- 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 - 来自专栏科研猫
临床样本组学研究Day6 : 临床样本的代谢组学研究
1 代谢组学的含义 在基于基因组-转录组-蛋白质组-代谢组的系统生物学框架内，代谢组学 (metabolomics/metabonomics) 处于最下游，最接近生物表型，主要通过考察生物体系在某一特定时期内受到刺激或扰动前后所有小分子代谢物 multiple reaction monitoring， MRM）进行检测，检测灵敏度高、特异性强、准确度高 非靶向医学代谢组学：基于液质联用技术（LC—MS），无偏向性、尽可能多地检测细胞、组织、器官或体液等生物样本内所有的小分子代谢物 脂质分子，对实验组和对照组进行对比分析，通过统计分析筛选差异代谢物/脂质分子，进而寻找代谢物/脂质代谢变化与生理病理变化的相对关系； 常见的代谢组学的分类 3 试验流程 代谢组学的试验流程，主要包括生物样本制备 2.血浆代谢组学用于预测卒中风险/分型 Neurology. 2019 Apr 16;92(16):e1890-e1898. ①研究思路： 血浆样本来自于ARIC队列研究 首先，在2010和2014年两批样本都检测到小分子代谢物 5 研究目的和设计方案 代谢组学主要用于： 发现疾病病理状态与正常生理状态下的体液样本的差异小分子代谢物，用于疾病病情严重程度，预后评估和事件预测生物标记物的发现和鉴定； 利用血液或体液样本，从代谢组学图谱特征的角度发现疾病的异质性
1.8K31编辑于 2022-04-09 - 来自专栏香波雨的风水宝地
生物信息技术-chap6 微生物群落分析
6.2 微生物群落样本的分析本文所有内容均来自于中国大学MOOC里的四川大学生物信息技术的课程内容,本人只是进行了总结。 16S测序中阈值常设定为97%（正好对应分类学中的种水平）***稀疏曲线：从每个样本种随机抽取一定数量的序列，来预测样本在一系列给定的测序深度。 后者反映测序深度对于观测样本多样性的影响大小。 ***物种累积曲线6.4 物种的组成分析测序得到的序列经过物种注释之后，每一条序列都拥有了他们自己的物种名称，以此为基础，我们可以了解单个样本中微生物群落在不同分类水平上的物种组成，以及多个样品之间的差异 ，使相似的样本距离近，相异的样本距离远。
87100编辑于 2023-11-28 - 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 - 来自专栏信数据得永生
Python 单样本学习实用指南：1~6 全
在下一节中，我们将介绍单样本学习，并学习如何尝试解决机器学习和深度学习所面临的挑战。 单样本学习概述 单样本学习可以看作是一种类似于人类学习方式的机器训练方法。 单样本学习的类型 解决单样本学习的方法多种多样。 来自生物学和计算神经科学领域的研究提供了广泛的证据，表明记忆对于快速有效地存储和检索信息至关重要。 1681785569483)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-1shot-learn-py/img/6a8a41af-c6a4 3cd8-4782-a6de-e092332fa3b6.png)] 在此设置中，我们尝试找到可以解释数据的最佳参数集θ。
2K10编辑于 2023-04-27 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：样本质控（6）
样本QC RNA-seq 分析中一个有用的初始步骤通常是评估样本之间的整体相似性： 哪些样本彼此相似，哪些不同？ 这是否符合实验设计的预期？ 数据集中的主要变异来源是什么？ 因此，我们期望生物重复具有相似的分数（因为我们的期望是相同的基因正在发生变化）并聚集在一起。通过可视化一些示例 PCA 图最容易理解这一点。 令人担忧的是，我们看到两个样本没有与正确的 strain 聚类。这表明可能存在样本交换，应进行调查以确定这些样本是否确实是标记的 strain。如果我们发现有一个交换，我们可以交换元数据中的样本。 即使您的样品没有通过实验变量清楚地分离，您仍然可以从 DE 分析中获得生物学相关的结果。如果您期望效果大小非常小，那么信号可能会被无关的变异源淹没。 热图显示数据集中所有成对样本组合的基因表达相关性。由于大多数基因没有差异表达，样本之间通常具有很高的相关性（值高于 0.80）。低于 0.80 的样本可能表示您的数据和/或样本污染中存在异常值。
1.4K30编辑于 2023-02-27 - 来自专栏用户7627119的专栏
如何用少量样本做m6A研究
这么多的RNA量有时候很难从癌症病人样本中获得，这也就限制其在临床癌症研究中的应用。 m6A测序方法的不断优化，让我们进一步有更多可能去研究m6A的方方面面 ? 4、进一步降低总RNA的样本量 为了能进一步降低对样本量需求，因而对32μg、12μg、6μg和2μg的总RNA样本进行了实验比对，发现2μg总RNA比较适合进行low-input 的MeRIP-Seq 从2μg样本中所获得的peak和其他更多RNA样本用量的peak一样， m6A修饰在终止密码子附近有富集，同时GGAC修饰位点也有显著富集。 ? 图6：2μg样品量文库与其它文库的比对 低微量样本的MeRIP-seq结果究竟如何，那就用事实说话！ ? 图7：两个癌症样本中发现的m6A修饰及差异性peaks 参 考 文 献 1.Refined RIP-seq protocol for epitranscriptome analysis with low
1.7K20发布于 2020-08-05 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：样本质控（6）
样本QCRNA-seq 分析中一个有用的初始步骤通常是评估样本之间的整体相似性：哪些样本彼此相似，哪些不同？这是否符合实验设计的预期？数据集中的主要变异来源是什么？ 因此，我们期望生物重复具有相似的分数（因为我们的期望是相同的基因正在发生变化）并聚集在一起。通过可视化一些示例 PCA 图最容易理解这一点。 令人担忧的是，我们看到两个样本没有与正确的 strain 聚类。这表明可能存在样本交换，应进行调查以确定这些样本是否确实是标记的 strain。如果我们发现有一个交换，我们可以交换元数据中的样本。 即使您的样品没有通过实验变量清楚地分离，您仍然可以从 DE 分析中获得生物学相关的结果。如果您期望效果大小非常小，那么信号可能会被无关的变异源淹没。 热图显示数据集中所有成对样本组合的基因表达相关性。由于大多数基因没有差异表达，样本之间通常具有很高的相关性（值高于 0.80）。低于 0.80 的样本可能表示您的数据和/或样本污染中存在异常值。
2.6K41编辑于 2023-01-29 - 来自专栏科研猫
临床样本组学研究Day6 : 临床样本的单细胞转录组测序
近十余年来，高通量测序技术被广泛应用于生物和医学的各种领域，极大促进了相关的研究和应用。其中转录组测序（RNA-seq）被广泛应用于测定和描绘各类物种的基因或转录本的表达情况。 传统的转录组测序技术（bulk RNA-seq）是基于群体细胞，每个样本包含成千上万个细胞，所以最终反映的是基因在群体细胞中平均表达水平，从而掩盖了不同细胞之间的表达异质性。 今天我们就来聊聊基于临床样本的单细胞转录组测序。 即使在同一个样本中，也会存在多种不同的细胞形态。因此，不论测定了多少样本，我们都可以采用拟时序分析对样本中的细胞转化和变化进行描述。 为什么要进行拟时序分析？ 在组织中分选特定细胞，组织样本的处理和细胞分选技术非常重要（技术注意事项可以多向测序公司咨询）； 3．对于利用临床样本纯单细胞测序研究来说，要重视单细胞测序数据分析算法的个性化，利用各种不同巧妙的算法尽可能多挖掘测序数据中隐藏的信息
1.8K21编辑于 2022-04-09 - 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。 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 - 来自专栏新智元
AI干6周=生物学家134年！斯坦福生物学基础模型开启生物学AI时代
新智元报道 编辑：alan 【新智元导读】AI在生物学领域的成绩再添一笔，斯坦福大学开发的生物学基础模型，在短短6周内就发现了人类花了134年才发现的Norn细胞，生物学的AI时代正在开启。 人类花了134年才发现Norn细胞，AI用了6周就做到了！ 斯坦福的这个模型是最近的几个生物学基础模型之一，它们不仅仅是整理生物学家收集的信息，而是正在发现基因如何工作以及细胞如何发育。 用AI来理解生物学是一个有争议的问题。不过乐观的科学家认为，基础模型甚至能够解决当前最大的生物学问题：是什么将生命与非生命区分开来？ 换句话说，UCE可能在生物学家之前发现了一种新型细胞。 细胞互联网 当然了，像所有大模型一样，生物模型有时也会出错。
38710编辑于 2024-03-25 - 来自专栏AI SPPECH
6：L防御对抗样本攻击：蓝队的模型安全加固
本文探讨了2026年对抗样本攻击的最新技术与防御挑战，分享了L的模型加固策略，详细解析了输入变换作为对抗样本检测与防御的重要手段，并通过实战案例展示如何防御基拉的对抗样本攻击。 工程实践意义、风险、局限性与缓解策略 6. 未来趋势与前瞻预测 1. 背景动机与当前热点 本节核心价值：理解为什么对抗样本攻击成为蓝队的重要挑战，以及当前对抗样本防御领域的应用现状。 2.1 对抗样本攻击的最新技术与防御挑战 对抗样本攻击的技术已经从简单的FGSM（快速梯度符号法）扩展到更复杂的攻击方法： 基于优化的攻击：使用更复杂的优化算法生成对抗样本，如PGD（投影梯度下降） 自适应攻击 ，提高模型的整体鲁棒性 2.3 输入变换：构建对抗样本的检测与防御 输入变换是防御对抗样本攻击的重要手段。 这样既可以防御对抗样本攻击，又能确保整个系统的安全性。 6. 未来趋势与前瞻预测 本节核心价值：展望对抗样本防御的未来发展趋势，以及可能的技术突破。 随着技术的不断发展，对抗样本防御将迎来新的变革。
31410编辑于 2026-03-26 - 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 - 来自专栏数据科学和人工智能
视频回放 | 博雅数智讲堂第6期：计算生物学
2021年12月02日20：00，博雅数智讲堂第6期在腾讯会议和B站成功举办，本次报告题目为”计算生物学“。本期活动吸引全国600余名高校教师参加。 http://mpvideo.qpic.cn/0bc3a4abqaaa2ian3bfijrqvab6ddadqagaa.f10002.mp4? 龚新奇教授是清华大学结构生物学高精尖创新中心合作研究员，中国人民大学学位委员会理工分会委员，数学学院学术委员会委员、学位委员会委员、师德监督建设委员会委员。开展生物信息学和应用数学的科研和教学。 中国生物信息学会（筹）理事，中国运筹学会计算系统生物学分会理事，中国计算机学会高级会员、生物信息学专业委员，中国工业与应用数学学会数学生命科学专业委员会委员，第一、二届中国计算机学会生物信息学大会程序委员 ，第十、十一届国际系统生物学与生物信息学大会程序委员，2015年11月在中国人民大学负责举办全国生物信息学与计算生物学大会，2020年11月在中国人民大学负责举办蛋白质复合物与蛋白质组学大会。
55120编辑于 2022-04-01 - 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 . | 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 IL-6信号通路：分子机制、生物学功能与疾病关联
其生物学效应通过结合靶细胞表面的特异性受体复合物，激活下游信号转导网络来实现。 该信号系统的核心组成包括：1.IL-6受体：分为膜结合型IL-6R（主要在肝细胞、某些免疫细胞表达）和可溶性IL-6R（通过蛋白酶切或选择性剪接产生）。 二、IL-6信号转导的两种主要模式IL-6的信号传递主要通过两种机制，扩大了其作用的细胞范围与功能复杂性。 三、IL-6信号的核心生物学功能IL-6信号的广泛激活影响机体的多个系统：1.免疫调节：-B细胞：促进B细胞增殖、分化为浆细胞，驱动抗体生成。 五、IL-6蛋白作为研究与干预靶点的价值鉴于IL-6通路在生理和病理中的核心地位，IL-6蛋白本身不仅是关键的效应分子，也成为重要的研究工具和药物开发靶点。
44710编辑于 2026-02-06
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