- 综合排序
- 最热优先
- 最新优先
- 来自专栏蛋白表达与生物实验技术
BioIVT人源生物样本体系解析：血液样本、生物体液与组织样本在药物研发中的应用
摘要：高质量、伦理合规的生物样本是药物研发、体外诊断开发以及基础生命科学研究的重要基础。随着精准医学、生物标志物研究以及细胞治疗等方向持续发展，对于样本来源、样本质量以及数据完整性的要求不断提高。 关键词：BioIVT、人源生物样本、人源血液样本、生物体液、组织样本、伦理合规样本、临床研究样本、药物研发、体外诊断一、BioIVT品牌简介BioIVT作为生物样本及研究服务提供机构，以“ElevatingScience 二、BioIVT核心样本体系BioIVT建立了较丰富的生物样本资源体系，覆盖血液、生物体液以及特殊组织等多个方向，同时支持根据研究需求开展定制化样本获取方案。 图1：BioIVT提供人源及动物源血液样本2、多种特殊生物体液样本除常规血液样本外，BioIVT还可提供多种特殊生物体液资源，用于神经系统疾病研究、代谢研究以及无创检测等方向。 四、生物样本在药物研发中的应用价值随着精准医学、生物标志物研究以及细胞治疗领域快速发展，高质量生物样本的重要性持续提升。
11310编辑于 2026-05-26 - 来自专栏Listenlii的生物信息笔记
Frontiers: 样本量决定了微生物数量
Published: 07August 2019 Link: https://www.frontiersin.org/articles/10.3389/fmicb.2019.01820/full#h1 核心结果：微生物 共取得144个样本。 Grid：保持和Representative相同的测序深度。样本按照网格的位置取得151个样本。 从1798个样本随机抽取144个。过程重复10次取平均。 OTU按照序列丰度占整个数据集的大于/小于0.001%划分为common/rare物种。 结果 样本量和OTU的关系。实线为rare物种。 在仅有4%的样本时common物种已经不再增加。点是grid采样方法，线为random采样方法。几乎没有差别。红色的点和线为增加采样量的结果，可以更快的得到较多的物种数。 建议 在给定的区域内需要较高的样本数量，即减少样本之间空间上的距离，增加样本个数来得到更多的rare OTU。 挖一个坑： 本文虽然揭示了样本量的重要作用，但是并没有很多具有实际指导意义的定量结论。
65731发布于 2020-06-01 - 来自专栏生信修炼手册
使用IDR软件处理生物学重复样本的peak calling
对于chip_seq, atac_seq等实验而言，生物学重复样本的peak calling结果很难完全一致。 对于多个生物学重复样本的peak calling结果, 如何筛选出最终的可以代表这一组样本的peak是一个难题。 目前常见的策略有以下几种 直接合并生物学重复样本的reads, 然后进行peak calling,这样一组样本只会有一个peak calling的结果，这样的做法投机取巧，丢失了生物学重复的意义，忽略重复样本之间的异质性 ，不够稳定 采用IDR软件评估生物学重复样本间的相关性，并根据阈值筛选出最终的一组peak IDR是Irreproducible Discovery Rata的缩写，代表不可重复性率，是一个专门用于从多个生物学重复样本的 通过IDR软件可以很方便的处理生物学重复样本的peak calling结果，筛选出一组一致性高的peak。
5.1K30发布于 2020-05-07 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球10m生物气候产品
简介 生物气候变量来源于月温度和月降雨量，常用于物种分布模型和生态相关模型等。生物气候变量反映年度趋势、季节性、极端或限制性环境因素。 前言 – 人工智能教程 生物气候是指生物和气候之间的相互作用和影响。 生物影响气候的方式有很多，包括植物的光合作用、蒸腾作用、放射作用、土壤微生物代谢作用等等，而气候也会对生物产生很大的影响，包括温度、湿度、日照、降水等等因素。 生物气候研究的主要目的是揭示生物系统与气候系统之间的相互作用机理，从而更好地了解和保护生态系统。 生物气候产品 */ //加载全球10m生物气候数据 var img = pie.ImageCollection("WORLDCLIME/BIO_10M") .select("BIO1
41010编辑于 2024-02-02 - 来自专栏Listenlii的生物信息笔记
微生物领域名言（8）环境样本是什么分布？
这在环境科学中经常被忽视，可能是因为样本大到足以“安全”的假设为正态分布。 但在环境科学中，观测的数量往往很少，潜在的数据分布通常不能充分确定。然而正态分布的假设通常是粗心地从这些数据中计算出来的。 1.对正态分布假设的判断 使用正态分布进行假设检验和描述的理由有两个： 首先，中心极限定理指出，如果每个样本的均值和方差是有限的，并且误差来源可以被认为是可加的，那么大量独立观测值的分布将收敛到以算术平均值 由于基本统计已经在许多教科书中进行了深入的讨论，在此则强调重复测量并使用标准差与报告若干独立环境样本之间的区别。 科学家用(相对)标准偏差分析测量误差，以量化方法的不确定度、精密度和重现性。 与分析测量误差相比，河流中有机碳浓度或生物膜内DNA含量等环境参数的变化不是同样意义上的随机变化，误差项并不总是可加的，因此，测量结果不一定是正态分布的。 此外，如果样本大小足以计算分位数，则有许多可靠的图形选项，如用于低样本量的strip 和dot-frequency charts或box-whisker plots。
95261发布于 2021-01-05 - 来自专栏小鹏的专栏
机器学习-10：MachineLN之样本不均衡
什么是样本不均衡？ 样本不均衡：在准备训练样本的时候，各类别样本比例不等，有的差距可能比较小，有的差距则会比较大，以CIFAR-10为例： CIFAR-10是一个简单的图像分类数据集。 如下图：Dist. 1：类别平衡，每一类都占用10%的数据。Dist. 2、Dist. 3：一部分类别的数据比另一部分多。Dist. 4、Dist 5：只有一类数据比较多。 Dist. 10、Dist. 11：交通工具对应的类别中的样本数都比动物的多。 2. 为什么要解决样本不均衡？ 训练网络使用的是CIFAR-10的结构，下面是测试结果：可以看出总的准确率表现不错的几组1,2,6,7,10,11都是大部分类别平衡，一两类差别较大；而表现很差的，像5,9可以说是训练失败了，他们的不平衡性也比前面的要强 机器学习-9：MachineLN之数据归一化 10. 机器学习-10：MachineLN之样本不均衡 11. 机器学习-11：MachineLN之过拟合 12.
48720编辑于 2022-05-09 - 来自专栏科技记者
全球生物样本库荟萃分析倡议 (GBMI)+整理的一个github的repo
29 个具有不同起源和祖先的生物样本库和倡议已加入 GBMI 全球生物样本库荟萃分析计划[1] 全球生物样本库荟萃分析倡议 （GBMI） 旨在创建一个框架，以启动全球生物样本库和倡议合作。 为全基因组关联研究 （GWAS）提供更好的功效 • 更准确的多基因风险评分 • 未充分研究的疾病的 GWAS • 交叉验证的机会 • 精细映射的改进 • 探索亚组分析的潜力 旗舰项目 我们对多达 18 个生物样本库的 表型清单（在 Google 表格[2]上浏览）包含汇总统计文件的位置和详细信息（全生物样本库荟萃分析，按性别和血统群体分层，包括至少两个生物样本库） Pheweb 链接[3] 使用全生物样本库多血统荟萃分析和省略 Biobanks_summary_statistics[6] 这是我最近收集的一个可用的 PheWeb 网站和生物样本库项目，在以下文件中列出： Datasets.md [7]生物样本库 summary_statistics 参考资料 [1] 全球生物样本库荟萃分析计划: http://results.globalbiobankmeta.org/ [2] Google 表格: https://docs.google.com/
77411编辑于 2024-01-02 - 来自专栏生信技能树
祖传的单个10x样本的seurat标准代码
全部链接是： 「生信技能树」单细胞进阶数据处理之文献导读，链接是：https://www.bilibili.com/video/BV17f4y1R7N8 「生信技能树」使用10X单细胞转录组数据探索免疫治疗 这里做一个统一的代码更新 复制粘贴就可以使用的代码哦，单个10x样本的seurat标准代码如下： ### --------------- ### ### Create: Jianming Zeng ## ## ### --------------- rm(list=ls()) options(stringsAsFactors = F) library(Seurat) pro='S1' # 搞清楚你的10x 单细胞项目的cellranger输出文件夹哦 hp_sce <- CreateSeuratObject(Read10X('scRNAseq_10_s1/filtered_feature_bc_matrix <- sce.markers %>% group_by(cluster) %>% top_n(10, avg_logFC) DoHeatmap(sce,top10$gene,size=3) ggsave
2K33发布于 2020-08-28 - 来自专栏Chris生命科学小站五年归档
每个样本只要10元的转录组分析教程
本教程就是跟大家一起去挖掘二代测序结果的数据，从你什么也不会开始，到最后得到Figure。其实关键节点在于怎样获取二代测序的数据，得到了数据框结合其他平台的挖掘教程，为大家发高效发文章加油！
47730编辑于 2023-02-12 - 来自专栏生信技能树
10X Visium:空间转录组样本制备到数据分析
识别复杂生物系统中空间基因表达差异的能力对我们理解发育生物学和疾病的进展至关重要。 5000个含有数亿个寡核苷酸的数据点，用于捕获mRNA 灵敏度高 简单的仅需1天的组织和文库制备工作流程 根据不同组织类型，每个数据点平均捕获1至10个细胞 在新鲜冷冻组织样本上进行过验证 包含所有载玻片和试剂 无需仪器 overview 组织样本准备 成像 测序 数据分析 ---- 参考 Envision New Dimensions: Getting Started with the Visium Spatial Gene Expression Solution(https://pages.10xgenomics.com /wbr-2019-10-29-event-ra_g-apac-visium-launch-getting-started-watch-on-demand.html?
1.2K20发布于 2021-10-21 流程更新----python版本分析10X HD数据（单样本）
还是那句话，做项目，钱多钱少大家没办法决定，但是大家能决定的是，机遇（样本）来临，能抓住（能分析好），就可以了。 好了，我们，我们要开始更新我们的分析流程了，我们以10X的官方示例数据为例，python分析单样本的HD数据，多样本整合我们放到下一篇。 array_row', 'array_col' var: 'gene_ids', 'feature_types', 'genome' uns: 'spatial' obsm: 'spatial'单样本 sc.pl.spatial(adata, img_key="hires", color="clusters")跑的过程如果服务器性能好的话是没有什么问题的，如果查一点，可能会断掉，不过比R版本已经好很多了，作为项目，单样本的基础分析到聚类就可以了 接下来我们会分享一些python的多样本HD数据整合和结合图像识别的内容。生活很好，有你更好
40520编辑于 2024-10-25- 来自专栏MyBlog
利用误分类样本来防御对抗样本
作者首先讲正确分类的样本集合记做 ? ，误分类的样本集合记做 ? 。统一使用对抗训练进行防御，分别只对 ? 和 ? 进行扰动，以及两者均进行扰动，比较这三者的对抗鲁棒性。 这里的扰动，指的就是生成对应的对抗样本加入到训练集合中 对抗鲁棒性指的是，在对抗样本作为输入时，模型的精度 ? 首先作者改变了扰动的方法，将PGD切换成FGSM，分别单独作用于两个样本集合中，从最终的结果上看，仍然是对误分类样本扰动对鲁棒性的提升比较明显，如下图所示： ? (反之，如果模型对于对抗样本和正常样本的输出分布类似，鲁棒性越高？) 然后我们看蓝色虚线（BCE[以扰动样本作为输入]+KL散度）和绿色线（BCE[以普通样本作为输入]+KL散度），说明基础的精度那一项的输入还是扰动样本要优。 KL项的系数 ?
94110发布于 2021-03-16 - 来自专栏单细胞天地
三个10X单细胞转录组样本CCA整合
前面我在单细胞天地分别介绍了如果因为种种原因仅仅是测了一个样本的10X单细胞，或者走经典的2个样本的10X样本该如何分析，并且辅助自己的生物学故事，如下： 我的课题只有一个10x样本肿么办？ 两个样品的10x单细胞转录组数据分析策略 其中，我委婉的指出来了，那个文章对两个两个样本的10X单细胞转录组数据的整合是有问题的，不过他们文章发表期刊是 Immunity影响因子很高，二十多分，其实单细胞对他的生物学故事来说是锦上添花 多个样本整合 单细胞水平的研究是仅次于NGS的一次生物信息学领域的革命，同样的随随便便发CNS的黄金时期也过去了，现在想发高分文章，拿多个病人的多个样本进行单细胞转录组测序是非常正常的，这篇文章就是3 个样本。 这个其实是 两个样品的10x单细胞转录组数据分析策略 所展现的，只不过是那篇文章既没有提到如何整合2个10X单细胞转录组样品，也没有对细胞亚群进行生物学注释，总体来说，显得太苍白。
2.6K31发布于 2020-03-30 - 来自专栏单细胞天地
10X Visium:空间转录组样本制备到数据分析
识别复杂生物系统中空间基因表达差异的能力对我们理解发育生物学和疾病的进展至关重要。 5000个含有数亿个寡核苷酸的数据点，用于捕获mRNA 灵敏度高 简单的仅需1天的组织和文库制备工作流程 根据不同组织类型，每个数据点平均捕获1至10个细胞 在新鲜冷冻组织样本上进行过验证 包含所有载玻片和试剂 组织样本准备 ? ? ? ? ? ? ? ? ? ? ? 成像 ? ? ? ? 测序 ? ? ? ? ? 数据分析 ? ? ? ? ? ? ? ? ? ? ? ? ? Envision New Dimensions: Getting Started with the Visium Spatial Gene Expression Solution(https://pages.10xgenomics.com /wbr-2019-10-29-event-ra_g-apac-visium-launch-getting-started-watch-on-demand.html?
93031发布于 2020-12-28 - 来自专栏DeepHub IMBA
零样本和少样本学习
而·少样本学习的思想是通过比较数据来学习区分类，这样模型使用的数据更少，并且比经典模型表现得更好。在少样本学习中通常会使用支持集（support set）代替训练集。 少样本学习是一种元学习技术。 K-Way N-Shot支持集：支持集具有K类，每个类都有N样本。N-Shot意味着为每个类提供的样本数。如果每个另类都有更多样本，模型可以学习的更好。 孪生网络 孪生网络使用正面和负样本进行分类。 通过比较这样就得到了我们的预测分类 单样本学习 one-shot learning是少样本学习的一种特殊情况，即从一个样本学习并再次识别物体。 从监督到零样本的模式识别 我们以前在经典的分类模型中的做法是这样的: 但当出现新的类别时，该怎么做呢?关键是零样本学习。零样本学习的主要思想是将类别嵌入为向量。
1.4K20编辑于 2022-11-11 - 来自专栏单细胞天地
我的课题只有一个10x样本肿么办？
前面我们介绍过，如果只有两个10x单细胞转录组样本的数据， 该如何分析，见：两个样品的10x单细胞转录组数据分析策略 ，实际上这个分析策略的文章里面并不是把单细胞转录组数据当做是重点，分析也是很草率，之所以加上单细胞转录组数据 什么情况下，我们会用尽全身力气来分析我们的10x单细胞转录组样本的数据呢，最有可能的场合是，我们只有一个样本，有可能是样本本身非常稀有，又或者我们的经费确实有限，那我们就来看一下具体一点的例子吧。 仅仅是一个样本的10x单细胞转录组测序，经过质控，剩下2824个细胞，如图： ? 把近三千的细胞分成5群后，全文就主要集中在讨论不同亚群细胞的生物学功能了。 这些亚群特异性基因就可以拿去做GO/KEGG数据库注释来说明它们不同亚群的生物学差异以及可能对病人治疗的帮助。
1.3K40发布于 2020-03-30 . | 生物样本库规模全基因组测序Meta分析统一框架
然而，由于隐私保护和数据共享限制，不同生物样本库之间往往难以直接共享个体水平数据，从而限制了联合分析的统计效能。 传统Meta分析工具虽然能够整合多个队列结果，但在处理生物样本库规模的WGS数据时面临存储开销大、计算效率低以及难以整合功能注释信息等问题。 研究人员开发了MetaSTAARlite，这是一个面向生物样本库规模全基因组和全外显子组测序Meta分析的一体化工具。 显著位点的log10(P)值相关系数超过0.999。 此外，MetaSTAAR-O相比传统Burden、SKAT和ACAT-V方法通常获得更小的P值，并发现了一些其他方法未能检测到的关联信号。 讨论 研究人员开发的MetaSTAARlite为生物样本库时代的稀有变异Meta分析提供了一套完整解决方案。
11610编辑于 2026-06-04- 来自专栏DrugOne
. | 生物样本库规模全基因组测序Meta分析统一框架
然而，由于隐私保护和数据共享限制，不同生物样本库之间往往难以直接共享个体水平数据，从而限制了联合分析的统计效能。 传统Meta分析工具虽然能够整合多个队列结果，但在处理生物样本库规模的WGS数据时面临存储开销大、计算效率低以及难以整合功能注释信息等问题。 研究人员开发了MetaSTAARlite，这是一个面向生物样本库规模全基因组和全外显子组测序Meta分析的一体化工具。 显著位点的log10(P)值相关系数超过0.999。 此外，MetaSTAAR-O相比传统Burden、SKAT和ACAT-V方法通常获得更小的P值，并发现了一些其他方法未能检测到的关联信号。 讨论 研究人员开发的MetaSTAARlite为生物样本库时代的稀有变异Meta分析提供了一套完整解决方案。
14900编辑于 2026-06-05 - 来自专栏量子位
嫦娥五号样本研究登上Science：比阿波罗号样本“年轻”10亿年，填补了月球年龄研究空白期
这个数字使得月球的地质活跃期延长了10亿年左右，填补了现阶段月岩样本年龄的空白期。 那么，这个结果到底是怎么得出的，科学家们还从月壤中得到了哪些新发现？ 月球年轻了10亿岁 其实，这次嫦娥5号这次的任务之一，就是寻找月球上最年轻的火山表面样本。 所以我们先来康康挖回来的土样本长什么样： 是五彩斑斓的黑！ 所以，对比长久以来人们认知范围内的月球的“青年时期”，这次研究带来的新数字让这一时期“延长”了10亿年左右。 再看NASA的月球勘测轨道飞行器（LRO）收集到的所有月球环形山的年龄列表，也能发现这些环形山的年龄都小于10亿年。 因此，这项研究也填补了30亿～10亿年前的空白，能帮助人类更好地研究月球及太阳系中的其他岩石行星。
47120编辑于 2023-03-01 - 来自专栏全栈程序员必看
生物识别指纹_生物指纹识别技术
锁屏要使用指纹解锁，首先要注册指纹服务，我看过的一些大厂项目中，实际上是在KeyguardUpdate.java类中发起注册的，一般是根据当前状态，是不是已经处于上锁状态（侧边指纹机器，是不等上锁即进行指纹服务注册，屏下指纹需要等上锁后，才发起指纹服务注册）。
5.4K31编辑于 2022-09-22
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