- 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 - 来自专栏科研菌
28个样本，4种不同分析方法的比较发了9分？
生物信息学算法的预测已经成为一种潜在的解决方案，因此，本文通过对4种广泛使用的HLA分型工具(OptiType、 Phlat、Polysolver和seq2hla)进行准确性比较，从而确定最佳分型方法。 图1：HLA分型表现 移除28例样本中低表达的两例HLA基因的样本后，从RNA-seq数据中提取4位分辨率的 HLA分型的OptiType的准确性提高为98.72%，表明HLA基因的低表达可能降低 图2：测序深度对准确性的影响 3、不同样本类型和计算机模拟后的准确性比较 将来自肿瘤组织和对照PBMC样本的WES数据的HLA 分型准确性比较(图a )，发现正常PBMC样本的准确性结果大多高于肿瘤组织 虽然出现分型错误，但正常样本HLA 分型的准确性仍高于肿瘤组织。 ? 图3：不同样本类型和计算机模拟后的准确性比较 小结 本篇文章的研究思路和过程较为简单，作者对28例癌症患者进行FFPE肿瘤组织和匹配正常样本的全外显子测序和肿瘤样本的RNA测序。
1.7K30发布于 2020-11-23 - 来自专栏AI科技评论
9行代码提高少样本学习泛化能力 | ICLR2021 Oral
在本文中我们尝试从数据分布估计的角度去缓解少样本学习中的过拟合现象。我们尝试利用一个样本去估计该类别的整体数据分布，如果该分布估计足够准确，也许可以弥合少样本学习和传统多样本学习的差距。 ? 然后在进行少样本分类时我们利用base class的分布先验去修正少样本类别的数据分布： ? ? 得到修正后的少样本类别的分布 ? 和 ? 后，我们便可以从修正后的分布中直接采样： ? 代码已开源，核心代码只有9行（evaluate_DC.py中的第10-19行）。 我们的方法搭配最简单的线性分类器便可以达到非常高的1-shot分类性能。实验结果如图： ? ? ? 4 总结 在本工作中我们思考了少样本学习和多样本学习的核心差距，并提出通过分布矫正（估计）的方式弥合这种差距。 在该工作的后续期刊拓展版本中我们从generalization error bound的角度为‘基于数据分布估计的少样本学习’这一类方法建立了理论框架，并证明了当数据分布足够准确时，少样本学习和多样本学习的泛化误差等价
1K20发布于 2021-01-25 - 来自专栏生物信息云
生物企业专利如何布局，近9成企业这样选择！热点报告下载
基于对100家生物样本企业的问卷调研，可以看到生物产业具有以下专利工作特征： 01 Num 生物产业非常重视专利在固化技术成果上的价值体现，尤其体现在专利申请中高度重视专利质量。 看点. 02 生物产业在专利涉诉上 频次虽低，支出最高 在专利诉讼方面，生物领域企业虽然在专利涉诉上概率最低，但过去五年生物领域企业在专利诉讼上累计支出最高。 三成生物技术企业曾涉诉，但近五年累计专利诉讼支出均值为1971.9万元（为按照对问卷选项范围取平均值做出的估计），高于全样本均值的 1123 万元，是新一代信息技术涉诉支出的 1.5 倍、对比专利诉讼支出相对最少的高端制备制造业 对比细分领域，生物医学工程领域较生物医药领域涉诉更多。36%的生物医学工程企业曾涉诉，对比生物医药领域高出约 13%。 看点. 03 生物产业在专利运用中表现活跃 一半企业曾进行专利转让 生物医药领域专利转让更高频。
50330编辑于 2022-06-13 - 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 - 来自专栏生信技能树
9个组织的37个样本的大豆的长非编码RNA的鉴定
杂志：Plant Physiol（2018） 作者：Agnieszka A Golicz , Mohan B Singh , Prem L Bhalla 机构：墨尔本大学 兽医和农业科学学院 植物分子生物学和生物技术实验室 DOI: 10.1104/pp.17.01657 摘要：在这项研究中，来自代表9个组织的37个样本的超过10亿RNA-seq读取对被用来发现6018个lincRNA基因座。 然后 还使用了9个样本(4个来自叶片组织，5个来自新梢顶端分生组织）。 总表达量和唯一表达量最高的样本是花蕾。 ? 每个组织中lincRNA富集到的生物学过程。 9.可能与农艺性状相关的lincRNA 候选lincRNA位点附近的SNPs与开花天数、开花至成熟天数、每荚种子数等性状相关。
1.1K40发布于 2021-07-06 . | 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 - 来自专栏我爱计算机视觉
9行代码提高少样本学习泛化能力! ICLR2021 Oral，代码已开源
标题：Free Lunch for Few-shot Learning: Distribution Calibration 简介 从极少量样本中学习到泛化性能良好的模型是很困难的，因为极少的样本形成的数据分布往往与真实数据分布相差较大 在本文中我们尝试从数据分布估计的角度去缓解少样本学习中的过拟合现象。我们尝试利用一个样本去估计该类别的整体数据分布，如果该分布估计足够准确，也许可以弥合少样本学习和传统多样本学习的差距。 ? 代码已开源，核心代码只有9行（evaluate_DC.py中的第10-19行）。 我们的方法搭配最简单的线性分类器便可以达到非常高的1-shot分类性能。实验结果如图： ? ? ? 总结 在本工作中我们思考了少样本学习和多样本学习的核心差距，并提出通过分布矫正（估计）的方式弥合这种差距。 在该工作的后续期刊拓展版本中我们从generalization error bound的角度为‘基于数据分布估计的少样本学习’这一类方法建立了理论框架，并证明了当数据分布足够准确时，少样本学习和多样本学习的泛化误差等价
56420发布于 2021-01-25 - 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
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 - 来自专栏集智书童
YOLOv9开源 | 架构图&模块改进&正负样本匹配&损失函数解读，5分钟即可理解YOLOv9
YOLOv7原作者出手，YOLOv9的性能依旧时一枝独秀： YOLOv9架构图 YOLOv9的整体架构图如下（根据YOLOv9.yaml绘制）： YOLOv9改进点一览 YOLOv9从可逆函数角度理论上分析了现有的 CNN架构，基于这种分析，YOLOv9作者还设计了PGI和辅助可逆分支，并取得了优秀的结果； YOLOv9用到的PGI解决了深度监督只能用于极深的神经网络架构的问题，因此使得新的轻量级架构才更适合落地； YOLOv9中设计的GELAN仅使用传统卷积，就能实现比基于最先进技术的深度可分卷积设计更高的参数使用率，同时展现出轻量级、快速和精确的巨大优势； 基于所提出的PGI和GELAN，YOLOv9在MS GELAN模块 YOLOv9提出了新网络架构——GELAN。 损失函数与样本匹配 通过上图代码可以看到，样本匹配依旧使用的是TaskAlign样本匹配。
12.3K90编辑于 2024-02-23 - 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
关注我公众号的朋友们，抱歉了，转眼本号已经断更了9个月了，这大半年一直很忙，实习、写博士论文，更重要的是我角色转变了——当爹了！所以得忙着照顾老婆孩子哈哈，实在没空没心思提笔写文章了。 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 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