- 综合排序
- 最热优先
- 最新优先
- 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 Imputation_refer_server.md[8] 填充参考面板和服务器，包括 HLA 欢迎一起完善和丰富！ 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YOLO大作战
YOLOV8损失函数优化策略：SlideLoss，解决简单样本和困难样本之间的不平衡问题
本文改进：SlideLoss，解决简单样本和困难样本之间的不平衡问题，并使用有效感受野的信息来设计Anchor。 1.SlideLoss介绍 论文：https://arxiv.org/pdf/2208.02019.pdf图 4：我们提出了一种新的损失，称为“滑动损失”，它自适应地学习正样本阈值参数和负样本阈值参数 Slide损失函数的主要目的是让模型更加关注难样本。根据表格第五行的结果，Slide函数提升主要在中、难任务上。 2.
6.9K21编辑于 2023-11-04 - 来自专栏文献分享及代码学习
Seurat软件学习8-不同细胞类型样本的分析流程
hue_pal()(12),nm = levels(sub$mixscape_class))names(col) <- c(names(col)[1:7], "NT", names(col)[9:12])col[8]
1.2K30编辑于 2022-12-12 - 来自专栏CreateAMind
ASI 8年计划 paper8 自由能原理建模生物神经形态发生
https://royalsocietypublishing.org/doi/full/10.1098/rsif.2014.1383 了解生物体在胚胎发生和再生过程中如何形成其形态代表了生物模式形成方面的主要知识空白 学科领域：生物复杂性、系统生物学、生物数学 关键词：主动推理，形态发生，自组装，模式形成，自由能，随机吸引子 1. 了解如何诱导大规模形状的特定变化（不仅是基因表达或细胞分化）对于基础发育和进化生物学至关重要，也是再生医学和合成生物工程取得根本性进展的基本要求[5‑9]。 马尔可夫毯的感觉状态仅限于外源（细胞外）和内源（细胞内）浓度的趋化受体样本，而主动状态可以引起细胞迁移（在二维表面上）或趋化信号的释放。这是一个有趣的设置，因为一个细胞的外部状态是其他细胞的主动状态。 显然，这项工作有许多可以进一步拓展的领域；例如，细胞分裂和肿瘤发生：请参阅[67]，以及对形态发生的分子生物学和生物物理学的广泛知识。此外，我们仅考虑了具有固定点吸引子的生成模型。
39110编辑于 2024-02-26 - 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
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 - 来自专栏腾讯研究院的专栏
郑浩剑：惠及8亿用户 腾讯创造普惠金融新样本
腾讯布局互联网+金融：围绕8亿用户打造普惠金融 普及8亿用户 腾讯创造普惠金融新样本 6月9日，腾讯研究院与TechWeb联合主办第12期“互联网前沿沙龙”，就腾讯如何在互联网金融大潮下布局展开探讨 “到今天为止，QQ拥有超过8亿的活跃用户，在线人数超过2亿，打破世界吉尼斯记录。QQ用户年龄普遍年轻，主流人群17到22岁，所以我们的金融创新主要围绕年轻人展开。”他如是说。 以下为郑浩剑先生沙龙精彩观点的梳理（有删节）： 围绕8亿用户打造普惠金融 郑浩剑 腾讯财付通助理总经理 尊敬各位朋友，线上的各位朋友大家晚上好。 到今天为止，一个比较准确的统计是，QQ拥有超过8亿的活跃用户，同时在线超过2亿，打破吉尼斯的记录。 我们希望8亿人能够拥有自己的平台，我们这里希望用QQ钱包的方式承载这样金融方式。 互联网金融和银行金融不同的地方，我们其实也做了很多了思考，移动端腾讯怎么办？
1.7K80发布于 2018-02-06 . | 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 - 来自专栏生信技能树
8个高分杂志的空转数据全套标准分析（多样本）
今天分享一个来自2022年发表在Cancer Discov杂志（IF=30+）上的空间转录组数据分析，看看多样本分析策略吧。 2 批量读取数据 这里一次性将所有空转样本读取进来，得到一个list对象。 这里还可以学到 空转的表达矩阵与切片信息分开读取。 SCT标准化，降维聚类分群 这里使用了前面source的脚本中的函数 ： source(file = "WrapperFunction/SeuratWrappers.R") ## 4) 每个样本单独进行 facet.highlight = TRUE, ncol = 2, pt.size.factor = 2.5, cols.highlight = c("#8b0023 all_markers_table$`ST-colon1` 8 不同样本结果可视化展示 这里用了一个for循环，我就放一个样本的结果： ## 8) 不同样本结果展示 for ( sample in
61910编辑于 2025-11-20 - 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
. */ @callflow(next={"cancel", "enroll", "postEnroll", "remove"}) enroll(uint8_t[69] hat, uint32
5.4K31编辑于 2022-09-22 - 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。 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
87120编辑于 2023-02-24 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine（GEE）——容易犯的错误8（样本数据的导出export)
loss = image.select('lossyear'); var loss16 = loss.eq(16).rename('loss16'); // 除云函数 function maskL8sr system:time_start"]); } var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') .map(maskL8sr median(); var composite2 = collection.filterDate('2017-01-01', '2017-12-31').median(); // 我们想要这个堆栈的分层样本 请注意，首先在非常小的测试区域上运行非常小的样本，以进行调试。当证明成功时，获取更大的样本并将其导出。如此大的样本通常需要出口。 不要期望这些样本在print()没有先导出它们的情况下可以交互地（例如通过）或可用（例如作为分类器的输入）。
58010编辑于 2024-02-02 - 来自专栏python3
Python练手，样本
import pandas as pd def getEmpDataFrame(num): '''创建一份可复用的数据，有一定的随机性和真实性''' #员工编号 emp = [''] * num lenNum = len(str(num)) for i in range(num): emp[i] = str(i+1).zfill(lenNum) #性别：男多女少 sex = [1] * int(r
62430发布于 2020-01-13 - 来自专栏SimpleAI
好样本，事半功倍：使用样本设计工程 (SDE) 来构造更好的大模型下游微调样本
提示工程（Prompt Engineering）已经成为提升大模型的零样本、少样本推理能力的基本操作。然而，在大模型实际落地解决下游业务问题的时候，我们往往还需要一些针对性的样本对模型进行微调训练。 本研究表明，细致地考虑大模型微调样本的设计，可以使用更少的样本训练出在下游任务上表现更好的模型。 我们使用了 3 个新的复杂下游任务数据集和 2 个新的 LLMs 来对上述方面进行对比： GENIA 数据集：一个分子生物学领域的嵌套实体识别（Nested-NER）任务，一个经典的较为复杂的NLP任务 例如，500 个 ES-SDE 样本的训练效果，就相当于约 2000 个 EW-SDE / heuristic 样本！ 这印证了 ES-SDE 生成的微调样本具有极高的质量。 进一步的对PE和SDE关系的实验分析说明了在零样本/少样本推理下好的prompt，不一定能指导我们设计好的下游微调样本，这表明了SDE背后复杂的机理，期待更多的后续研究。
1K21编辑于 2024-04-26 - 来自专栏CV学习史
小样本学习介绍
形式化来说，few-shot 的训练集中包含了很多的类别，每个类别中有多个样本。 （batch）样本作为模型的预测对象（batch set）。 如果K值很小（通常K<10），我们称这种分类任务为极少样本分类任务（当K=1时，变成单样本分类任务）。 为了清楚起见，让我们详细说明度量学习算法是如何解决少样本分类任务的（以下定义为带标签样本的支持集，以及我们要分类的查询图像集）： 我们从支持集和查询集的所有图像中提取特征（通常使用卷积神经网络）。 在元训练期间，MAML学习初始化参数，这些参数允许模型快速有效地适应新的少样本任务，其中这个任务有着新的、未知的类别。 MAML目前在流行的少样本图像分类基准测试中的效果不如度量学习算法。
2.2K21发布于 2019-09-05
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