- 综合排序
- 最热优先
- 最新优先
- 来自专栏单细胞天地
最新人类肝细胞图谱
摘 · 要 本篇文章对从来自9个人提供的正常肝组织捕获的约10,000个细胞进行单细胞RNA测序，构建了人类肝细胞图谱。 文章发现并定义了内皮细胞，库普弗细胞和肝细胞中以前未知的亚型，并且这些细胞具有transcriptome-wide zonation。 样品信息 本文通过mCEL-Seq，对来自9名患者的非患病肝组织总共10,372个细胞进行了scRNA-seq。 https://cran.r-project.org/web/packages/RaceID/vignettes/RaceID.html 总结 这篇文章首次发现了肝细胞、内皮细胞和巨噬细胞的新亚型
1.5K40发布于 2020-03-30 - 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
1.1K31发布于 2020-07-17 - 来自专栏聊点学术
Image Pro Plus测量肝细胞脂滴。
This is the dividing line. 1 — 背景知识 众所周知，缺氧、缺血、中毒、感染时，肝细胞脂肪代谢失衡，细胞会出现不同程度的脂肪变性，中性脂肪会在胞质内堆积 镜下可见在变性的肝细胞胞浆内出现大小不一的圆形空泡，初见于核周，以后变大，较密集散布于整个胞浆，严重时可融合为一大空泡，形似脂肪细胞。这些脂滴在病理制片过程中溶解了，所以切片上仅剩残留的脂滴轮廓。 肝细胞空泡变性最严重的区域常在中央静脉周围。甚至正常动物肝脏的中央静脉周围也可见类似的空泡。 ? 由此可见，肝细胞空泡变时，胞浆中空泡大小及所占据的面积是评价肝细胞损伤的一个重要指标。 在传统病理分析中，我们只能通过轻微、轻度、中度和重度分级法评价肝细胞损伤。 文献显示，IPP可测量肝细胞空泡变，但是无法分清这种改变到底是来自中性脂肪还是磷脂。这种情况需要我们结合实际情况具体分析。 此外，中央静脉附近肝细胞内的糖原也会对测量造成影响，动物取材前禁食会起到很大帮助。 ?
8.6K21发布于 2020-07-22 - 来自专栏细胞培养
CYP450酶诱导研究模型解析：全人源肝细胞TCS体系的应用表现
研究结果表明，TCS在维持肝细胞长期功能及CYP诱导能力方面表现稳定，尤其在CYP2C酶诱导研究中具有一定应用潜力，可为药物研发中的体外诱导模型选择提供参考。 关键词全人源肝细胞；三培养体系；TCS；原代人肝细胞；PHH；CYP450；CYP酶诱导；CYP2C酶诱导检测；肝细胞诱导评估模型；药物代谢研究一、引言在药物研发阶段，新型化合物对主要细胞色素P450（ 尽管PHH结合监管指南往往能较合理地预测临床诱导风险，但对于新一代的肝细胞模型在CYP诱导评估中的表现，目前仍缺乏充分认知。 表4.各CYP酶的最大诱导倍数（Eₘₐₓ）和半数效应浓度（EC₅₀）四、研究讨论传统PHH模型虽然被广泛用于CYP诱导研究，但在长期培养过程中，常会出现：肝细胞功能下降；CYP表达水平降低；细胞状态不稳定 总体来看，全人源肝细胞三培养体系（TCS）在长期培养稳定性与CYP450酶诱导研究中表现出良好应用潜力，可作为体外药物代谢与诱导评价的重要研究模型之一。
18110编辑于 2026-05-08 - 来自专栏生信菜鸟团
Cell | 单细胞技术揭示人肝细胞图谱
今天我们来看一篇单细胞分析肝脏的文章，原文题目为：A human liver cell atlas reveals heterogeneity and epithelial progenitors 该团队对来自9个正常人体的肝组织的 1.收集了9例实施肝切除的病人标本， 其本身无基础肝脏疾病。 9.差异表达分析 使用RaceID包的diffexpnb函数 10.通路富集分析和GSEA 使用clusterProfiler包和ReactomePA包 11.使用the Human Protein Atlas 总结 该研究建立了一个人肝细胞图谱，揭示了主要肝细胞群的异质性和成人肝脏中上皮祖细胞的存在。 关于HCC的分析表明，该图谱为肝脏疾病的研究提供了关键参考，将有助于开发迫切需要的人类肝脏模型，包括类器官和人性化的肝脏嵌合小鼠模型。
6.7K31发布于 2020-03-30 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
1.2K10编辑于 2024-07-04 - 来自专栏药物代谢与原代肝细胞研究
人原代肝细胞PHH与肝非实质细胞应用解析：药物代谢、肝毒性检测与MASH模型研究
关键词：人原代肝细胞、PHH、人肝非实质细胞、Kupffer细胞、肝星状细胞、肝内皮细胞、肝细胞培养基、药物肝毒性检测、MASH模型、体外肝脏模型 一、人原代肝细胞选型主要标准人原代肝细胞是药物研发中评估代谢稳定性 短期贴壁型人原代肝细胞通常可稳定培养1至4天，适用于快速代谢实验、清除率测定和短期毒性评价；中期贴壁型细胞可稳定培养5至9天，更适合酶诱导研究、药物相互作用研究以及部分复杂培养体系；长期贴壁型细胞可稳定贴壁至 常见检测内容包括CYP1A2、CYP2B6、CYP2C9、CYP3A4等主要代谢酶活性，部分细胞批次还可提供多种代谢酶和肝病相关基因分型信息，以及供体病史、BMI、肝功能指标和病理学评分。 三、人原代肝细胞PHH的主要类型与应用场景人原代肝细胞是药物研发中使用广泛的肝脏细胞模型。 中期贴壁型细胞通常可维持5至9天，长期贴壁型可维持10至14天，可支持研究人员在较长培养窗口内观察CYP1A2、CYP2B6、CYP3A4等代谢酶对诱导剂的响应。
5910编辑于 2026-07-06 - 来自专栏生物医药
类器官内单细胞CRISPR筛选揭示肝细胞分化和成熟的决定因素
因此，我们将9个肝细胞标记基因的表达整合为肝细胞调控评分，通过该评分可以对P2和P4中的候选调控因子进行排名（图3e、f）。 在用扩增培养基培养的FosKO类器官中，胆管细胞标志物（Sox9和Spp1）上调，而肝细胞标志物通过qRT-PCR几乎无法检测到（附加文件1：图S9c）。 由于Fos敲除导致我们的小鼠ICO模型中肝细胞分化加速，我们想探究Fos是否在体内肝细胞分化中发挥作用。 另一方面，已有研究证明Fos缺失可在肝脏条件性敲除小鼠模型中上调代谢通路[44]，这与我们从类器官模型获得的数据一致。总的来说，我们提出Fos是肝细胞分化和成熟的抑制因子。 ，我们在人体肝内胆管类器官（hICO）模型中评估了人FOS缺失的影响。
14810编辑于 2026-05-25 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.3K20编辑于 2022-02-09 - 来自专栏Ywrby
9-线程概念与多线程模型
因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型
42110编辑于 2022-10-27 winform部署yolov9的onnx模型
C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！
60110编辑于 2025-07-20- 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
65620发布于 2021-10-12 - 来自专栏单细胞天地
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
1K10发布于 2021-10-09 - 来自专栏纳米药物前沿
徐福建杨明AS：乳糖衍生的CRISPR Cas9递送系统用于体内高效基因组编辑以治疗原位肝细胞癌
安全有效的递送载体是CRISPR / Cas9系统体内高效基因编辑的需求。乳糖（一种天然糖）可以特异性结合在肝细胞癌（HCC）细胞表面高表达的去唾液酸糖蛋白受体。 在此，北京化工大学徐福建和山东第一医科大学附属肿瘤医院杨明提出了具有大量可还原的二硫键和羟基的乳糖衍生的分支阳离子生物聚合物（LBP）作为CRISPR / Cas9系统的潜在递送载体，用于体内高效基因组编辑以治疗原位肝细胞癌 LBP介导的经典pCas9-survivin可以靶向和敲除survivin癌基因，可在原位HCC小鼠模型中产生有效的基因编辑性能，并具有出色的抗癌活性。 通过开环反应成功制备了乳糖衍生的生物聚合物（LBP），作为一种安全的CRISPR / Cas9递送系统，可在体内进行有效的基因组编辑以治疗原位肝细胞癌。 作为典型的CRISPR / Cas9系统，已证明pCas9-survivin抑制HCC的活性。LBP介导的pCas9-survivin的递送证明了体外有效的基因编辑，使HCC细胞凋亡并抑制了增殖。
60310发布于 2021-02-04 - 来自专栏细胞培养
人肝非实质细胞NPC如何突破传统肝细胞模型局限？Kupffer Cells、肝星状细胞与LSECs应用解析
摘要：在人肝病研究、药物肝毒性评价以及3D肝脏模型构建过程中，传统单一肝细胞模型由于缺乏真实肝脏微环境，往往难以完整复现炎症、纤维化以及免疫相关损伤等关键病理过程。 关键词：人肝非实质细胞；肝NPC；KupfferCells；肝星状细胞；LSECs；肝病模型；药物ADME-Tox；NASH；肝纤维化；3D肝脏模型；原代肝细胞一、为什么传统单一肝细胞模型越来越难满足现代肝病研究需求 在肝病机制研究、药物肝毒性评价以及新药研发过程中，原代肝细胞长期以来一直是重要研究工具。然而，随着研究不断深入，研究人员逐渐发现，传统单一肝细胞模型存在明显局限。 六、为什么肝NPC共培养体系正在成为高生理相关性肝病模型的重要方向？随着肝病研究不断深入，研究人员逐渐认识到，仅依赖单一肝细胞模型已经难以满足复杂疾病研究需求。 例如，在NAFLD/NASH研究中，单一肝细胞模型通常只能诱导脂肪变性，而难以同步复现炎症与纤维化过程；在药物ADME-Tox研究中，单一肝细胞体系也难以完整模拟免疫介导型肝毒性与药物转运过程。
15010编辑于 2026-05-18 - 来自专栏细胞培养
人原代肝细胞长期培养模型比较：HepatoPac、Spheroids与TCS在慢代谢药物ADME研究中的应用解析
因此，HepatoPac、肝细胞球体（Spheroids）以及三培养系统（TCS）等长期原代人肝细胞模型，逐渐成为药物代谢研究和ADME评价中的重要体外工具。 为什么慢代谢药物研究越来越依赖长期原代肝细胞模型？ 其中，HepatoPac是一类微图案化共培养模型，常用于延长原代肝细胞功能维持时间；Spheroids通过三维肝细胞球体结构维持细胞间相互作用；TCS则通过三培养系统构建更加稳定的长期培养环境；SHH作为传统悬浮人肝细胞模型 这种比较方式不仅关注模型是否能够消耗原药，也关注其是否能够生成具有体内相关性的代谢产物，因此更适合评价长期肝细胞模型在真实药物代谢研究中的应用价值。表1：三种长期原代人肝细胞培养模型。 表4：人血浆和肝细胞中鉴定出的TAK-041及其代谢产物。六、不同长期培养模型在原药消耗方面的差异除代谢物种类之外，原药消耗比例也是评价不同肝细胞模型代谢能力的重要指标。
20010编辑于 2026-05-13 - 来自专栏聊点学术
【探索】肝细胞肥大图像之定量分析（一）
也就是说，一旦肝细胞肥大这一诊断成立，即大可能地说明肝脏处在代偿阶段，如果损伤因素不及时撤除，经过一段时间，肝细胞可能会因为失代偿而走向凋亡。 当大量的肝细胞凋亡后，纤维组织会逐渐替代，发展为肝纤维化，甚至是肝衰竭。 ▼ 2. 肝细胞肥大的诊断要点？ 大鼠、小鼠中肝细胞肥大呈弥漫性或带状，常常见于中央静脉区域。通常低倍镜下肝细胞的形态变化表现为区域性肝细胞大小和嗜酸性增加，伴有核密度的相对减少，肝脏窦状隙压缩。 肝细胞肥大的分析难点？ 正所谓，心中了了，眼下难明。诊断是容易的，困难的是如何界定肥大的程度。实操时，常常难以界定肝细胞肥大的程度，最多只能通过分级法解决。 （圆框为肝细胞肥大区，方框为正常肝细胞区） ▼ 4. 肝细胞肥大有可能定量分析吗？ 如果想要在切片上定量分析肝细胞肥大，肝细胞平均大小这一重要指标必须得到。
1.7K21发布于 2020-10-21 - 来自专栏细胞培养
全长Laminin在肝细胞培养与3D肝类器官中的应用：LN521、LN111、LN411促进hPSC来源肝细胞成熟的研究解析
本文围绕LN521、LN111与LN411三种全长层粘连蛋白在肝细胞二维培养、原代肝细胞维持、hPSC来源肝细胞成熟以及3D肝类器官培养中的应用展开介绍，并结合相关实验数据分析其在肝脏研究、药物代谢模型以及体外肝脏微环境构建中的应用价值 在体外肝细胞研究中，研究人员长期面临一个核心问题：如何在培养体系中更真实地模拟人体肝脏细胞外基质（ECM）环境，从而获得功能更稳定、成熟度更高且更接近人体真实状态的肝细胞模型。 因此，越来越多研究开始采用全长laminin替代传统动物来源ECM体系，以建立更适合标准化研究的培养模型。三、LN521与LN111如何促进hPSC来源肝细胞分化？ 这对于长期培养、药物筛选以及标准化肝细胞模型建立具有重要意义。四、LN411在原代肝细胞培养中的作用除了hPSC来源肝细胞之外，LN411在原代肝细胞培养中同样表现出较好的应用价值。 目前，这些全长层粘连蛋白已经广泛应用于hPSC来源肝细胞分化、原代肝细胞培养、3D肝球体构建以及肝类器官研究等方向，并在提高细胞成熟度、维持功能稳定以及优化药物代谢模型等方面表现出较好的应用潜力。
17110编辑于 2026-05-12 使用python部署yolov9的onnx模型
【框架地址】 https://github.com/WongKinYiu/yolov9 【yolov9简介】 在目标检测领域，YOLOv9 实现了一代更比一代强，利用新架构和方法让传统卷积在参数利用率方面胜过了深度卷积 自 2015 年 Joseph Redmon、Ali Farhadi 等人提出初代模型以来，领域内的研究者们已经对 YOLO 进行了多次更新迭代，模型性能越来越强大。 ，从而使得模型的预测结果能够最接近真实情况。 该架构证实了 PGI 可以在轻量级模型上取得优异的结果。 研究者在基于 MS COCO 数据集的目标检测任务上验证所提出的 GELAN 和 PGI。 对于 PGI 而言，它的适用性很强，可用于从轻型到大型的各种模型。我们可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。
35000编辑于 2025-07-20- 来自专栏数据科学（冷冻工厂）
提高CV模型训练性能的9个技巧
长话短说： 训练模型尺寸：小 保存权重并在更大的图像尺寸上重新训练模型 再次保存权重并重新训练最终图像大小 这个过程将会获得更快的收敛和更好的性能。 6. 学习率 在模型训练期间更改 learning_rate： 慢的 lr 需要太长的时间，而快的 lr 可能无法帮助你的模型收敛，使用这个逻辑，我们应该使用动态学习率。 热身 从论文 Bag of Tricks[9]中，使用 LR 预热是亮点之一： 当你开始训练一个模型时，它具有更多的“随机性”，因为它刚刚开始学习特征，因此首先从较小的 learning_rate 开始允许它选择细节 9. 图像增强 NNs 受益于更多数据。图像中的微小变化确实可以帮助模型提高对图像内部特征的理解。使用正确的图像增强可以真正帮助您的模型。 how-to-modify-a-conv2d-to-depthwise-separable-convolution/15843/4 [8] 学习率: https://forums.fast.ai/t/fine-tune-vs-fit-one-cycle/66029 [9]
78420编辑于 2023-02-27
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