Summary: SCReadCounts is a method for a cell-level estimation of the sequencing read counts bearing a particular nucleotide at genomic positions of interest from barcoded scRNA-seq alignments. SCReadCounts generates an array of outputs, including cell-SNV matrices with the absolute variant-harboring read counts, as well as cell-SNV matrices with expressed Variant Allele Fraction (VAF RNA ); we demonstrate its application to estimate cell level expression of somatic mutations and RNA-editing on cancer datasets. SCReadCounts is benchmarked against GATK and Samtools and is freely available as a 64-bit self-contained binary distribution (Linux), along with MacOS and Python installation. Availability: https://github.com/HorvathLab/NGS/tree/master/SCReadCounts

Fatigue cracking is one of the primary distresses of asphalt pavements, which significantly affects the asphalt pavement performance. The fatigue behavior of the asphalt mixture observed in the laboratory test can vary depending on the type of fatigue test and the dimension and shape of the test specimen. The variations can make it difficult to accurately evaluate the fatigue properties of the field asphalt concrete. Accordingly, this study proposed a reliable method to evaluate the fatigue behavior of the asphalt field cores based on discrete element modeling (DEM). The mesoscopic geometric model was built using discrete element software PFC (Particle Flow Code) and CT scan images of the asphalt field cores. The virtual fatigue test was simulated in accordance with the semi-circular bending (SCB) test. The mesoscopic parameters of the contacting model in the virtual test were determined through the uniaxial compression dynamic modulus test and SCB test. Based on the virtual SCB test, the displacement, contact forces, and crack growth were analyzed. The test results show that the fatigue life simulated in the virtual test was consistent with that of the SCB fatigue test. The fatigue cracks in the asphalt mixture were observed in three stages, i.e., crack initiation, crack propagation, and failure. It was found that the crack propagation stage consumes a significant portion of the fatigue life since the tensile contact forces mainly increase in this stage.

Abstract As a novel type of post-translational modification, lysine 2-Hydroxyisobutyrylation (K hib ) plays an important role in gene transcription and signal transduction. In order to understand its regulatory mechanism, the essential step is the recognition of K hib sites. Thousands of K hib sites have been experimentally verified across five different species. However, there are only a couple traditional machine-learning algorithms developed to predict K hi b sites for limited species, lacking a general prediction algorithm. We constructed a deep-learning algorithm based on convolutional neural network with the one-hot encoding approach, dubbed CNN OH . It performs favorably to the traditional machine-learning models and other deep-learning models across different species, in terms of cross-validation and independent test. The area under the ROC curve (AUC) values for CNN OH ranged from 0.82 to 0.87 for different organisms, which is superior to the currently-available K hib predictors. Moreover, we developed the general model based on the integrated data from multiple species and it showed great universality and effectiveness with the AUC values in the range of 0.79 to 0.87. Accordingly, we constructed the on-line prediction tool dubbed DeepKhib for easily identifying K hib sites, which includes both species-specific and general models. DeepKhib is available at http://www.bioinfogo.org/DeepKhib .