- 综合排序
- 最热优先
- 最新优先
- 来自专栏作图丫
6分+细胞焦亡思路来袭！
为了构建能够量化每位患者的模型，作者使用 LASSO-Cox回归模型以最小λ保留22个差异基因中的6个，并使用这6个基因构建与焦亡相关的特征评分（图4D，表1）。 在其他队列中可以复制该细胞焦亡模型的结果（图4E-F）。由ROC曲线得知，细胞焦亡模型预测胃癌患者3年生存率和5年生存率效果较好（图4G）。 作者将细胞焦亡模型与其他几种预后模型比较，发现细胞焦亡模型预测 胃癌患者预后优于其他模型（图4H）。 Figure 5 06 细胞焦亡相关调控因子与肿瘤微环境 作者在队列中分析了细胞焦亡基因与TME细胞的浸润情况（图6E-G）。 Figure 6 07 细胞焦亡模型在Anti-PD1/PD-L1免疫治疗中的作用 作者首先在ACRG队列和TCGA-STAD队列中检查了不同细胞焦亡模型免疫检查点的表达变化，发现低评分组免疫检查点基因表达水平较高
55530编辑于 2022-03-29 - 来自专栏DrugOne
大语言模型邂逅虚拟细胞
摘要 大语言模型（LLMs）正通过助力 “虚拟细胞” 的开发来变革细胞生物学 —— 虚拟细胞是能表征、预测并推理细胞状态与行为的计算系统。本研究对用于虚拟细胞建模的大语言模型进行了全面综述。 提出了一个统一的分类体系，将现有方法归为2大范式：作为 “神谕” 的大语言模型（用于直接细胞建模）和作为 “智能体” 的大语言模型（用于协调复杂科学任务）。 明确了3大核心任务 —— 细胞表征、扰动预测和基因调控推断，并综述了与之相关的模型、数据集、评估基准，以及在可扩展性、泛化性和可解释性方面的关键挑战。 引言 图1 细胞多尺度组织示意图 图2 基于人工智能的虚拟细胞建模主要任务概述 作为神谕/智能体的大语言模型：用于虚拟细胞研究 图3 大语言模型邂逅虚拟细胞的分类体系 详细总结 思维导图 核心任务定义
12710编辑于 2025-11-17 - 来自专栏生信菜鸟团
细胞图谱 | Nature 的人类细胞图谱基础模型，SCimilarity 框架
这些例外包括4、5、6、7引用的研究。 ）到一个共同集合，该集合跨越来自30个简化组织类别的21个粗粒度谱系中的74个细胞类型标签（扩展数据图6a）。 Para_02 最重要的基因与描述相似巨噬细胞群体的已发表基因特征显著重叠，或与差异表达定义每个研究感兴趣巨噬细胞群体的基因重叠（补充表6）。 , Model selection 模型选择 Para_01 模型运行了三组，共18种组合，包括3种不同的边缘（α ∈ {0, 0.01, 0.05, 0.1}）和6种不同的β参数（β ∈ {0, 0.0001 Foundation model benchmarking 基础模型基准测试 Para_01 SCimilarity、scGPT5（版本0.2.1，2023年6月23日模型）和scFoundation80
89400编辑于 2025-03-06 - 来自专栏数据科学（冷冻工厂）
单细胞RNA“速率”分析：模型学习
引言 本系列讲解 单细胞（scRNA-seq）中RNA“速率”分析教程 动态建模 我们采用广义动态模型来解析完整的转录动态过程。 我们运行动态模型，以学习剪接动力学的完整转录动态。 该模型在基于似然的期望最大化框架中求解，通过迭代估计反应速率参数和细胞特异性潜在变量（即转录状态和细胞内潜在时间），从而学习每个基因的未剪接/剪接相轨迹。 这些参数有助于更好地理解细胞身份和表型异质性。 潜在时间 动态模型可恢复潜在的细胞过程的潜在时间。这种潜在时间代表细胞的内部时钟，仅根据转录动态，近似细胞分化过程中经历的实际时间。
28210编辑于 2025-06-08 - 来自专栏生信技能树
python单细胞学习笔记-day6
单细胞学习笔记-day4 python单细胞学习笔记-day4（续） python单细胞学习笔记-day5 今天继续学习视频：python_day6 ！ touch day6.ipynb 课前准备操作到 23:52 本次课程需要用到的模块，提前安装好： 永久镜像设置： #永久设置镜像 pip config set global.index-url https sc.logging.print_header() # 查看主要包库的版本 sc.settings.set_figure_params(dpi=80, facecolor="white") 2.读取数据 day6/ data文件夹下面是标准的10x上游cellranger的输出结果：barcodes.tsv genes.tsv matrix.mtx adata = sc.read_10x_mtx( "day6/ # 转换成矩阵 adata[0:6, ['CD3D','TCL1A','MS4A1']].X.toarray() # 转换成数据框 adata[0:6, ['CD3D','TCL1A','MS4A1'
41611编辑于 2025-02-05 - 来自专栏生物信息云
单细胞专题 | 6.单细胞下游分析——不同类型的数据读入
单细胞专题 | 1.单细胞测序（10×genomics技术）的原理 单细胞专题 | 2.如何开始单细胞RNASeq数据分析 单细胞专题 | 3.单细胞转录组的上游分析-从BCL到FASTQ 单细胞专题 | 4.单细胞转录组的上游分析-从SRA到FASTQ 单细胞专题 | 5.单细胞转录组的上游分析-从FASTQ到count矩阵 ---- 1.数据读入 Cell Ranger生成的主要表格文件主要包括 y = c(sceList[[2]],sceList[[3]],sceList[[4]], sceList[[5]],sceList[[6] y = c(sceList[[2]],sceList[[3]],sceList[[4]], sceList[[5]],sceList[[6] barcodes，所有定量的基因和每个细胞的UMI矩阵。
4.6K41编辑于 2022-12-16 - 来自专栏作图丫
单细胞+m6A相关分析~
图 1 最后，本研究通过分别使用 scRNA 数据中 23 个 m6A 调节因子的表达，显示了感兴趣的四种细胞类型（成纤维细胞、巨噬细胞、T 细胞和 B 细胞）的 m6A 特殊 NMF 簇的比例，结果如图 03 m6A介导的巨噬细胞分析 本研究从骨髓细胞中提取了总共 5822 个巨噬细胞，并分为肿瘤相关巨噬细胞（5586 个细胞）和正常巨噬细胞（236 个），获得了五个主要的 m6A-mac 集群，包括四个具有 NMF算法识别出总共5个m6A相关细胞簇，命名为methy-T-C1至methy-T-C5（图4B），这些m6A相关T细胞簇与肿瘤上皮细胞之间的配体-受体连接数量不同（图4C）。 亚簇到肿瘤上皮细胞肿（图 6A ）。 图 6 小编总结 本研究首次通过单细胞测序分析方法，鉴定了TME细胞特异性RNA m6A修饰的细胞亚型，揭示了m6A甲基化介导的肿瘤微环境细胞间通讯在调控肿瘤生长和抗肿瘤免疫调节过程中的作用。
53720编辑于 2022-12-04 - 来自专栏用户7627119的专栏
公开数据单细胞挖掘6+分思路
然后结合弹性网络回归和KM分析在不同肿瘤类型中确定了155个预后相关基因，并构建了癌症特异性预后免疫评分模型，最后使用了五种肿瘤的免疫检查点封锁疗法的公开数据进行模型验证。 Immune Checkpoint Therapies 实体瘤中癌症特异性免疫预后特征及其与免疫检查点治疗的关系 http://mpvideo.qpic.cn/0bf2n4bvuaad3mahbugq6vpvg36dljxqgwqa.f10002 图4.a展示了构建癌症特异性预后免疫评分模型的过程。图4.b-f以GBM中的癌症特异性免疫评分特征来验证了模型的实用性。 免疫预后评分构建以及对GBM预后评分模型的验证 5.癌症特异性免疫评分模型可预测对免疫检查点抑制剂治疗的反应 由于作者得到的癌症特异性免疫评分可以成功预测不同类型癌症患者的预后，因此作者接下来评估了它们是否也可以预测对免疫疗法的反应 最后，作者验证了癌症特异性免疫评分模型（针对黑色素瘤，肾癌，膀胱癌，胃癌和非小细胞肺癌）的重要性，使用皮肤黑色素瘤SKCM特异性和肾透明细胞癌KIRC特异性免疫评分，去预测ImVigor临床试验数据集中抗
71230编辑于 2022-09-21 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记6—Normalization
细胞文库标准化之平衡的差异基因？ 3.2 根据外参转录本的标准化 ---- 1、背景知识 1.1 为什么要标准化 因为在制备单细胞文库时，排除低质量细胞的前提下，最理想的测序结果就是每个细胞的文库大小均相同，这样不同细胞的相同基因水平才具有可比性 用一个指标(size factor)评价每一个细胞受到的技术误差大小、方向(相对所有细胞文库的均值，而不是绝对意义上的偏离标准文库的距离)。然后分别根据每个细胞的指标的值进行对该细胞的标准化。 factor对该细胞的所有基因表达进行归一化处理，即基因表达量除以细胞文库因子。 （2）适用情形 之前提到的细胞文库size factor标准化相当于是把所有细胞的文库大小拉到同一水平进行基因的比较； 但是如果观察的目的之一就是细胞内基因表达总量的变化，例如T细胞激活前后等，具体要结合生物背景知识了
1.7K41发布于 2021-04-29 - 来自专栏文献分享及代码学习
单细胞数据复现-肺癌文章代码复现6
单细胞数据复现-肺癌文章代码复现1https://cloud.tencent.com/developer/article/1992648 单细胞数据复现-肺癌文章代码复现2https://cloud.tencent.com /developer/article/1995619 单细胞数据复现-肺癌文章代码复现3https://cloud.tencent.com/developer/article/1996043 单细胞数据复现 /developer/article/2008487 前面通过对epi和str的细胞类群进行分析后，确定了更精确的细胞分群，准备在将imm进行分析后，整合三个的结果，进行结果的相关性分析。 "#7294D4", p032 = "#5B1A18", p033 = "#9C964A", p034 = "#FD6467", Alveolar_Macrophages1 = "#6bAEd6 /results", width = 20, height = 20, units = "cm") 淋巴细胞和骨髓细胞分析 ##subsetting imm_lympho <- subset(imm_anno
67520编辑于 2022-05-23 - 来自专栏生信菜鸟团
单细胞 | 人类单细胞数据的机器学习模型中的偏差
鉴于偏差和偏差来源的多样性，需要对机器学习模型中的相关起源和类型的偏差进行敏感性评估。 本文的观点集中在与基于人类单细胞数据训练的机器学习模型相关的偏差上。 Para_04 为了识别与单细胞ML模型相关的偏差，我们首先总结了基于机器学习的单细胞基因组学领域的最新进展，并简要说明了基于人类单细胞样本的ML模型开发流程。 在评估基于人类单细胞数据训练的ML模型的伦理性时，所有这些偏差都应被考虑在内。 因此，在单细胞研究中考虑可能影响模型性能的社会偏见——过去和现在的——是有意义的。 ）报告特定预期用途的机器学习模型的局限性，以及（6）实施公平性测试。
38710编辑于 2025-04-18 - 来自专栏生信技能树
脓毒症小鼠模型单细胞（中性粒细胞这么就丢了呢）
让我们一起来看看这个GSE190856的脓毒症小鼠模型单细胞转录组数据吧。 首先呢， 研究团队做单细胞转录组的时候，筛选了免疫细胞，所以降维聚类分群后主要是免疫细胞亚群进行细分，包括淋巴系（T,B,NK细胞）和髓系（单核，树突，巨噬，粒细胞）的两大类作为第二次细分亚群： 主要是免疫细胞亚群 ，所以降维聚类分群后主要是免疫细胞亚群进行细分，包括淋巴系（T,B,NK细胞）和髓系（单核，树突，巨噬，粒细胞）的两大类作为第二次细分亚群，但是我发现里面仍然是有少量的 上皮细胞，内皮细胞，成纤维细胞 ='epi' celltype[celltype$ClusterID %in% c( 1 ),2]='endo' celltype[celltype$ClusterID %in% c( 6 而且可以看到，里面的 内皮细胞和成纤维细胞占比还不少哦，不过上皮细胞确实很稀少了。
66510编辑于 2023-02-27 - 来自专栏存储内核技术交流
redis 6多线程模型
redis 多线程架构 redis6之前的版本一直单线程方式解析命令、处理命令，这样的模式实现起来简单，但是无法使用多核CPU的优势，无法达到性能的极致；到了redis 6，redis6采用多线程模式来来读取和解析命令 ，但是命令的执行依然通过队列由主线程串行执行，多线程的好处是分离了命令的解析和命令执行，命令的解析有独立的IO线程进行，命令执行依旧有main线程执行,多线程增加了代码的复杂度 开启多线程模型 Redis.conf readQueryFromClient->processInputBuffer->processCommandAndResetClient->processCommand->call } } } //多线程模型初始化
59520编辑于 2022-08-17 - 来自专栏数据科学（冷冻工厂）
R中单细胞RNA-seq分析教程 (6)
的目标是，在整合之后，两个数据集中相同类型的细胞能够混合，而不同类型的细胞或状态仍然保持分离。 细胞锚点由来自不同数据集的一对细胞组成，它们在CCA空间中互为最近邻，同时一个细胞在自己数据集中的最近邻也倾向于与另一细胞的最近邻相邻。 这两个锚定的细胞被视为两个数据集中相互对应的细胞，然后通过计算两个数据集中锚定细胞对的转换矩阵，并从其中一个数据集的表达中减去这个转换矩阵来执行整合过程。 由于每个细胞被表示为多个聚类的组合，因此通过平均细胞所属聚类的校正因子，并按聚类分配比例加权，计算出细胞特定的校正因子。这个过程将迭代进行，直到收敛发生或达到迭代限制。 两个样本的细胞混合得很好，可以观察到一些清晰的轨迹。对于一些混合的细胞群体，特别是非背侧端脑的细胞，需要进一步确认它们是否真的是应该混合的相同类型的细胞。
56810编辑于 2024-12-30 - 来自专栏实验盒
EpiFoundation：单细胞ATAC-seq基础模型
尽管已有一些针对单细胞RNA-seq（scRNA-seq）数据的基石模型（如Geneformer、scGPT等），但这些模型并不适用于scATAC-seq数据。 EpiFoundation通过创新的跨模态预训练方法，利用非零峰值集和基因表达信息来指导模型学习细胞表示，从而在多个下游任务中表现出色。 在模型训练过程中，EpiFoundation首先将非零峰值及其对应的染色体信息转换为输入嵌入，然后通过Transformer块生成细胞表示。最后，模型通过预测基因的二元表达来完成峰值到基因的对齐任务。 这一过程不仅提高了模型的效率，还确保了细胞表示能够准确反映表型信息。 下游任务表现 EpiFoundation在多个下游任务中表现出色，包括细胞类型注释、批次校正和基因表达预测。 随着单细胞测序技术的不断发展，EpiFoundation有望成为该领域的重要基石模型，推动单细胞多组学研究的进一步深入。
47110编辑于 2025-02-19 - 来自专栏用户7627119的专栏
文献速递 | 6月单细胞测序文章分享
大家好，每月的单细胞文献速递栏目又来啦，6月份单细胞领域又有哪些新的成果呢？ 本期小编一共为大家统计了94篇6月份发表的9分以上单细胞测序相关文章，其中影响因子15.0以上的文章有41篇！ 与先前关于昆虫附属物发育的研究结合起来，研究描述了“望远镜模型”，这是一种外胚层器官发育的广义模型，模型中，即基板 2D 同心区域外形成了 3D 纵向排列的圆柱形空间。 plexus cell types in severe COVID-19 发表期刊： Nature 影响因子：43 DOI: 10.1038/s41586-021-03710-0 发表时间：2021年6月 6 标题：Tissue-resident macrophages provide a pro-tumorigenic niche to early NSCLC cells 发表期刊：Nature 影响因子 ：43 DOI: 10.1038/s41586-021-03651-8 发表时间：2021年6月 摘要：巨噬细胞在塑造肿瘤微环境(TME)、肿瘤免疫和免疫治疗中发挥着重要作用，这使它们成为癌症的重要靶点
62431编辑于 2022-09-21 - 来自专栏生信菜鸟团
前瞻 | Nature | 人类细胞图谱：从细胞普查到统一的基础模型
特别是，我们讨论了细胞图谱作为细胞普查；作为身体中跨模态和尺度的细胞三维地图；作为连接基因型原因与表型效应的地图；作为发育的四维地图；最终，作为统一所有这些方面并帮助变革医学的生物学基础模型。 在这里，我们探讨了细胞图谱的五个当前和未来的视角：作为细胞普查、三维地图、时间发育地图、基因型到表型地图以及细胞生物学的多模式基础模型（图1）。 在实验方面，人类细胞图谱（HCA）必须收集为算法的规模和需求量身定制的数据，以便它们能够学习适当的模型。 最近，像SCimilarity22这样的方法则专注于学习在新定义的任务中表现良好的基础模型，例如在整个图谱中查询整个细胞概况。 Para_04 我们预计许多其他任务将使用基础模型来解决。 基础模型对于跨尺度整合（作为多模态地图的细胞图谱）和跨身体整合（为最终的细胞普查）也将至关重要。
45010编辑于 2025-02-06 - 来自专栏花花单细胞学习小组003
单细胞学习小组003期 Day6
" 4 "fetchLatestVersion" # mouse 5 "fetchMetadata" 6 saveReference" 15 "searchReferences" 16 "surveyReferences" Except for 4 and 6,
27320编辑于 2024-07-04 - 来自专栏单细胞天地
单细胞分析十八般武艺6：NicheNet
NicheNet工作流程图 从公共数据库中收集配体-受体配对信息、信号通路、基因调控网络等数据，整合成配体主导的权重配体-靶基因调控模型。 然后将可能受到细胞通讯影响的差异基因集输入先验模型，可以计算与这些基因相关的配体的相关性系数。最后挑选根据相关性系数排行靠前的配体，依据先验数据推测与之匹配的受体、靶基因及下游信号网络等信息。 = nichenet_output$ligand_target_heatmap ggsave("Heatmap_ligand-target.png", p, width = 12, height = 6) ylab("Prioritized immmune cell ligands") ggsave("Heatmap_ligand-target2.png", p, width = 12, height = 6) nichenet_output$ligand_receptor_heatmap ggsave("Heatmap_ligand-receptor.png", p, width = 12, height = 6)
11K31发布于 2021-04-29 - 来自专栏哆哆Excel
Thinkphp6（6）模型学习与知识总结（二）
Thinkphp6（6）模型学习与知识总结（二） 上一次学习了模型，对模型有一点小认识，今天再来学习一下，我一开始是没有想到要学习模型，原因是CURD（增删改查）中很多可以用Db类在控制器中完成，其实模型有很多好东西的 COMMENT '删除时间', PRIMARY KEY (id) ) ENGINE=InnoDB AUTO_INCREMENT=15 DEFAULT CHARSET=utf8; 二、再建立一个模型 位字符型的数字以方便测试用的 public function numStr($num) { static $seed = array(0,1,2,3,4,5,6,7,8,9 第一步，你要在数据表中有一个字段是delete_time, 第二步要在模型中引入类：use think\model\concern\SoftDelete;， 第三步在模型中开启//开了软删除功能 ，这也是模型类的好处哦
1.2K30编辑于 2022-10-25
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