- 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
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 此外，BioIVT还可提供脐带血样本，包括新鲜脐带血、脐带血血浆以及脐带血血清等不同形式，同时支持相关干细胞资源研究。经血样本则采用K2EDTA抗凝体系，可应用于女性生殖健康研究以及相关机制分析。 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。 图2：BioIVT提供多种生物体液样本如脑脊液、房水3、特殊组织样本资源除血液及生物体液资源外，BioIVT还提供多种来源于合规手术残余组织的人源组织样本，可用于体外模型建立以及毒理学研究等方向。 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 该软件用法也非常简单，基本用法如下 idr --samples peak1 peak2 --peak-list merge.peak --plot 最基本的输入文件为每个生物学重复样本的peak calling
5.1K30发布于 2020-05-07 - 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。 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。 2.汇总环境数据集 在环境学科中，通过给出数据集的平均值(算术平均值和±1个标准差)来总结数据集已经成为习惯。 因此，假设这些值符合高斯分布。 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Python与算法之美
单样本微调给ChatGLM2注入知识~
同时这也是一篇非常有趣好玩，具有强大实操性的ChatGLM2微调喂饭级教程。 我们演示了使用AdaLoRA算法，使用1条样本对ChatGLM2-6b实施微调。 几分钟就成功注入了"梦中情炉"有关的知识 summary: (1) 只需要1条样本，很少的训练时间，就可以通过微调给LLM注入知识。 学习时无需新知识特别多的样本，学习后原有的庞大知识和能力可以基本不受影响。 ,history = []) print(response) 七，总结延伸 我们演示了使用AdaLoRA算法，使用1条样本对ChatGLM2实施微调。 summary: (1) 只需要1条样本，很少的训练时间，就可以通过微调给LLM注入知识。 (2) LLM是一种知识数据库，支持增删改查。通过微调可以增删修改知识，通过条件生成可以查询提取知识。
1.3K20编辑于 2023-09-05 - 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R语言数据分析指南
ggplot2优雅绘制whittaker生物群系图
欢迎关注R语言数据分析指南公众号 ❝最近看到交流群内有朋友询问生物群系图的绘制方法，正好今天看到有一篇相关论文，本节就来学习一下生态学上一张非常经典的图whittaker生物群系图，此图即可展示不同生物群系的分布情况还可展示实际测量数据在生物群系中的位置 ，用于展示全球不同生物群系的分布关系。 案例图表将生物群系（如苔原、热带雨林、温带森林等）根据它们的温度和降水量范围进行分类和展示，通过此图可以直观地了解气候条件如何影响生物群系的分布。 Whittaker_biomes 数据集用于定义和绘制Whittaker生物群系图。这是一个分区图，显示不同生物群系在特定温度和降水量条件下的分布范围。 extractions 数据集应包含实际的温度和降水量测量值及经纬度信息，并在Whittaker生物群系图中作为点数据进行叠加。
1K10编辑于 2024-07-02 - 来自专栏Linux基础入门
（2）分子生物学专业名词
以“原噬菌体”的方式嵌存于宿主的DNA中，可随寄主繁殖，延续后代，“和平共处”，一般不引起细胞裂解 2、泛基因组(Pan-genome)：是某一物种全部基因的总称, 其中包括核心基因组(该物种所有个体中都存在的基因 降低或者提高,但是当你得出结果以后,你并不知道是它本身的表达降低/提高了,还是你操作过程中造成的误差（比如提RNA时的损失）,所以这个时候需要同时检测另外的基因作为参照.这个基因就是内参基因,这类基因是生物体或者细胞中稳定表达的基因 是指DNA、蛋白质等生物大分子中的保守序列，介于二级和三级结构之间的另一种结构层次。 12、转录本是由一条基因通过转录形成的一种或多种可供编码蛋白质的成熟的mRNA。
1.1K20发布于 2020-08-26 - 来自专栏生信补给站
差异分析|DESeq2完成配对样本的差异分析
前段时间拿到一个RNA-seq测序数据（病人的癌和癌旁样本，共5对）及公司做的差异分析结果（1200+差异基因），公司告知用的是配对样本的DESeq分析。 询问公司DESeq配对分析的代码，公司说保密不能给，此外公司还告知现在的配对样本的分析都改用了DESeq2。好吧，那就只能自己动手，以下为探索过程的一个记录。 = "TMM") DGElist_norm$samples$norm.factors # 查看每个样品归一化后的系数 DGElist_QC$samples$norm.factors #未归一化之前的样本系数 <- as.data.frame(results(dds)) nrDEG_DESeq2 = nrDEG_DESeq2[order(nrDEG_DESeq2$log2FoldChange),] ## 重要的是，针对配对的样本，如果不进行配对分析而用常规的差异分析，这样的结果可能会大不相同。因此，在分析数据的时候，一定要明白实验设计。 最后，我还发现有意思的一个情况。
8K42发布于 2021-03-03 - 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DeepHub IMBA
零样本和少样本学习
，这意味着在支持集中学习W和b: 样例 考虑 3-way 2-shot的支持集。在每个图像上应用神经网络F以进行特征提取。由于每个类都有两个图像，因此每个类都有两个特征向量。 d(img1, img2) =图像间差异程度，若d(img1, img2) <= r:相同;若d(img1, img2) > r:不同 零样本学习 首先，让我们看看为什么零样本学习很重要。 “监督”来源:(1)类属性的手工标注，(2)分类类层次的矢量编码 “无监督”来源:现有的非结构化数据(Word2Vec就是一个例子) 零样本学习的一些问题 1、领域转移时零样本学习需要重新训练/测试 2、多标签zero-shot 有时我们想要多标签分类，而不是单标签分类，这是处理分类向量就会很麻烦，这时可以添加每一个可能的组合向量，例如:树，树+山，树+海滩，…，但是这其实造成了实际分类数量的成倍的增长 ，协变量上下文向量:距离、俯仰、速度、横摇、偏航等 2、跨语言词典归纳：查找不同语言的单词对应 总结 零样本和少样本学习方法减少了对注释数据的依赖。
1.4K20编辑于 2022-11-11 - 来自专栏科技记者
QIIME 2 2025.7：微生物数据分析再升级！
QIIME 2 2025.7 QIIME 2 2025.7 作为今年的功能版本，本次更新延续了团队一贯的高质量节奏，带来了多项插件增强、框架优化以及文档更新。 比如 q2-alignment 插件新增了 --large 参数，优化了大文件比对时的内存使用； q2-annotate 支持 Kaiju 分类的拼接序列输入，并引入了 BUSCO 完整性与污染度指标； 对于从事微生物组、环境基因组或临床微生态研究的科研人员而言，QIIME 2 正在不断拓展其边界，成为不可或缺的分析平台。 关于QIIME 2 QIIME 2 是一个专为微生物组和多组学数据分析打造的开源平台，它不仅免费、可扩展，而且由全球科研社区共同开发与维护。 参考： https://qiime2.org/ https://qiime2.org/news/qiime-2-2025-7-is-now-available-33447/
45710编辑于 2025-11-17 - 来自专栏单细胞
单样本Cellchat(V2)细胞通讯分析学习和整理
信号通路活性： 通过分析哪些信号通路在不同细胞类型之间被激活，研究者可以了解哪些信号通路在特定生物学过程中起作用，如细胞分化、免疫反应或疾病状态等。 功能富集分析： 细胞通讯分析还可以与功能富集分析结合使用，探讨哪些生物学功能或通路受到特定细胞通讯的调控。 5、这个版本还增加了更多的附加注释信息：比如UniProtKB关键字（包括生物过程、分子功能、功能类别、疾病等）、亚细胞位置以及与神经递质的相关性。 如何预测细胞间通讯情况：1、Cellchat给每个交互作用情况一个概率并进行排列检验(permutation test)来推断生物学意义上的细胞通讯。 一般来说，当模式数量超过2时，在生物学上更有意义。此外，开发者还提供了一个 selectK 函数来推测合适的模式数量。
2.5K21编辑于 2024-09-21 Boltz-2：高效准确的生物分子结合亲和预测
说话人2 简单理解它不只看分子一个固定的样子，而是考虑了它可能存在的各种动态姿态，这样就更接近生物体内的真实情况，对吧？ 说话人1 更动态更真实，明白了。 说话人1 还有呢？ 说话人2 就可以进行从头设计了。 说话人2 他们针对一个叫TYZ2的激酶靶点做了个例子， 说话人1 结果呢？ 说话人2 这意味着不管是学术界的研究者，还是工业界的药企，都可以更容易地用上这个工具，或者在它的基础上继续开发。对加速整个领域攻克复杂疾病，设计新的生物分子绝对是个大利好。 本研究介绍了Boltz-2，这是一个新的基础模型，旨在阐明生物分子相互作用，特别关注蛋白质与小分子的结合亲和力预测。该模型在结构准确性和物理基础方面有所改进，并能预测动态分子集合，超越了其前身模型。 虽然它在抗体-抗原复合物预测方面仍有进步空间，但Boltz-2在识别活性化合物和提供精确亲和力预测方面表现出色，其开放许可旨在加速生物分子建模领域的进步。
41610编辑于 2026-01-08. | 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。 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。 结果显示，在30万样本规模下，MetaSTAARlite的峰值内存消耗相比MetaSTAAR降低332倍，相比Raremetal2降低1386倍；运行时间分别缩短24倍和2206倍。 相比之下，Raremetal2即使分配768 GB内存仍无法完成任务。 进一步分析发现，MetaSTAARlite的运行时间和内存占用均随样本量近似线性增长，显示出优异的扩展能力。 对于每个性状，全基因组汇总统计量仅需约1–2 GB存储空间。 研究结果证明，MetaSTAARlite能够在多祖源、大规模生物样本库环境下稳定运行，并保持优秀的统计效能和资源利用效率。
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。 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。 结果显示，在30万样本规模下，MetaSTAARlite的峰值内存消耗相比MetaSTAAR降低332倍，相比Raremetal2降低1386倍；运行时间分别缩短24倍和2206倍。 相比之下，Raremetal2即使分配768 GB内存仍无法完成任务。 进一步分析发现，MetaSTAARlite的运行时间和内存占用均随样本量近似线性增长，显示出优异的扩展能力。 对于每个性状，全基因组汇总统计量仅需约1–2 GB存储空间。 研究结果证明，MetaSTAARlite能够在多祖源、大规模生物样本库环境下稳定运行，并保持优秀的统计效能和资源利用效率。
14900编辑于 2026-06-05 - 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
/ For current operations, 1) unableToStart, which notifies the caller-side, then // 2) dev->common.tag = HARDWARE_DEVICE_TAG; dev->common.version = FINGERPRINT_MODULE_API_VERSION_2_ = HARDWARE_MODULE_TAG, .module_api_version = FINGERPRINT_MODULE_API_VERSION_2_
5.4K31编辑于 2022-09-22 - 来自专栏贾志刚-OpenCV学堂
【模型免训】DINOv2+SAMv2打造基于参考样本的实例分割
整个模型方法直接评估，无需微调，使用冻结的SAMv2+DINOv2模型在不同的数据集上均达到了少样本跟零样本的SOTA。 下图是使用我们的无训练方法在CD-FSOD基准测试上的跨领域单样本分割结果。 最终作者结合了视觉基础模型 DINOv2无标签学习泛化优势与SAM2的多模态输入与mask生成能力实现了完全免训练，基于参考样本的实例分割模型，整体架构如下： 整体工作流程是先通过参考样本DINOv2进行记忆特征提取 在推理阶段首先通过SAMv2的全图分割能力实现Mask生成，然后基于每个对象的Mask与参考记忆银行做余弦特征相似比对，最终实现无训练模式下记忆参考样本的精准实例分割。 SAMv2解释 Mate在SAM的基础之上推出的多模态视觉大模型SAM2（Segment Anything Model 2）—一个致力于解决图像与视频可提示视觉分割任务的基础模型。
31810编辑于 2026-04-02 - 来自专栏生信喵实验柴
临床样本检测
metagenomics on a nanopore）为封面，刊登了英国东安格利亚大学 Justin O'Grady 博士及合作者共同发布的首个使用纳米孔技术的快速、经济的宏基因组测序方法，直接从患者呼吸道样本中准确快速地识别细菌病原体 据悉，为了能够准确、快速地识别细菌病原体，研究团队开发了一种能够从临床样本中去除多达 99.99％的宿主核酸的流程，并在便携式 MinION 测序仪上开展了实时的检测和分析。 细菌性下呼吸道感染(LRI)培养法诊断敏感性差且太慢，不能指导早期的靶向抗生素治疗； 2. 二、下载数据 https://www.ebi.ac.uk/ena/browser/view/PRJEB30781 三、病原微生物鉴定 3.1单个样本 过滤宿主序列 #数据路径 #/data -ax map-ont $REF $READ -Y -N 20 -t 12 >minimap2.sam samtools fastq -f 4 minimap2.sam | gzip >P10.filter.fq.gz
87120编辑于 2023-02-24 - 来自专栏全栈程序员必看
Cocos2d Lua 越来越小样本 内存游戏
就消掉这两张牌，得2分，能够继续翻牌，假设两张牌不一样，就换一个人。直到最后。看谁的得分高。 游戏设计思想能够看这篇文章《Cocos2d 游戏状态机》 2. = cc.p(self:getPosition()) local s = self:getContentSize() local touchRect = cc.rect(-s.width / 2 还没玩过Quick cocos2d-x。 4.cocos2d lua 使用感受 使用Cocos2d-x的C++编程感觉是最舒服的，尽管C++语法有写难。但不easy遇到非常奇怪的Bug。 还有Cocos2d-x C++ 能用上最新版本号，移植Android和IOS没什么问题。 还有Cocos2d-x C++感觉能写出较高质量的代码。还有VS2012非常好用。 cocos2d JS还是用WebStorm编写比較爽。Cocos Code Ide 跟VS2012和WebStorm还有差距，某些方面由于是集成Cocos的游戏框架，所以某些方面比較好用。
96010编辑于 2022-07-06
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