- 综合排序
- 最热优先
- 最新优先
- 来自专栏百味科研芝士
多组学整合药物预测如何发6分SCI的？
distinct subtypes with therapeutic implications in KRAS-mutant lung adenocarcinoma，影响因子为6.18；文章整合了多个组学的数据 相关甲基化分子特征、TIL-相关得分、KRAS 依赖评分、Smoking-相关突变分子特征、STK11 和 KEAP1突变状态、其他分子特征； • KRAS-mutant 细胞的敏感性药物筛选； • 基于以上生物学特征 ，建立单因素和多因素回归模型，进行药物反应预测； PART 2 结果 2.1划分亚型 这是后续分析的基础，整合多个组学数据后，利用SNF-CC将病人和细胞系数据划分为两个亚型； ? 2.2 KRAS突变相关的生物学特征 smoking-相关的甲基化分子特征 对分出的两个亚型的甲基化数据，从分子和整体水平用火山图和箱线图展示甲基化水平的变化，PS2较PS1甲基化水平高，CS2较CS1 2.4 药物预测 精准医学以来，结合多组学数据，提前对病人药物敏感性进行确认，建立这样的预测模型就变得越来越重要； 除药物敏感性数据外，以上生物学特征均在两个亚型进行了比较；这里用其来进行回归模型的构建
1.1K20发布于 2019-12-24 - 来自专栏医学数据库百科
多组学在线分析工具
随着高通量测序技术种类的越来越多，我们经常会拿到相关样本的不同组学的数据。那拿 TCGA 的数据库而言，对于同一个患者，就检测了RNA-seq， miRNA-seq， 甲基化芯片等等多组学的数据。 对于这样有多组学数据的情况，除了基本的单一组学的分析，也可以尝试着融合多个组学一起分析。所以，今天就介绍一个多组学分析的工具。 聚类热图分析 在这个分析结果当中，可以观察基于多组学的数据各个样本的聚类分析的结果。这样的结果可以用来当作多组学的分子分型。 在聚类热图当中，除了可查看不同基因的聚类结果。 降维分析 之前的质量评估的时候，通过降维分析来了解不同组学的数据特征。现在的降维是在多组学数据融合的基础上来进行降维的。 最后可以在一个三维的散点图上观察降维分析的结果。 总的来说 以上就是这个工具的主要使用过程了，OmicsAnalyst 主要还是用于对多组学的数据联合分析的时候，寻找多组学之间的联系(相关分析)或者通过聚类来寻找相关的多组学基因分型的时候可以使用。
2.3K20编辑于 2022-02-08 多组学扩展---分子对接pyrosetta
作者，Evil Genius 从最新的2026搜集的文章来看，基因组 + 单细胞空间 + 分子对接/分子动力学的多组学趋势明显。 今天我们来扩展一下 首先是一些基础内容，自己查漏补缺。 energies.append(total_score) print(f"\n ✓ 对接完成") # ==================== 选择最佳构象 ==================== print(f"\n6. f.write(f"{i+1} {energies[i]:.2f} {rmsd_values[i]:.3f}\n") print(f" ✓ 数据文件: {pymol_data}") # 6. best_pose.pdb - 最佳对接构象单独文件 3. protein.pdb - 蛋白质结构文件 4. view_docking.pml - PyMOL可视化脚本 5. load_all.py - 一键加载脚本 6. 格式，也可在PyMOL中查看） print(" 生成RMSD-能量散点图...") import matplotlib.pyplot as plt plt.figure(figsize=(8, 6)
42420编辑于 2026-01-28- 来自专栏单细胞天地
单细胞多组学刻画EGCs特征
本研究主要应用 scRNA-seq 和多组测序技术同时测量单个细胞核中的 ATAC 信号和 RNA 转录本（scMulti-seq）来描述 EGCs 的特征并研究神经元分化的动态变化。 多组测序揭示了神经球中 EGC 神经发生的染色质准备状态 Fig3. 小肠肌胶质细胞具有转录多样性，且包含准备用于神经发生的细胞 Fig4. IF 和 RNAscope 证实，在出生后早期和断奶后，神经节内 EGC 都富含准备进行神经发生的细胞 文章结果 1 构建EGCs分化神经元的模型 分别从Plp1::GFP 和Actl6b::Cre;( 肠道胶质细胞(EGCs)是神经元祖细胞 2 神经球内 EGC 向神经元转变的多组学分析揭示了一种为神经发生做好准备的染色质结构 然后神经球里的GFP+细胞测了 单细胞Multiome(细胞来源三只小鼠) 多组测序揭示了神经球中 EGC 神经发生的染色质准备状态 3 出生后小肠中的EGC具有转录多样性，包括具有神经发生所需的染色质结构的细胞 接着又用小鼠出生大约14天后的GFP+ 细胞测了单细胞Multiome
55650编辑于 2023-08-31 - 来自专栏百味科研芝士
当免疫遇上大样本多组学
各位科研芝士的朋友，大家好，今天我们开始跟大家分享一个新的研究模式--------大样本多组学，今天给大家分享的一篇文章是2019年发表在Clinical Cancer Research上的一篇文章，这篇文章主要研究对象是三阴性乳腺癌 （TNBC），我们就一起学习一下，如果你有临床病人资源或者你多组学数据，那么这篇文章可以成为你参考的典范，也希望对大家有所帮助。
1K21发布于 2019-12-17 - 来自专栏生信技能树
单个病人的完善的多组学研究
做完初出茅庐的临床科研小透明，也是可以细心留意遇到了病例，哪怕只有一个病人，也可以做完善的病人多组学研究。 下面分享一个2022年6月发表在《Annals of Oncology》的文章：《Single cell heterogeneity and evolution of breast cancer bone medicine》，DOI:https://doi.org/10.1016/j.annonc.2022.06.005 ： 示意图很清晰，可以看到涉及到了传统转录组，单细胞转录组，还有肿瘤外显子技术： 多组学 当然了，并不是对这个病人只有这些组学技术，其实还有甲基化等表观技术，但是并不是说技术越多越好，仍然是得解决实际问题。
72620编辑于 2022-07-26 - 来自专栏医学数据库百科
LinkedOmics | TCGA多组学关联分析数据库
cBioPortal可以进行多组学分析，但是一般都是分析自身基因和自身突变等等的关系。至于CVCDAP分析的则是单一组学方面的各种分析。 以上这些数据库虽然各有各的用处，但是如果我们想要做多组学之间的相关分析的话，比如我们想要做TP53和miRNA之间的相关性的话，那以上的这些数据库就不能用了。 所以今天就来给大家介绍一个多组学关联分析的数据库： LinkedOmics (http://www.linkedomics.org/login.php) 01内置数据集介绍 在使用一个工具之前，首先还是要了解这个数据库里面包括哪些东西的 由于是要做多组学的关联分析的，一定要对于TCGA数据包括哪些数据要有一定的认识。这样才能方便我们来进行交叉分析的。 关于TCGA的数据库的话，这个数据库有一个简单的介绍。 对于这个数据库，如果我们想要进行多组学交叉分析的时候还是挺有用的。有一个缺点就是其能分析的临床参数还是少了一些。这个要是有需要可能就得自己分析了的。
5.8K40编辑于 2022-01-05 - 来自专栏作图丫
多组学数据可视化的高端玩法
今天给大家介绍一款发表在Nature Methods(IF=28.467)上的R包--trackViewer，可以对基因结构，SNP/突变结果，甲基化结果，组蛋白结果等进行高颜值的可视化，让你那些无处安放的多组学数据完美展示出来 trackList) <- c("gene1","gene2") #设置Y轴名称字体大小 setTrackStyleParam(trackList[[1]], "ylabgp", list(cex=.6) <- c("gene1","gene2","Coverage") #设置Y轴名称字体大小 setTrackStyleParam(trackList[[1]], "ylabgp", list(cex=.6) ", list(cex=.6)) setTrackStyleParam(trackList[[4]], "ylabgp", list(cex=.6)) #绘制第三层SNP信息 viewTracks(trackList ", list(cex=.6)) setTrackStyleParam(trackList[[4]], "ylabgp", list(cex=.6)) setTrackStyleParam(trackList
1.1K22编辑于 2022-03-28 - 来自专栏R语言交流中心
R语言中多组学的因子分析
多组学的研究在不断进入各个疾病领域，那么如何整合这些多组学的特征成为多组学因子综合分析的挑战，今天给大家介绍一个可以类似于PCA分析对多维组学数据进行降维分析的工具包MOFA2。
1.9K30编辑于 2022-03-14 - 来自专栏生信菜鸟团
空间多组 | NG | 使用多组学和生态空间分析对组织状态进行量化表征
我们提出了MESA（多组学和生态空间分析），这是一种借鉴生态学概念的框架，用于描绘组织状态下的功能和空间变化。 Para_05 我们介绍了MESA（多组学和生态空间分析），这是一个结合生态原理和多组学整合来解读组织重塑的框架。 ◉ 这种整合丰富了空间组学数据，并创建了用于下游分析的虚拟多组学空间剖面。◉ 接下来是邻域识别，通过将每个细胞的k最近邻（k-NN）中的多组学信息聚合成邻域特征向量（NFV），捕捉局部细胞环境。 这些分析通过多组学方法得以实现，并且能够在复杂的细胞环境中揭示细微的功能通路。 这些分析是通过多组学方法实现的，并且可以揭示复杂细胞环境中微妙的功能通路。 ◉ 对MESA多样性指标的定量评估，包括MDI、GDI和DPI，突出了健康（n=3）和MRL/lpr组织（n=6；b-d样本量相同）之间空间多样性模式的统计学显著差异。
54710编辑于 2025-05-09 - 来自专栏生信菜鸟团
【生信文献200篇】95 多组学探索TNBC
在BICR6细胞中，组蛋白H3 (H3K27ac) 27位赖氨酸残基的乙酰化富集在重复TGFA位点上(图4E)。 尽管BICR6细胞系并非起源于乳腺组织，但根据ENCODE (Encyclopedia of DNA Elements)项目数据，BICR6细胞中TGFA位点的H3K27ac剖面与人类乳腺上皮细胞相似。 H3K27ac的结合谱确定了7种可能的增强子(图4F)，其中e6对H3K27ac富集最显著。 为了确定富含h3k27ac的基因组区域是否需要在BICR6细胞中增强TGFA的表达，使用CRISPR-Cas9系统删除了包含e6的区域。 BICR6细胞中该区域的缺失导致TGFA的表达下降(图4F)，表明该区域具有直接的调节功能。在使用BICR6细胞的荧光素酶报告基因检测中，发现e6区域具有很强的活性(图4G)。
84841编辑于 2022-02-15 - 来自专栏医学数据库百科
多组学与药物敏感分析的数据库
点击Detail所在列，可以查看多组学水平（表达值，CNV，甲基化水平或突变状态）下RNA与药物敏感性之间相关性的详细信息。
1.2K40发布于 2021-04-30 - 来自专栏生信技能树
单细胞多组学数据分析不会分析
accessibility datasets of peripheral blood mononuclear cells in Chinese holstein cattle》，实验设计蛮简单的： 单细胞多组学技术 四个分组： four whole-blood treatments (no, 2 h, 4 h, and 8 h LPS) 得到的细胞数量：7,107 (no), 9,174 (2 h), 6,741 /www.nature.com/articles/s41421-022-00415-0 是关于 clear cell renal cell carcinoma (ccRCC) 的肿瘤微环境的单细胞多组学 Single-cell multiomics analysis reveals regulatory programs in clear cell renal cell carcinoma》，非常贴心的整理了其全套单细胞多组学下游分析 就是你不做单细胞多组学，打开这套代码也可以观摩一下里面的自定义函数技巧： 41 Combined.P.FC.R 105 Dot.plot.R 12 Filter.gene.R
63550编辑于 2023-09-04 - 来自专栏单细胞天地
单细胞多组学数据分析不会分析
accessibility datasets of peripheral blood mononuclear cells in Chinese holstein cattle》，实验设计蛮简单的： 单细胞多组学技术 四个分组： four whole-blood treatments (no, 2 h, 4 h, and 8 h LPS) 得到的细胞数量：7,107 (no), 9,174 (2 h), 6,741 /www.nature.com/articles/s41421-022-00415-0 是关于 clear cell renal cell carcinoma (ccRCC) 的肿瘤微环境的单细胞多组学 Single-cell multiomics analysis reveals regulatory programs in clear cell renal cell carcinoma》，非常贴心的整理了其全套单细胞多组学下游分析 就是你不做单细胞多组学，打开这套代码也可以观摩一下里面的自定义函数技巧： 41 Combined.P.FC.R 105 Dot.plot.R 12 Filter.gene.R
60241编辑于 2023-08-31 - 来自专栏深度学习
【论文复现】基于多模态深度学习方法的单细胞多组学数据聚类（【生物信息学】实验二：多组学数据融合：scMDC）
论文：基于多模态深度学习方法的单细胞多组学数据聚类 Clustering of single-cell multi-omics data with a multimodal deep learning 正确的聚类结果对于下游复杂的生物学功能研究至关重要。然而，组合不同的数据源对单细胞多模态数据进行聚类分析仍然是一个统计和计算挑战。 在这里，我们开发了一种新颖的多模态深度学习方法scMDC，用于单细胞多组学数据聚类分析。scMDC 是一个端到端的深度模型，它明确表征不同的数据源，并共同学习深度嵌入的潜在特征以进行聚类分析。 Github链接 GitHub - xianglin226/scMDC：单细胞多组学深度聚类 https://github.com/xianglin226/scMDC 二、实验环境 0. 默认值：2000 *为方便起见，我们将 10X 单细胞多组 ATAC + 基因表达技术表示为 SMAGE-seq。
84910编辑于 2024-07-30 - 来自专栏优雅R
CAMOIP: 多组学和免疫治疗综合分析网站
很不错的工具。数据收集、分析、可视化、工具开发不易。希望后续多多优化，越做越好。现在免疫治疗很多，分析方面的需求还是有很多的。
2.1K10发布于 2021-09-24 课程准备--基因组与单细胞空间多组学
基因组与单细胞空间多组学的内容，我相信大家都不陌生了，发表的文章已经很多了，其中不乏顶刊。其实在单细胞组学上进行适度的扩展，文章质量会提升一个档次。 扩展多组学也就成了必需，不知道大家准备好了没？技能往往是要先课题一步的。尤其测了WES + 单细胞 （+ 空间）的同学，数据已够，如何联合分析，就看大家自己了。 尤其是大家分析肿瘤单细胞数据，其中癌细胞的转录特征：癌症细胞在新陈代谢上有何不同，缺氧和肿瘤环境，血管生成等等之间的联系，一般需要从更深次的单细胞 + 多组学来研究。 最后我们来分享一下关于检测突变的分析方法期待我们一起扩展一些这部分内容，报名链接在生化小课---基因组与单细胞空间多组学生活很好，有你更好
30220编辑于 2025-09-03- 来自专栏作图丫
OmicCircos--实现多组学数据的环形可视化！
导语 GUIDE ╲ OmicCircos 包可以用于生成高质量的circos图，用于可视化组学数据的变化。 data options(stringsAsFactors=FALSE) ##TCGA fusion gene data data(TCGA.BC.fus) head(TCGA.BC.fus[,c(1:6) col=sample( colors,link.pg.num)) #添加一些标注（强调） the.col1=rainbow(10,alpha=0.5)[3] highlight=c(160,410,6,2,6,10 hg18",print.chr.lab=FALSE,W=4) circos(R=310,cir="hg18",W=20,mapping=TCGA.PAM50genefuhg18,type="label",6side 学会这个工具，多组学数据的环形可视化不成问题！
2K20编辑于 2022-03-29 - 来自专栏生信技能树
专注于多组学数据处理的生物信息学书籍推荐
生物信息学是一个交叉学科，结合了生物学、计算机科学和信息技术，用于处理和分析生物数据，特别是大规模的组学数据。 定性和定量蛋白质组学的生物信息学 - 探讨蛋白质组学数据分析。 基于质谱的代谢组学的生物信息学 - 描述代谢物的鉴定和定量。 组学与文献挖掘 - 结合组学数据和文献信息来提取生物学知识。 临床数据背景下的组学-生物信息学 - 讨论组学数据在临床医学中的应用。 因为个人时间精力问题，我自己的b站课程仅仅是ngs多组学以及单细胞技术的教程。 Cancer Data Service (CDS): CPTAC multiome snATAC seq data 内容: 癌症数据服务（CDS）提供了CPTAC计划中的多组学，以及单细胞水平的ATAC
79410编辑于 2024-11-21 - 来自专栏生信菜鸟团
CancerCell | 多组学癌症分子分型，可惜没公开代码
对发现队列进行了全面的多组学分析，包括全外显子测序（WES）、RNA测序（RNA-seq）以及基于同位素标记串联质量标签（TMT）的质谱（MS）技术进行的全局蛋白质组学和磷酸化蛋白质组学分析（图1A）。 需要进行包含更多胃肠道NET样本的多组学比较，以全面描述胃肠道胰腺神经内分泌肿瘤（GEP-NETs）中的独特和共享分子特征。 为了减少肿瘤内异质性对多组学分析的影响，快速冷冻的组织使用CryoPrepTM CP02（Covaris）设备粉碎，然后分成三部分。 下载：下载电子表格（15KB）表 S6。发现队列中蛋白质组学亚型（C1-C4）与临床病理和分子特征的关联分析，与图 4 相关。 下载：下载电子表格（16KB）表 S7。 蛋白质组学亚型预测详情，与图 6 和图 7 相关。A) 患者来源类器官。B) 患者来源异种移植。 下载：下载电子表格（11KB）表 S8。本文使用的寡核苷酸列表，与 STAR 方法相关。
74100编辑于 2025-04-18
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