- 综合排序
- 最热优先
- 最新优先
【辰辉创聚生物】蛋白质组学：裂解化学、机械破碎与分馏策略在蛋白提取中的分子机制解析
蛋白提取的本质并非单纯的物理破碎，而是在细胞结构崩解的瞬间，通过化学与热力学手段将蛋白质组的生化状态加以保存。 一、物理屏障的突破：机械破碎与能量控制对于培养细胞等结构相对脆弱的样本，温和的化学裂解即可实现有效提取。 通过引入特异性的磷酸酶或去乙酰化酶抑制剂，可以防止裂解后发生的体外修饰变化，从而确保检测结果反映真实的细胞状态。三、亚细胞分馏与空间信息富集细胞内部高度分区化，许多关键生物学过程发生在特定细胞器中。 亚细胞分馏技术通过降低样本复杂度，为低丰度蛋白的检测提供了有效途径。该策略的核心是差速离心。利用不同细胞器在重力场中的沉降特性，通过逐步提高离心力，可依次分离细胞核、线粒体及膜性组分。 分馏不仅提供空间定位信息，也在一定程度上提升了蛋白质组分析的灵敏度。四、复杂样本的特异性挑战不同生物基质对蛋白提取提出了差异化挑战。
10410编辑于 2026-03-09- 来自专栏生物信息学
基于机器学习的蛋白质亚细胞定位预测
蛋白质是生命活动的主要承担者，也是组成人体一切细胞、组织的重要成分。研究表明，所有蛋白质有对应的亚细胞器，不同功能的蛋白质只有存在于特定的亚细胞器，才能正常发挥其作用。 因而寻找一种简单高效的方法对蛋白质亚细胞器进行定位，即获取其特定的亚细胞区间，对了解蛋白质的功能和性质，研究蛋白质之间的相互作用具有重要意义。 随着高通量测序时代的来临，大部分生物数据需要通过理化实验对其结构及功能进行注释，传统标注方法如细胞分馏、电子显微镜和荧光显微镜等，成本较高，且耗时费力，借助先进高效的计算机技术，基于统计预测或理论计算的方法从海量数据中挖掘出有效信息已成为了当今时代的迫切需要 2是第 2 个残基，?3是第 3 个残基，以此类推。其AAC特征的计算公式如式： ? ? 其中，fi为第i种氨基酸在P中出现的频率。L为蛋白质序列长度，ni表示第i类氨基酸。 其中，FNi是第i类亚细胞区间预测错误的序列条数，TPi是第i类亚细胞区间预测正确的序列条数，M为亚细胞类别总数。
1K20发布于 2020-04-14 AbMole| BS3助力揭秘衣康酸转运体ABCG2抑制免疫抗菌能力
随后研究人员敲除了THP-1 细胞和永生化小鼠骨髓衍生巨噬细胞（iBMDMs）中的 ABCG2/Abcg2。 在本研究中，免疫荧光和细胞分馏分析等实验结果表明，ABCG2/Abcg2 KO或 ABCG2 ATP水解缺陷突变体的重组表达能促进 LPS 刺激的TFEB 核易位，促进溶酶体基因表达和溶酶体区室的形成。 同时，ASC寡聚化试验也表明，ABCG2/Abcg2缺失会导致大型多聚 ASC 复合物减少，提示ABCG2 缺乏能促进衣康酸诱导的溶酶体生物生成，并抑制巨噬细胞的炎症程序激活。 或 ABCG2 ATP水解缺陷突变体的重组表达会导致细菌滴度下降，提示ABCG2 是巨噬细胞先天免疫抗菌防御的有效负调控因子。 最后，为了确定该研究结果与人类的相关性，研究人员使用人巨噬细胞进行验证，生化分析和亚细胞分馏分析等研究表明，在 LPS 激活的人巨噬细胞中，ABCG2 的表达与衣康酸的输出相关，阻断 ABCG2 可促进
12910编辑于 2025-12-23- 来自专栏医学数据库百科
预测 lncRNA 亚细胞定位的网站
在整个基因转录翻译的过程当中，基因是在细胞核发生转录，然后出核到细胞质当中发生翻译。对 lncRNA 而言，由于lncRNA的功能主要还是通过影响其它基因来实现的。 如果在细胞核，就是参与转录调控了，经典的方式还是影响ceRNA的方式来进行调控；而如果在细胞质的话，那就参与转录后调控了，比如和mRNA形成互补双链来增加 mRNA 的稳定性。 老基因查询 如果我研究的基因是其他人已经研究很深入的基因了，一般都会有人去做其细胞定位的。 之前我们的介绍 ENCODE 数据库的时候，提到他们做了很多细胞、组织的测序结果，而在里面对于细胞系的测序结果。他们其实还分了细胞核测序以及细胞质测序的结果。 所以基于这个结果，我们就可以知道某一个基因/lncRNA 是在核表达还是在细胞质表达了。但是，这些ENCODE做了细胞系可能不全，只是其中代表性的几个。
3K10发布于 2020-06-03 - 来自专栏生物信息学
蛋白质亚细胞定位分析
大家晚上好，今天给大家带来的内容是蛋白质亚细胞定位分析，首先做一个简短的介绍。 亚细胞定位是指某种蛋白或某个基因表达产物在细胞内的具体存在部位，包括细胞核、细胞质和细胞膜等部位。 如果能利用生物信息学手段基于一些算法如机器学习等开发的方法进行亚细胞定位预测分析辅助于实验，这样就能省时省力节约成本。 这里以本生烟草为例，给大家介绍如何对感兴趣的很多个蛋白质进行亚细胞定位分析，分为公共平台数据和分析预测两部分。 较好的一点是，subcellular location列信息中还包括了亚细胞定位的文章出处。 最后，拿BUSCA预测结果与感兴趣蛋白的定位数据进行比较，主要为了： 1，看BUSCA工具亚细胞定位预测分析的可信度如何 2，整合感兴趣蛋白的亚细胞定位数据信息 参考BUSCA工具文章链接：https
4.3K10发布于 2020-04-14 - 来自专栏单细胞
单细胞实战之亚细胞分群之CD4+T细胞分群——从入门到进阶(中级篇2）
辅助性T细胞：主要通过信号传导支持其他免疫细胞的功能。根据它们分泌的细胞因子不同，可以分为多个亚型(Th1，Th2，Th9，Th17，Th22，Tfh)，每种亚型在免疫应答中发挥不同的作用。 2.2 区分其他T细胞亚群理论上也应该层层递进下去，但实操中发现还是有点难度,不同细胞亚群的标志物界限比较模糊# 进一步区分其他亚群CD4_markers_step2 =list( T_check=c 簇进行注释，其中第7-9,12簇可能为Naive CD4+细胞,第0,1,2,4,5,11,14簇可能是记忆性T细胞(Tcm)，第5簇可能是Th1细胞。 第1、2 簇可能为Th1细胞，因其特征性标志物包括TBX21(+)。第4、5、11簇可能为记忆性T细胞，因其表达ANXA1、GIMAP4、LEF1、TCF7。 第7-9、12、18簇可能为Naïve CD4⁺ T细胞，因其标志物为CCR7、SELL。第10簇可归类为Treg细胞，因为其高表达FOXP3、CTLA4、IKZF2。
2K00编辑于 2025-03-23 方法更新---亚细胞分辨率空间转录组学的单细胞划分
作者，Evil Genius现在已经有了多个亚细胞精度的空间平台，例如10X HD、Stereo-seq、Slide-seq等，虽然大多数还是采用bin模式的分析方法，但我们更希望有细胞分割的方法来实现单细胞级别的空间分析 关于10X官方推出的HD细胞分割的方法，需要btf文件和专门的分析软件（Stardist）。但是国内没有btf。那么很多人就转向了bin2cell，但是实际效果有待进一步确认。 关于Stereo-seq，华大也推出了细胞分割的方法，目前看到了一篇文章是这么做的，分享文章在文献分享---人动脉粥样硬化斑块中三级淋巴样器官结构的单细胞空间转录组学研究（Stereo-seq）不过以上方法都是基于核分割 今日参考文献，实现亚细胞精度空间转录组的核扩展分割。知识积累现有的方法通常将SRT数据网格化为预定义的正方形，这对于准确捕捉细胞边界是不现实的。整合亚细胞SRT数据和细胞核染色图像来实现单细胞分割。 /example_result/'adata = sc.read_h5ad(adata_path)img = cv2.imread(img_path)os.makedirs(save_path,exist_ok
29220编辑于 2025-06-04- 来自专栏医学和生信笔记
ggplot2绘制森林图(有亚组和没亚组)
forestplot/forestploter/ggforestplot等多个R包： 画一个好看的森林图 用更简单的方式画森林图 R语言画森林图系列3 R语言画森林图系列4 R语言画误差线的5种方法 虽然写的很详细，有亚组和没亚组的都包括了 ，但是base r的语法对于新手来说确实很难理解，不如ggplot2系列清晰易懂，而且各种空格/NA等占位符的使用也不好理解。 没有亚组的森林图 rm(list = ls()) tmp <- read.csv(".. p3+p4+p1+p5+plot_layout(widths = c(0.4,0.2,0.3,1,0.5)) 有亚组的森林图 df <- read.csv(".. 最后大家思考一个问题：多因素回归的森林图和亚组分析的森林图是一样的吗？
3.1K40编辑于 2023-02-14 - 来自专栏单细胞
单细胞实战之亚细胞分群从TNK至CD4+T细胞——从入门到进阶(中级篇1）
两个映射工具 这四个初级部分的学习后，我们将正式进入中级篇，第一讲的主题是亚细胞分群。 严格来说，亚细胞分群其实更适合作为高级篇的内容，因为它涉及多个关键因素，包括基础生物学背景、技术流程熟练度，以及最新的研究进展。 然而，考虑到笔者自身的经验和技术水平有限，同时为了确保课程内容的有序推进(后续涉及到亚群的分析)，经过多番思考，最终还是决定将亚细胞分群归入中级篇进行讲解。当然，这仅是笔者的一家之言，未必绝对正确。 如果您有更佳的亚细胞分群流程，欢迎在推文下方留言交流。 label = TRUE, pt.size = 0.5) 走完标准化流程之后的UMAP分群图 3.6.保存数据qsave(sce,"sub_data_cd4+T.qs")setwd("..")本次内容完成了亚细胞分群从
89710编辑于 2025-02-22 - 来自专栏生信修炼手册
Euk-mPLOC:预测真核生物蛋白的亚细胞定位
对于蛋白质功能研究而言，亚细胞定位是非常重要的分析内容。蛋白质在细胞中是流动的，所以一个蛋白可以具有一个到多个的亚细胞定位信息。 比如转录因子等蛋白，其亚细胞定位是动态变化的，在不同亚细胞中产生不同的细胞功能。 了解蛋白质的亚细胞定位信息，可以对预测其生物学功能提供帮助。 Euk-mPLOC是一个在线软件，可以预测真核生物蛋白的亚细胞定位。 网址如下 http://www.csbio.sjtu.edu.cn/bioinf/euk-multi-2/ 将亚细胞定位分成了以下22种不同区域 Acrosome Cell wall Centriole 对于每条输入的蛋白序列，都会给出预测到的多个亚细胞定位信息。 ·end· —如果喜欢，快分享给你的朋友们吧—
2.7K30发布于 2020-05-08 - 来自专栏生信学习111
单细胞day2
TRUE TRUE TRUE> > dir("input/") #检查一下改名是否成功[1] "barcodes.tsv.gz" "features.tsv.gz" "matrix.mtx.gz" 2读取并且创建 AAACCCACAGGTCCCA-1' ... ]] CD3D . . 5 . . 1 . . 2 TCL1A . . . . . . . . . . . . 3 . . . . . . . . 1 1 . . . . . . .MS4A1 4 . . . . . . . . 4 . . 1 . 1 . 2 . . . . 2 4 7 5 . . . 1 .稀疏矩阵是存储0值比较多的数据用的，用“.”表示0，可以节省空间，单细胞矩阵0值比较多。 例如，如果一个细胞中有5个基因的表达量分别为1, 2, 3, 4, 5，那么该细胞的nCount_RNA值就是1+2+3+4+5 = 15。
81910编辑于 2024-06-19 单细胞day2
1、 getwd() 查找工作目录2、今天大部分时间都在安装包。问题层出不穷 mac系统部署环境。
19610编辑于 2024-06-19- 来自专栏生物信息云
scGHOST:鉴定单细胞3D基因组亚区室
然而，目前还没有对单细胞亚区区进行注释的方法，而这对于理解单细胞染色体的空间定位是很重要的。这里我们介绍一种新方法：scGHOST。 scGHOST，这是一种使用带约束随机游走采样的图嵌入技术的单细胞亚区注释方法。 scGHOST在单细胞Hi-C数据和由单细胞3D基因组成像推导出的接触图中的应用，证明了其能可靠地识别单细胞亚区，为核亚区的细胞间变异性提供了见解。 通过使用来自复杂组织的单细胞Hi-C数据，scGHOST识别出与各种细胞类型和发育阶段中的基因转录相关的细胞类型特异性或等位基因特异性亚区，这表明了单细胞亚区的功能意义。 scGHOST是一种在广泛生物背景下注释单细胞3D基因组亚区的有效方法。
64510编辑于 2024-05-06 - 来自专栏数据结构与算法
2952 细胞分裂 2
2952 细胞分裂 2 时间限制: 2 s 空间限制: 16000 KB 题目等级 : 钻石 Diamond 题目描述 Description 著名生物学家F博士发现了一种单细胞生物。 假设一开始有1只，求a分钟后有多少只单细胞蚯蚓？ 对于全部数据，A<=2*10^9,Q<=10^8. 分类标签 Tags 点此展开 快速幂！！！！！！！ 1 #include<iostream> 2 #include<cstdio> 3 #include<cstring> 4 #include<cmath> 5 using namespace std /n=n-1; 25 cout<<fastpow(2,n)%m; 26 return 0; 27 }
69560发布于 2018-04-13 - 来自专栏大数据文摘
哥伦比亚大学数据科学课程笔记（2）
课程：哥伦比亚大学数据科学课程 讲师：Rachel Schutt教授 整理听课记录如下 数据科学博客 今天我们开始讨论Rachel的新博客，这实在是棒极了，人们应该去看看她对于数据科学的洞察。 平面上有如下点：(x, y) = (1, 2), (2, 4), (3, 6), (4, 8).它们之间的关系显然是y=2x。你可以直接心算出来。 实际上，你已经发现 线性趋势 系数是2 目前来讲是确定模型 例2. 又有一些在平面上的散点，但是现在假定x是输入值，y是输出值。 (x, y) = (2, 1), (6, 7), (2.3, 6), (7.4, 8), (8, 2),(1.2, 2). 现在单靠心算没法得到x和y 之间关系了，并且点之间并没有明显的线性关系。 综上所述，假设一个线性模型意味这寻找下列问题的解： y=β0+β1x1+β2x2+β3x3+ε 表示成矩阵形式，我们有y=x·β+ε 我们如何计算β呢？
57690发布于 2018-05-21 - 来自专栏单细胞天地
国内首款亚细胞级微孔空间转录组芯片震撼发布！
国内首款亚细胞级微孔空间转录组芯片震撼发布！ 在组织的原始位置探索基因表达模式对于了解其中的细胞类型和功能非常重要,现有的空间转录组分析方法存在通量低或分辨率不足等局限。 百创智造自主研发的百创S1000空间芯片可在亚细胞分辨率水平上，检测完整组织切片中的原位基因表达信息，实现组织结构的精细解读。 空间组学相关论文数量呈指数性爆炸增长 Nat Methods. 2022 Mar 10. doi: 10.1038/s41592-022-01409-2. 就在今天，国内生物科技公司百迈客生物经过多年研发，正式发布了国内首款亚细胞级微孔空间转录组芯片：百创S1000 百创S1000可以让研究者们结合不同阶段图谱数据，获得全面的亚细胞级时空动态表达图谱，从而为疾病的诊断治疗及药物研发提供更有力的决策依据 中国科学院北京基因组研究所研究员 于军 中国农业科学院王晓武 研究员谈到，目前空间转录组测序技术应用在植物研究领域的主要障碍是植物有细胞壁，而现在的空间转录组透化试剂都是针对动物组织进行研发的，因此很多时候无法很好的将细胞中的
84940编辑于 2022-06-13 - 来自专栏单细胞测序
单细胞测序—2次分群
单细胞测序—2次分群 Seurat里的FindClusters函数设置的resolution数值越大，分群的数量就越多，但是当单细胞数量太多的时候，会遇到resolution再变大，分群的数量也不再增加的情况 (dplyr) load("../2.GSE218208/seu.obj.Rdata") p1 = DimPlot(seu.obj, reduction = "umap",label=T)+NoLegend ) %>% pull(gene);top10 ## [1] "JCHAIN" "IGKC" "MZB1" "PACSIN1" "WNT10A" "MAP1A" "VASH2" colnames(seu.obj),colnames(sub.cells))], seu.obj$celltype) Idents(seu.obj) = seu.obj$celltype p2 = DimPlot(seu.obj,label = T)+NoLegend() p1+p2 对比二次分群前的结果，可以看到DC被进一步划分为M1，M0两群。
61211编辑于 2024-07-31 - 来自专栏生信技能树
亚实性结节和磨玻璃结节肺腺癌单细胞水平的差异如何
最近在朋友圈看到两个还算是比较类似的单细胞文章： 2021年1月27日，亚实性结节(SSN)的肺腺癌 单细胞文章是：https://advances.sciencemag.org/content/7/5 亚实性结节(SSN)的肺腺癌 单细胞 ? of lung adenocarcinoma manifested as pulmonary subsolid nodules by single-cell RNA sequencing" 该研究利用单细胞测序技术全面揭示了影像学表现为亚实性结节 10x Genomics单细胞转录组测序，结果共获得60,459 个细胞的表达谱数据，成功鉴定出肿瘤细胞、内皮细胞、T细胞等9种细胞类型。 亚实性结节的肺腺癌单细胞研究是：对16名CT影像学表现为SSN的肺腺癌患者的手术切除样本进行单细胞转录组测序，同时整合已发表的6例癌旁样本(nLung)和9例进展性肺腺癌样本(mLUAD)的数据，共获得
90920发布于 2021-02-03 - 来自专栏单细胞测序
单细胞测序—标准流程代码(2) — 标记基因与细胞注释
单细胞测序—标准流程代码(2) — 标记基因与细胞注释书接上回，已经做好数据质控、过滤、去批次、降维聚类分群后，接下来就是进行细胞注释方面的工作step4: 看标记基因库# 原则上分辨率是需要自己肉眼判断 Tcells_markers（T细胞标记基因）：这个列表包含了与T细胞相关的标记基因，T细胞是免疫系统中的一种关键细胞类型，参与适应性免疫反应。 myeloids_markers_list1 和 myeloids_markers_list2（髓系细胞标记基因列表1和2）：这两个列表可能包含了不同髓系细胞亚群的标记基因，分别用于研究这些亚群在特定条件或研究中的表现 CD8_markers_list1 和 CD8_markers_list2（CD8+ T细胞标记基因列表1和2）：这两个列表包含了与CD8+ T细胞相关的标记基因，可能代表不同亚群的CD8+ T细胞，研究这些细胞在免疫反应中的特性 Bcels_markers_list（B细胞标记基因列表）：这个列表包含了与B细胞相关的标记基因，B细胞是免疫系统中产生抗体的细胞。
1.9K11编辑于 2024-08-22 - 来自专栏数据科学（冷冻工厂）
单细胞Seurat - 数据处理 (2)
本系列持续更新Seurat单细胞分析教程，欢迎关注！ 标准化 从数据集中删除不需要的细胞后，下一步是数据标准化。 特征选择：识别高度可变的特征 接下来，我们计算数据集中表现出高细胞间差异的特征子集（即它们在某些细胞中高度表达，而在其他细胞中表达较低）。在下游分析中关注这些基因有助于突出单细胞数据集中的生物信号。 默认情况下Seurat每个数据集返回 2,000 个特征。这些将用于下游分析，例如 PCA。 <- LabelPoints(plot = plot1, points = top10, repel = TRUE) plot1 + plot2 缩放数据 接下来，我们应用线性变换（“缩放”），这是 细胞和特征均根据其 PCA 分数进行排序。将细胞设置为数字会在频谱两端绘制“极端”细胞，这会显着加快大型数据集的绘图速度。虽然是一种监督分析，但我们发现这是探索相关特征集的宝贵工具。
76910编辑于 2024-02-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号