- 综合排序
- 最热优先
- 最新优先
内容补充--高精度空转（Xenium、CosMx）空间距离分析
作者，Evil Genius今天我们更新脚本，高精度空转（Xenium、CosMx）空间距离分析，我们以量化fibroblast与tumor的空间距离关系为例。 分析一般会更进一步，依据fibroblast与tumor的距离关系划分为近距离、中距离、远距离三组，分析其中的基因表达变化,当然这种变化也代表了距离和基因的关系。 /usr/bin/env python3####zhaoyunfei####20250716# -*- coding: utf-8 -*-"""Xenium/CosMx空间转录组数据分析脚本分析两种细胞类型的空间距离关系及基因表达变化 , 20] 表示 <10, 10-20, >20 """ print("\n" + "=" * 60) print("距离分层...") axes = plt.subplots(2, 2, figsize=(16, 14)) fig.suptitle(f'{self.celltype2}与{self.celltype1}的空间距离分析
32220编辑于 2025-10-28- 来自专栏gis
基于SpringBoot和PostGIS的各省与地级市空间距离分析
但是江苏和安徽从实力上来说历史悠久，因为曾经同属江南省，彼此联系紧密。虽然这两个城市很近，但是你知道吗？这两个“兄弟”的发展是不同的。 再从省域上面来看，以湖南省为例。 研究各城市与省会城市的距离，除了直观的了解空间距离外，还可以作为主要影响因素，去分析区位分布，距离权重等等。 本文将以之前管理的地名数据为例，基于SpringBoot和PostGIS详细讲解如何进行省会城市与省域内各城市之间的直线空间距离，如何将直线空间距离在WebGIS中进行地图可视化。 这里采用空间分析的功能，实现的函数是_st_contains()；请注意：在我国的行政区划数据中，像自治州等没有单独设置成次级市。 总结 以上就是本文的主要内容，本文将以之前管理的地名数据为例，基于SpringBoot和PostGIS详细讲解如何进行省会城市与省域内各城市之间的直线空间距离，如何将直线空间距离在WebGIS
13810编辑于 2026-06-19 多样本空间转录组分析异常组织结构域
今日参考文献从多样本空间转录组学(ST)数据中检测和解剖异常组织结构域(DDATD)为表征异常组织结构域(ATDs)提供了前所未有的机会，揭示了群体水平和个体特异性致病因素，从而了解疾病背后的致病异质性 这个程序，称之为异常组织结构域的检测和解剖(DDATD)，是对受影响个体的组织进行全面分析的第一步，也是最重要的一步，以揭示与疾病发展相关的群体水平和个体特异性因素(例如，致病细胞类型)。 与ST中经常遇到的空间聚类任务不同，DDATD侧重于将空间点聚到空间域中，需要进一步将异常cluster与正常cluster隔离开来。 4、缺乏有效的方法来整合来自空间基因表达数据和组织学图像的多模态信号，严重限制了DDATD分析的潜力。 结果1、Overview of STANDS分析示例--乳腺癌分析分析示例--同时识别跨多个ST数据集的异常组织域分析示例--交叉参考胰腺scRNA-seq数据识别胰腺癌结构域分析示例--单个ST数据集中识别生物学上不同的异常组织子域分析表现最后看看代码示例
25720编辑于 2024-09-20- 来自专栏空间转录组数据分析
10X空间转录组高级分析进阶版
ppt涉及的空间个性化分析包括基础分析（Spatial Area）基础分析（空间聚类）基础分析（空间分子聚类）基础分析（空间分子聚类注释问题）基础分析（单细胞空间联合）基础分析（空间细胞分布）基础分析（ 空间分层注释）基础分析（空间通讯）基础分析（空间通讯方法演变）个性化分析（空间基因“开关”）个性化分析（空间生态位）个性化分析（空间轨迹）个性化分析（空间轨迹向量场）个性化分析（空间细胞网络）个性化分析 （空间CNV）个性化分析（时空组学信号流）如果有大家需要的内容，大家可以看一下，看之前先思考一下几个问题，带着问题来看ppt和知识链接。 空转的个性化分析远不止这些，希望大家能够扎扎实实学好基础。图片图片空间区域的识别，一般都需要借助病理学家来进行注释，当然本身空间聚类也是很好的参考。 ，很重要的空间分析点图片图片参考链接：https://www.jianshu.com/p/d8ec80a438cf 空间CNV图片图片图片参考链接:https://www.jianshu.com/p/35190590168d
1.3K53编辑于 2022-11-09 网络空间安全江苏省赛数据分析与取证 -attack.pacapng
三、数据分析与取证 1. 使用 Wireshark 查看并分析虚拟机 windows 7 桌面下的 attack.pcapng 数据包文件，通 过分析数据包 attack.pcapng 找出黑客的 IP 地址，并将黑客的 IP 地址作为 FLAG（形式：[IP 地址]）提交： tcp.connection.syn 通过分析端口，因为黑客都是扫描常用端口的 Flag:[172.16.1.102] 2. 继续查看数据包文件 attack.pacapng 分析出黑客最终获得的用户名是什么，并将用户 名作为 FLAG（形式：[用户名]）提交： http.request.method==POST Flag:[ 继续查看数据包文件 attack.pacapng 分析出黑客连接一句话木马的密码是什么，并将 一句话密码作为 FLAG（形式：[一句话密码]）提交： Ctrl+f Flag:[alpha] 6.
21110编辑于 2025-10-23- 来自专栏生信菜鸟团
10X空间转录组之免疫组库分析
无论疫情如何，科研一直在路上，并且在不断的推陈出新，而我们今天要分享的就是10X空间转录组的免疫组库分析。 ，一方面是由于空间转录组测到的是3’区域，而VDJ的变体结构富集在5’；另一方面VDJ在一个免疫细胞中通常成对出现，而空间转录组的精度目前均没有细胞级，10X空间转录组的精度为55um，而Stereo-seq Visium 空间技术基于条形码转录本的 RNA 测序，这能够访问原始转录本并执行空间 BCR repertoire 分析。 中提出了一种从 10X Genomics 的 Visium 空间基因表达平台确定 T 细胞受体 (TCR) 序列的方法。 空间VDJ检测的分析原理 空间VDJ文库构建示意图： 最关键的地方在于5’端VDJ区域的富集，结合空间位置的Barcode信息，达到空间检测VDJ的目的。
1.7K20编辑于 2022-05-24 - 来自专栏空间转录组数据分析
10X空间转录组数据分析汇总2
文章大家可以好好看看，我在这里重点讲述分析方法，首先，空间转录组污染的问题，这个污染来源于周围spot转录本的弥散，去污的方法是SpotClean，这个方法我之前分享过，文章在10X空间转录组去污染分析之 SpotClean第二点，空间整合聚类的方法，不同于单细胞，空间具有形态学信息，因而聚类可以进行一定程度上的监督，我们来看作者的做法。 As a result, 48 spatially informed marker gene sets were identified across 10 tumor samples.To horizontally patterns.对于空间轨迹基因的变化，高度特异的区域基因在调节生态位program起到至关重要的作用。 图片这种区域特异基因是我们关注的重点，当然，文章还有一些三代全长的分析内容，这部分就需要继续学习了。我们来看看重点的分析方法。图片生活很好，有你更好
95440编辑于 2023-04-07 - 来自专栏生信菜鸟团
10X空间转录组数据分析重点梳理
(Nature Biotechnology，IF 55分) 10X单细胞和空间联合分析的方法---cell2location、10X单细胞空间联合分析之再次解读cell2location、10X单细胞空间联合分析之 单细胞空间分析回顾之SPOTlight、10X单细胞空间联合分析之三----Spotlight RCTD Robust decomposition of cell type mixtures in spatial transcriptomes with Tangram（Nature Methods, IF 28.5） 10X单细胞空间联合分析之六(依据每个spot的细胞数量进行单细胞空间联合分析)----Tangram 单细胞研究细胞通讯已经有了广泛的案例，但是在缺少空间位置的情况下，尤其在多样本整合分析的时候，忽略了细胞之间距离远近和个体的影响，与此同时，越来越多的研究表明，细胞之间的相互作用很可能仅限于最近邻，在空间转录组的分析上 空间转录组的个性化远不止这些，例如最近文章常用到的生态位分析、空间细胞密度的转变、癌症组织研究中发现的细胞“unit”、细胞之间在空间位置上的距离变化，肿瘤组织内的空间CNV异质性，空间位置上表征细胞的发育轨迹
4.1K33编辑于 2022-04-08 - 来自专栏空间转录组数据分析
10X单细胞（10X空间转录组）CNV分析之inferCNVpy
阳了个阳~~~文章在10X单细胞（10X空间转录组）CNV分析回顾之CopyKAT详细回顾了copycat，还有分享的文章copyKAT推断单细胞转录组肿瘤细胞CNV（自动识别肿瘤normal和tumor 以下函数与它们的 scanpy 对应函数完全一样，除了使用 CNV 分析矩阵作为输入。使用这些函数，可以执行基于图形的聚类并根据CNV分析矩阵生成 UMAP 图。 adata.obs["cnv_status"] = "normal"adata.obs.loc[ adata.obs["cnv_leiden"].isin(["10", "13", "15", " 由于数据在对数空间中，这有效地计算了对数倍数变化。 仅计算每第 n 个窗口以节省时间和空间，其中 n = step。4、通过从每个细胞中减去每个细胞的中位数，按细胞将平滑的基因表达居中。5、执行噪声过滤。
2.2K40编辑于 2022-12-13 10X空间转录组Visium && HD && Xenium分析全更新
作者，Evil Genius 哎呀， Xenium和HD的空间项目进来了，又要有很多新的工作要做了。 很多分析呢，大家如果只是自己玩一玩，那随便做做就也可以了，但如果像我一样作为公司的分析人员，尤其是大公司的核心分析人员，生信经理之类的，那一定要对自己的分析结果负责，对要求就会高得多,因为分析的水平代表了公司水平 关于Xenium，主推squidpy，文章在高精度空间转录组分析之squidpy和空间网络图,主要分析就是降维聚类和邻域富集分析。 在生成细胞多边形后，通过运行polygons_cell_mapping将每个多边形与最近的细胞基于欧几里得距离关联起来。 polygons brain = cs.polygons_cell_mapping(brain) brain = cs.generate_polygon_counts(brain) 可视化 可视化细胞和基因在降维空间和空间空间上的表达
1.4K11编辑于 2024-06-03- 来自专栏单细胞天地
10X Visium:空间转录组样本制备到数据分析
识别复杂生物系统中空间基因表达差异的能力对我们理解发育生物学和疾病的进展至关重要。 即将推出的Visium空间基因表达解决方案分析完整组织切片中的总mRNA，允许您发现与您的研究相关的基因和标记，而不必依赖于已知的目标。 观看我们这个随需应变的网络研讨会的视频，了解更多关于如何开始与Visium空间基因表达解决方案。 数据分析 ? ? ? ? ? ? ? ? ? ? ? ? ? /wbr-2019-10-29-event-ra_g-apac-visium-launch-getting-started-watch-on-demand.html?
93031发布于 2020-12-28 - 来自专栏生信技能树
10X Visium:空间转录组样本制备到数据分析
识别复杂生物系统中空间基因表达差异的能力对我们理解发育生物学和疾病的进展至关重要。 即将推出的Visium空间基因表达解决方案分析完整组织切片中的总mRNA，允许您发现与您的研究相关的基因和标记，而不必依赖于已知的目标。 观看我们这个随需应变的网络研讨会的视频，了解更多关于如何开始与Visium空间基因表达解决方案。 无需仪器 overview 组织样本准备 成像 测序 数据分析 ---- 参考 Envision /wbr-2019-10-29-event-ra_g-apac-visium-launch-getting-started-watch-on-demand.html?
1.2K20发布于 2021-10-21 - 来自专栏空间转录组数据分析
10X单细胞（10X空间转录组）数据分析之代谢推断篇
答应过大家要做全套视频讲解单细胞空间的分析内容，也因为很多人骂我而暂时搁置了。没有办法，人言可畏，当然，自己也有错。 compass --data-mtx expression.mtx genes.tsv sample_names.tsv --num-processes 10 --lambda 0.25 --species 若物种为大、小鼠等哺乳动物，可以通过同源转换后进行分析，其他物种也可选择合适的基因集进行代谢活性分析。 图片 类似于平时做的基于已有的功能数据集GSVA或者说ssGESA分析，其分析出的代谢结果可参考的价值并不大。 final_df$flux)/abs(mean(final_df$flux)) ppp_all <- c(ppp_all, pp) } tg_ids <- which(ppp_all > 1e-10
4K12编辑于 2023-03-29 - 来自专栏空间转录组数据分析
10X单细胞空间数据分析之富集篇
一、单细胞基因富集分析算法一个不算正式的引言：目前来说，基于基因集进行分析已经开发出来了很多成体系的R包或者流程，理解来看，基因集评分其实就是自定义一个评分，然后来衡量目标基因集在某组织的表达情况，进而来推断其功能富集情况 ，所以说，这个给了我们以提示，算法是一定的，但是参考基因集可以是不同的，比如说铁死亡、铜死亡、细胞衰老等等目前来看，常见的针对单细胞的基因集富集分析算法有：GSEA、GSVA、AddModuleScore ，那么应该被叫做GO_GSEA富集分析，其实简单理解就是，我们提供参考基因集然后进行GSEA富集分析去探索我们的参考基因集在实验组究竟是上调还是下调3.对于是否进行批次效应的去除，因为我们需要进行差异分析获得可以排序的依据 ，所以这里笔者认为我们需要进行批次效应的去除，因为需要进行差异分析获得LogFC，但是简单来说就是输入数据其实就是可以进行差异分析的输入数据即可2.GSVAGSVA富集分析全称叫做基因集变异分析，在这里说一下个人的简单理解 ，其实我们可以把其看作是一个特殊的富集分析，为什么说是特殊呢，GSVA的观测不再是Gene symbol而是转换成了通路名称，所以我们可以通过GSVA获得表达矩阵转换成通路表达矩阵后的结果，然后我们对转换后的结果进行差异分析
2.2K30编辑于 2023-06-03 10X空间转录组VDJ分析引入日程与临床免疫疗法
初四了，新年了，在医院熬了一宿，刚起来，北京的一个课题组在分析外显子和单细胞空间数据的时候问了我一个问题，那就是单细胞空间的临床运用在哪里？ 关于空间VDJ的内容，我也写过很多，列在下面全球首篇FFPE空间转录组分析揭示了肾细胞癌中三级淋巴结构抗肿瘤机制10X空间转录组技术创新之同时测RNA和TCR（BCR）10X空间转录组之免疫组库分析Science 总结一下：Spatial VDJ是10x Visium空间基因表达（Spatial GEX）技术的扩展，Spatial GEX依赖于组织切片中3’polyA序列进行靶向捕获，在片段化步骤之前，CDR3 区域序列可以从空间条形码全长Visium cDNA中进行PCR扩增（图2A），因此，能够通过该技术得到CDR3区域和空间GEX cDNA文库的barcode序列，可同时得到抗原受体转录本表达量和位置信息 通过scVDJ检测到的TR大约是IG克隆的10倍，而在Spatial VDJ中则相反。
66120编辑于 2024-02-13- 来自专栏空间转录组数据分析
10X单细胞空间数据分析之SNP检测篇
另一方面，生殖系变异(又称单核苷酸多态性，SNPs)在单细胞测序数据中被更广泛地观察到，即使是在液滴为基础的平台上，如10XGenomics，这要归功于庞大的候选列表[在人群中约有700万个snp，频率为 种系snp不仅是perfect natural barcodes when multiplexing cells from multiple individuals，而且在通过细胞eQTL分析或等位基因特异性表达和拷贝数变化引起的等位基因失衡暗示功能调控方面也具有重要意义 Cellsnp-lite适用于基于液滴的(例如10XGenomics数据)和well-based的平台(例如SMART-seq2数据)。 minCOUNT 20 --gzip As shown in the above command line, we recommend filtering SNPs with <20UMIs or <10% Mode 2a: droplet based single cells without given SNPs # 10x sample with cell barcodes cellsnp-lite -
1.3K10编辑于 2023-04-29 今日课题---空间转录组数据降噪分析（Stereo-seq和10x Visium）
，之前分享过一个方法，SpotClean，文章在10X空间转录组去污染分析之SpotClean原发性和转移性胰腺癌的空间转录组学解析肿瘤微环境异质性课前准备----10X HD数据基础分析空间系列课程上也讲过 ，在第七课：空间转录组联合分析与形态学识别空转第十一课空间污染spotclean和生态位基因模块banksy今日参考文献知识积累空间分辨转录组学（SRT）将基因表达谱与细胞在自然状态下的物理位置相结合， 分析目标：建议将SRT数据中具有明显空间聚集性的基因分类为有效信号（“有效”基因），将具有高扩散水平的基因分类为噪声（“无效”基因）。 结果1、SRT数据包含妨碍下游分析的噪声转录物扩散噪声在SRT数据中普遍存在（Stereo-seq和10x Visium）。 10X和华大数据的分析表现结果3、SpotGF有效滤除SRT数据中的扩散基因（大豆根系的Stereo-seq数据）结果4、SpotGF增强了在SRT数据中识别上调基因的准确性结果5、SpotGF促进细胞聚类和细胞类型推断
62820编辑于 2024-10-12- 来自专栏数据科学（冷冻工厂）
空间单细胞｜10x Visium数据分析、可视化与整合(2)
引言 本文[1]介绍了使用Seurat分析具有空间分辨率的RNA测序数据的方法，重点在于将空间信息与分子数据相结合。 将包括以下常见于空间数据分析的任务： 数据标准化 降维和数据聚类 发现空间变异性特征 与单细胞RNA测序数据的整合 处理多个样本切片 降维;聚类;可视化 然后，可以使用与 scRNA-seq 分析相同的工作流程 具体来说，这一过程会计算gamma(r)值，用以衡量在特定距离“r”处两个点之间的相关性。 默认情况下，在分析中使用距离“r”值为5，并仅针对变量基因（其变异性是独立于空间位置来计算的）进行计算，以提高效率。 例如，可以大致选取前额皮层区域进行分析。这种做法也为之后将这些数据与皮层单细胞RNA测序数据集进行整合提供了便利。首先选择一部分细胞簇，然后根据它们确切的空间位置进行细分。
61011编辑于 2024-07-16 较 Trino 省 67% 成本，速度快 10 倍，中通快递基于 SelectDB 的湖仓分析架构
在离线场景中，实现2000+QPS并发点查；在实时场景中，仅以1/3原集群机器数量覆盖所有业务，90%分析任务从10分钟缩短至1分钟内，投入产出比大幅提升。 在离线场景中，实现2000+QPS并发点查；在实时场景中，仅以1/3原集群机器数量覆盖所有业务，90%分析任务从10分钟缩短至1分钟内，投入产出比大幅提升。 在同等查询量下，SelectDB的慢SQL（>10s）仅为Trino的百分之一。 比如，当总任务数超50时，执行时间达5-10分钟，效率极为低下。 使90%以上的查询从10分钟左右缩短到1分钟内，部分达到秒级，性能提升10倍。
30910编辑于 2025-12-17- 来自专栏数据科学（冷冻工厂）
空间单细胞｜10x Visium数据分析、可视化与整合(1)
引言 本文[1]介绍了使用Seurat分析具有空间分辨率的RNA测序数据的方法，重点在于将空间信息与分子数据相结合。 将包括以下常见于空间数据分析的任务： 数据标准化 降维和数据聚类 发现空间变异性特征 与单细胞RNA测序数据的整合 处理多个样本切片 首先，将加载Seurat及其所需的其他包以进行本教程的操作。 您可以利用Seurat中的Load10X_Spatial()函数将其导入。该函数能够读取spaceranger流程的输出结果，并生成一个包含点级表达数据和相应组织切片图像的Seurat对象。 发现，空间数据集在分子计数或点上的变异可能非常显著，尤其是当组织中的细胞密度不同时。在这里观察到了显著的异质性，这就需要进行有效的数据标准化。
61610编辑于 2024-07-16
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