- 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 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。 图3：BioIVT提供特殊组织样本，如正常人体皮肤组织三、BioIVT样本体系特点BioIVT样本体系主要特点体现在伦理合规、质量管理、数据完整性以及定制能力等多个方面。 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？
via%3Dihub#bb0020 “如果我们知道个体的误差和波动完全遵循神奇的钟形曲线，那么最终的估算结果几乎具有人们能够想到的所有优良特性”。 A. Tarantola. 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。 3.假设检验 正态假设在许多流行的参数假设检验中也是普遍存在的，如t检验、F检验等。假设检验是基于假设拒绝的思想。先验地设置了两种互斥的情况，即零假设和备择假设。
95261发布于 2021-01-05 - 来自专栏博文视点Broadview
从生物工程到生物“打印”，3D打印颠覆想象
---- 被称之为“3D 打印”实际上并不是什么打印，而是一种产品制造和生产的过程。这些产品的制造和生产早就存在，“3D 打印”只不过是提供了另外一种快速而精确生成的方法而已。 如今有了3D 打印技术，如果你的牙科医生有一台能打印牙齿的3D 打印机的话，那么他就不需要到别的地方为你预定假牙了，可以用打印机打印一个出来。 目前，3D 打印逐渐被应用到生物和医学研究中，特别是与器官移植等有关的再生医学中，也是基于近几十年来生物和医学突飞猛进的发展，如克隆技术、干细胞的研究、组织工程、人造器官的研究等领域所取得的丰硕成果，才为 3D 生物打印开启了大门。 在生物工程发展了几十年之后的今天，我们才有了谈及“3D生物打印”的可能性。 本文摘自《喷头下的世界：漫谈3D打印》
94710发布于 2020-06-11 - 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。 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/ spreadsheets/d/1sSU_JfPKs6EZLcY9t3gXsSGPZA1LsP_z/edit?
77411编辑于 2024-01-02 - 来自专栏机器人网
Organovo：开创3D生物打印新纪元
估计有40000只猴子和3千万小白鼠被用于生物和医药研究，不过它们可能很快就要失业了。 Casey Research将公司的描述成一个开发3D人体组织打印技术去制造人体组织用于外科手术和研究的公司。 Organovo 利用NovoGen MMX Bioprinter将液体状的人类细胞簇群（Organovo团队将其称为‘生物墨水bio-ink’）制造了“全功能的组织（即器官）。 为了制造3D结构的器官，Organovo利用打印机 将这些细胞按设计好的形状装配成形。”
93540发布于 2018-04-12 - 来自专栏朴素人工智能
Meta Learning 3: 少样本文本分类 InductionNet
总结 InductionNet介绍了一种根据知识库中的支持样本作为参考，将新的样本进行分类的做法。其中最重要的部分，就是利用动态路由的方法「归纳」各个支持样本的表征，得到类别的数值表征。
1.2K10发布于 2021-03-15 - 来自专栏刘旷专栏
全产业链布局深入，华熙生物要做生物科技的3M？
反过来说，成熟的技术体系有效支撑了华熙生物在各个领域将玻尿酸等生物活性物质原料的应用潜力开发出来。 很多国际科技企业的成长逻辑也是如此，比如3M公司。 3M拥有材料、工艺、研发、数字化、应用开发五大技术体系，而每个体系下又包含丰富的生态环节，比如材料技术体系，有研磨、粘接、电子材料、生物材料、薄膜等共计15种差异化材料。 基于成熟的技术体系，华熙生物的创新转化也在迈出更大的步子。比较典型的就是前面提到的玻尿酸食品。 华熙生物此前曾明确表示，功能性食品业务将是华熙生物未来几年的重点发力方向。 产业化和平台化是华熙生物未来科技战略的两个关键词，为此华熙生物还在今年1月上线了“华熙生物研究院”，愿景是构建共享研发平台、企业中试平台和应用平台，实现产业链的共赢。
49030发布于 2021-04-16 - 来自专栏Linux基础入门
（3）分子生物学专业名词
3、转录单位是指RNA的合成是由RNA聚合酶（RNA polymerase)催化的。 原核生物的转录单位往往可以包括一个以上的基因，基因之间为间隔区，转录后形成多顺反子mRNA，可以编码多条不同的多肽链。 真核生物的转录单位一般只有一个基因，转录后形成单顺反子mRNA，只编码一条多肽链。 4、共转录：(1)原核生物的基因以多顺反子或操纵子形式存在，被转录为一个共同的信使核糖核酸(mRNA)。 同一个样本中基因A和基因B的相对表达量，或者不同样本中，同一个基因的相对表达量。 11、Rho依赖性转录终止：指原核生物转录过程中一种需要依赖Rho因子辅助才能完成转录终止的现象。 14、原生动物门（Protozoa）是原生生物界的一门，为最原始、最简单、最低等的生物。它们的主要特征是身体由单个细胞构成的，因此也称为单细胞动物。 15、底物：能和特异的酶结合的物质。 ?
1.1K20发布于 2020-08-26 - 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
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。 ，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。 由于我们有3类别，我们将有3个平均的向量。现在我们把它们标准化。每个向量是每个类的表示。对于预测，我们输入一个查询图像。得到查询图像的特征向量。 我们再将其标准化，然后将这个向量与3个均值向量进行比较。 3、深度网络能够进行零样本学习 将许多经典的和最新的迁移学习算法作为特殊情况目前还无法验证否有好处 目前零样本学习的进展和应用 1、将其用于音频识别|无人机视觉类向量=>上下文向量，通过上下文向量对任何新的上下文进行泛化例如在无人机视觉中
1.4K20编辑于 2022-11-11 - 来自专栏Listenlii的生物信息笔记
微生物领域名言（3）Everything is everywhere的历史
这句话经常被用作研究原核生物和原生生物多样性及其生物地理格局问题的起点；以及群落构建机制理论，隐藏于经典的生态位理论中。 Baas Becking认为微生物在地球上均匀地传播和分布，当所有的微生物分布在世界各地时，在一个特定的环境中，大多数微生物物种只是潜伏在那里。 因此在小范围内，大多数微生物的生物多样性是隐藏的，我们无法观察到，因为大多数物种的密度将低于我们的检测极限。 这并不是说没有生物地理模式，而是说因为微生物是无限分散的，环境条件将决定其分布，而不是任何特定的地理因素。因此微生物的进化将受到生态的驱动，而地理将在其中不起任何作用。 of Science Part C: Studies in History and Philosophy of Biologicaland Biomedical Sciences (2008) 39(3)
4.2K41发布于 2020-11-03 . | 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。 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。 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- 来自专栏新智元
AlphaFold 3一夜预测地球所有生物分子，谷歌DeepMind颠覆生物学登Nature头版！
AlphaFold 3一经推出，就登上Nature头版。从此，人类冲破「蛋白质宇宙」，所有生物分子结构都可以预测了！ 而AlphaFold 3的诞生，则让生物分子领域的研究拓展到了蛋白质之外。 生物可再生材料、更耐用作物的培养、药物设计和基因组学研究等等，可能将很快迎来颠覆性变革。 而按照当前实验结构生物学的发展速度，这本需要数亿researcher-year的工作。 有了AlphaFold 3，从此生物世界可以以高清晰度呈现。 在AF3的开发过程中，团队发现某些模型功能很早就达到了顶峰并开始下降，这很可能是因为对这些功能的训练样本数量有限导致了过拟合，而其他功能则仍然训练不足。 AlphaFold 3不仅将彻底改变我们对生物系统的认识，还将以前所未有的水平上确定新的、特异的化学或生物药物！我无法用言语来形容这是一个多么重大的进步！真是叹为观止！
53610编辑于 2024-05-14 - 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。 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。 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 - 来自专栏生信喵实验柴
临床样本检测
目前识别细菌感染的主要方法是细菌培养，通常需要 2~3 天时间，且敏感性较差。患者在此期间通常接受广谱抗生素治疗，从而可能加剧抗生素抗药性的问题。 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。 作者开发了一种用于细菌 LRI 诊断的宏基因组学方法，基于皂苷有效去除 99.99%的宿主DNA 并结合纳米孔测序； 3. 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 "1 $PWD/${i} ${i%.*.gz}.result ${i%.*.gz}.report";done; #保存结果到temp.list中 awk '{print $1"\t"$2"\t\t"$3"
87120编辑于 2023-02-24 - 来自专栏前行的CVer
图神经网络3-应用:零样本动作识别
AAAI 2019 用GCN做视频的零样本动作识别 论文：I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph 任务介绍 零样本动作识别，提供一些已知类和已知类上的训练样本，要把从已知类学习到的知识迁移到未知类。 通过3层GCN（2048-1024-512），最终输出一个矩阵：d\times O，通过该实例分支，对于每一个视频，我们都能得到其对应的鲁棒的attribute-feature。 网络训练，对于所有已知类的样本，采用交叉熵损失。 ，$y_n^i$是ground-truth label，是个二值（0/1），表示 第n个 video样本是否属于第i 个已知类。
1.3K10发布于 2021-03-04 - 来自专栏安恒网络空间安全讲武堂
一种 Au3 远控木马变种样本分析
一种 Au3 远控木马变种样本分析 0x01 Au3 简介 AutoIt3 （简称 Au3）是一种能够在Windows GUI 或 DOS 上实现一系列自动化任务的脚本语言，其语法类似BASIC。 提取出可执行程序样本后，发现该样本为 RAR 自解压程序： ? 使用 RAR 打开后，发现攻击者在解压配置中加入了某国语言的热门小说内容来逃避杀软检测： ? 分析 file1.exe、 file2、file3 三个文件后发现：file1.exe 是 Au3 脚本的解释器，file2 是 Au3 脚本，file3 为 ini 配置文件。 从代码可知，file2 脚本运行时会加载 file3 的的内容，那么 file3 是不是程序的配置文件呢？我们载入 file3 来看看： ? 上传到云端后发现仅有2款杀软能够检测出 main.au3 为恶意文件： ? 由于样本源码不打算公开，此处仅摘取脚本中的一些函数做介绍。
3K70发布于 2018-02-06
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