomics Visium datasets, 1 mouse visual cortex STARmap dataset, and 2 Stereo-seq mouse embryo datasets. The comparison showcased STMSGAL’s remarkable performance across Davies–Bouldin, Calinski–Harabasz, S_Dbw, and ARI values. STMSGAL significantly enhanced the identification of layer structures across ST data with different spatial resolutions and accurately delineated spatial domains in 2 breast cancer tissues, adult mouse brain (FFPE), and mouse embryos. Conclusions STMSGAL can serve as an essential tool for bridging the analysis of cellular spatial organization and disease pathology, offering valuable insights for researchers in the field.