- 综合排序
- 最热优先
- 最新优先
- 来自专栏james的生信学习
蛋白组学分析包——DEqMS学习
在初次接触蛋白组学的数据之时，外观上，其数据格式与我们常见的基因表达测序矩阵文件没有什么的不同。 目前主要的蛋白组学分析R工具有如下三款： ①limma；②DEqMS；③DEP 本次主要对DEqMS展开学习： tutorial官网：http://www.bioconductor.org/packages - DEqMS t-statistics sca.P.Value - DEqMS p-values sca.adj.pval - BH method adjusted DEqMS p-values 6. Mol Cell Proteomics. 2020 Jun;19(6):1047-1057. doi: 10.1074/mcp.TIR119.001646. Epub 2020 Mar 23.
2.9K00编辑于 2022-03-25 - 来自专栏作图丫
Cell：人肺腺癌的综合蛋白组学特征
LUAD患者的磷蛋白组学概况。上图为两种类型或一种类型组织中的磷蛋白和磷光颗粒的数量，下图为79例患者中发现的磷蛋白的两两比较。 07 磷酸化的蛋白组学特征及其临床关联 在至少50%的样本中定量的1,244个磷酸蛋白中，与配对NATs相比，肿瘤中474个显著增加，183个显著减少(Figure 6A)。 磷酸化蛋白组的激酶底物富集分析(KSEA)鉴定了多种在肿瘤中被激活的激酶(Figure 6C)。通过对三种蛋白质组亚型的磷酸化蛋白组进行比较，可以发现具有亚型特异性的活化激酶(Figure 6B)。 为了明确这些与癌症相关的磷酸化蛋白在致癌信号通路中的作用，我们通过计算这些磷酸化蛋白在致癌通路中的表达水平，构建了一个磷酸化调控网络(Figure 6E)，多种蛋白可能受到癌症相关磷酸化信号的调控。 Figure 6 LUAD的磷蛋白组学特征及其与临床结果的关系 (A) 肿瘤或NATs中磷酸蛋白的表达。红—上调，蓝—下调。 (B) KSEA评估三种蛋白组亚型肿瘤中的激酶活性。
1.1K31编辑于 2022-03-29 - 来自专栏生信技能树
Bioconductor的质谱蛋白组学数据分析
# [5] "PXD000001_mztab.txt" # [6]
4.5K51发布于 2018-06-11 - 来自专栏科研猫
【科研猫】轻盈的蛋白组学文章怎么发？
近年来蛋白质组学技术受到了生物和临床研究领域的广泛关注，PubMed中收录的文章数量也呈现逐年递增的趋势，预计2020年蛋白组学的发表研究将突破1.4万篇。 抛开一些大牛实验室的高精尖蛋白组学研究，一般影响因子3-5分的蛋白质组学文章的套路还是挺简单的。 ?
1.2K20发布于 2020-07-28 - 来自专栏R基础
蛋白组学—两个蛋白质之间的分子对接
蛋白组学—两个蛋白质之间的分子对接 以VTN与SLPI两个蛋白，进行两蛋白之间的分子对接 1 VTN蛋白结构下载 首先在https://www.uniprot.org/中搜索相关基因，如VTN,选择对应的种属 分析和建议： 分辨率比较： 1.70 Å（PDB 7RJ9）的分辨率更高，相比1.90 Å（PDB 6O5E），这个结构提供的原子定位精度会更高。 如果您需要在不同的亚单元或多个链之间进行研究，可以同时参考这两个结构（6O5E和7RJ9），但总体来说，7RJ9的质量更高。 Rank 6的RMSD（62.46 Å）最低，表明它的配体位置更接近参考结构。低RMSD值通常代表模型构象的稳定性更好，尽管RMSD的绝对数值在分子对接中的意义可能还需结合具体对接得分来解释。 Rank 6模型具有相对低的RMSD值（62.46 Å），也有较好的Docking Score（-252.87），但结合强度不如Rank 1模型。
9.2K32编辑于 2024-11-06 - 来自专栏作图丫
关于肿瘤亚型特征筛选以及临床预测--这篇NC这样做！
Cell 166, 755–765 (2016)）的119个HGSC样本进行了基于质谱法(MS)的糖蛋白组学分析。 Fig.5 05 糖基化酶与完整糖肽的相关性 为了将糖转移酶和糖苷酶的全局蛋白质表达与 IGP 的表达谱联系起来，作者进行了成对相关分析（Fig.6A）。 一组包括三种葡萄糖苷酶：GANAB、MOGS 和 PRKCSH，它们与含高甘露糖的IGP高度相关，但与更复杂类型的聚糖呈负相关（Fig.6A）。 对单个糖基化酶的研究表明，糖苷酶 MAN1A1 与携带高甘露糖结构的完整糖肽呈负相关（Fig.6B）。 Fig.6 06 基于糖蛋白组学的HGSC模型 基于不同聚糖和糖基化酶之间的关系，作者提出了由三个HGSC肿瘤cluster中不同聚糖生物合成途径调节的基于糖蛋白组学的特征（Fig.7）。
75620编辑于 2022-03-29 - 来自专栏智能生信
Nat. Commun. | DRUML：利用机器学习预测抗癌药物疗效
而如今，LC-MS/MS吞吐量的提高和无标签串联分析，以及最近大量细胞系和药物的系统性药物反应谱的可用性，使用蛋白质组学和磷蛋白组学数据作为药物反应预测模型的输入的方法变得可行。 DRUML利用蛋白质组学和磷蛋白组学特征的组合，根据药物在降低癌细胞增殖方面的疗效生成药物的排名列表。它不用与参考样本进行比较，就能够在癌细胞群体中预测药物排名。 图2.d、e显示，DL和NNET使用来自磷蛋白组学数据的D值产生的模型在所有细胞系中的验证误差较小。 作者将AML和实体瘤中获得的磷蛋白组学、蛋白质组学和RNA-seq距离D数据作为输入，系统地构建了466种药物的预测模型。总共构建了16,760个学习模型（图4.a）。 从磷蛋白组学和蛋白质组学数据集创建了大约相同数量的模型。 ?
60370发布于 2021-04-13 - 来自专栏DrugOne
Nat. Commun. | DRUML：利用机器学习预测抗癌药物疗效
而如今，LC-MS/MS吞吐量的提高和无标签串联分析，以及最近大量细胞系和药物的系统性药物反应谱的可用性，使用蛋白质组学和磷蛋白组学数据作为药物反应预测模型的输入的方法变得可行。 DRUML利用蛋白质组学和磷蛋白组学特征的组合，根据药物在降低癌细胞增殖方面的疗效生成药物的排名列表。它不用与参考样本进行比较，就能够在癌细胞群体中预测药物排名。 图2.d、e显示，DL和NNET使用来自磷蛋白组学数据的D值产生的模型在所有细胞系中的验证误差较小。 作者将AML和实体瘤中获得的磷蛋白组学、蛋白质组学和RNA-seq距离D数据作为输入，系统地构建了466种药物的预测模型。总共构建了16,760个学习模型（图4.a）。 从磷蛋白组学和蛋白质组学数据集创建了大约相同数量的模型。 ?
1.1K31发布于 2021-04-09 - 来自专栏用户7627119的专栏
单细胞多组学分析——鉴定肿瘤免疫炎症反应中的潜在分子靶点
+CPI colitis单细胞组学与biopsy组织采样分析流程 作者设置了三组研究对象：黑色素瘤患者伴发+CPI colitis（8人），黑色素瘤患者无+CPI colitis炎症伴发（6人），以及健康对照组 FoxP3+ Treg亚群中CTLA-4表达变化 T细胞亚群抑制信号状态变化 图6. 1）T细胞募集需要趋化因子受体CXCR3和CXCR6的协同作用，两者均高表达于+CPI colitis组；αEβ7 integrin作为Trm T细胞特征marker，可增强T细胞对E-cadherin 光谱流式多色panel检测优势 本文同时使用了基因组学和蛋白组学两种方法，对+CPI colitis免疫状态变化进行了细致入微的表征研究。 在本篇研究的蛋白组学分析中，为验证scRNA-seq结果作者设计了15色的流式多色panel，从蛋白组学角度为测序结果提供了细胞功能表型数据的有力补充。
1.6K20发布于 2020-10-23 - 来自专栏智药邦
机器学习+蛋白质组学开发共价药物｜Matchpoint完成7000万美元A轮融资
Matchpoint的ACE平台 Matchpoint的Advanced Covalent Exploration（ACE）平台汇集了一套专有工具，彻底改变了共价药物的发现和开发： 业界领先的化学蛋白组学 "迄今为止，许多可被共价药物锁定的蛋白质组仍未被标准的化学蛋白组学方法所发现"，Matchpoint联合创始人、哈佛医学院和Dana-Farber癌症研究所细胞生物学副教授Edward Chouchani 博士说，"我们的平台结合了专有的化学蛋白组学方法和人工智能，正在克服这一限制，Matchpoint组建的世界级团队在将这些进展转化为下一代精准共价药物方面具有独特的优势。" 随着化学蛋白组学、计算科学和合成化学的最新进展，我们现在有机会用精确的共价小分子改变自身免疫性疾病和其他慢性疾病的治疗。 该公司专有的高级共价探索（ACE）平台整合了先进的化学蛋白组学、机器学习和共价化学库。
54710编辑于 2022-11-16 - 来自专栏DrugOne
Nat. Protoc. | 面向单细胞蛋白质组学的数据处理工作流优选方法ANPELA
Protocols》发表研究论文“navigating the data processing for cytometry-based single-cell proteomics”，提出面向单细胞蛋白组学的数据处理工作流优选方法 该方法以机器学习与多维度评估为支撑，聚焦细胞亚群鉴定与伪时间轨迹推断两项关键任务，在提升处理稳健性与准确性的同时，为药理机制解析与精准医学研究提供可复用、可推广的单细胞蛋白组学数据处理技术路径。 相比之下，研究人员开发的ANPELA可将错误率大幅降低（下降幅度可达6% ~ 20%）。 实现高可信度的细胞轨迹推断 在小鼠胚胎干细胞分化的单细胞蛋白组学数据上，研究团队进一步验证了所提出方法对伪时间轨迹推断的显著增益。
25010编辑于 2025-11-17 - 来自专栏科研菌
ROC曲线+生存曲线如何发6+分？
作者希望以蛋白组学研究来鉴定用于早期检测侵袭性PCa的蛋白标志物，以提高现有预后模型对患者进行风险分层的能力。 二、分析流程 ? 基于表达差异的显著性以及在福尔马林固定石蜡包埋（FFPE）样本中检测蛋白质水平的可行性，选择其中的52个候选标志物进行蛋白组学分析。 2.构建PRISM-SRM方法及靶向蛋白组学测量 PRISM-SRM：具有智能选择和多路复用功能的高压，高分辨率分离与多重反应监测技术。 最后作者进行多变量Cox回归分析构建预测DMFS的模型，分别组合活检变量（表5）和病理变量（表6）及5蛋白分类器，并且将5蛋白分类器在阈值（≥8.3 vs. <8.3）进行二分（model 1）或作为连续变量 表6：5蛋白分类器+SOC病理变量多因素Cox模型 同样通过在测试队列中将5蛋白分类器添加到活检和病理SOC变量中，对分类器进行多变量Cox回归建模以预测BCR。
1.3K51发布于 2020-06-28 - 来自专栏DrugAI
. | 通过课程式深度学习提升宏蛋白组学中肽段识别性能
在 Marine3、Soil3、P3 和 Human Gut 数据集上，所有平台在引入 WinnowNet 后均显著提升： PSM 识别提升 8.6–13.8%； 肽段识别提升 6–25%； 蛋白识别提升
12720编辑于 2026-01-06 - 来自专栏科研菌
CPTAC蛋白质组学数据库中的海量资源
点击任意感兴趣研究的概览界面，如下图为透明细胞肾肿瘤的研究概览，该页面提供了该研究的概览、基因组学与蛋白组学，以及临床样本的贮存位置。 而如下研究为来自TCGA样本的蛋白组学数据补充，关于这些样本的基因组学数据储存于TCGA数据库。 ? 五、CPTAC相关的高分文章 基因蛋白组学的整合分析在高分生信分析中层出不穷，这也说明其意义重大。 例如在高级别浆液性卵巢肿瘤中，在TCGA数据的基础上整合基于质谱检测的蛋白质组数据，探究基因组学改变与蛋白组学变化的关系，探究与预后相关的蛋白(3)。
6.4K32发布于 2020-07-02 - 来自专栏优雅R
生信爱好者周刊（第 59 期）：AlphaCode 编程大赛卷趴一半程序员
论文链接：https://www.nature.com/articles/s41467-022-30449-7 3、iMeta | iMetaLab Suite-宏蛋白组学分箱一站式工具箱 宏蛋白组学研究所需的生物信息学工作流程包含了蛋白质鉴定 （搜库）、定量至下游功能和分类分析，一定程度上限制了其他领域微生物研究人员对宏蛋白组学的使用和探索，为此，本工作开发了涵盖宏蛋白组中最常用的功能、分类和统计分析的流程化工具箱。 6、偏差-方差权衡的直观解释是什么?[5] bias-variance tradeoff 是机器学习的核心概念，本帖子展示了大家对于这一概念的理解和讨论。 工具 9、Bpipe ｜ 一个运行和管理生物信息学管道的工具[6] hello = { exec "echo Hello" } world = { exec "echo World" } Bpipe.run 5ec69b57-f851-4fed-93a0-642f548f4330 [4] 纳米孔测序技术前沿: https://community.nanoporetech.com/posts/guppy-v6-
1.2K10编辑于 2023-02-28 Day7-李泽平-测序初学
）一代测序双脱氧终止法（二）二代测序边合成边测序，代表：Illumina公司的双端测序（三）三代测序包括单分子实时测序、纳米孔测序等二、高通量测序分类（一）基因组学（二）转录组学（基因表达分析）（三）蛋白组学
23610编辑于 2024-03-29- 来自专栏技术杂记
6
配置之后[root@pptp-server ~]# iptables -L -nv Chain INPUT (policy ACCEPT 0 packets, 0 bytes) pkts bytes target prot opt in out source destination 35 3695 ACCEPT all -- * * 0.0.0.0/0 0.0.0.0/0
38630编辑于 2022-06-30 - 来自专栏用户10800790的专栏
生信星球 —— day 7
NGS组学基因组学、转录组学、蛋白组学、代谢组学图片
25220编辑于 2023-10-27 - 来自专栏nummy
ECMAScript 6 特性ECMAScript 6 特性
ECMAScript 6 特性 介绍 ECMAScript 6，也被称做ECMAScript 2015，是ECMAScript标准的下一个版本。这个标准预计将于2015年6月被正式批准。 ES6是这门语言的一次重大更新，自ES5以来，该语言的首次更新是在2009年。主流Javascript引擎对ES6相关特性的实现也正在进行中。 前往ES6标准草案查看ECMAScript 6的所有细节 ECMAScript 6 特性 Arrows 箭头函数 箭头函数是使用 => 语法简写的函数。 _name + " knows " + f)); } } Classes 类 ES6中提供了一个基于原型的面向对象模式的语法糖。简单的声明方式使得类模式变得更容易使用，增加了类的互用性。 f(3) == 15 function f(x, ...y) { // y is an Array return x * y.length; } f(3, "hello", true) == 6
86710发布于 2018-08-27 - 来自专栏sukuna的博客
MIT_6.S081_xv6.Information 6:File System
MIT_6.S081_xv6.Information 6:File System 于2022年3月27日2022年3月27日由Sukuna发布 1.概览 xv6的文件系统由7层组成,首先就是最下面的硬件层 (类似于cache,cache也有脏数据嘛) 还需要注意的是,在操作系统中,磁盘块的大小一般是磁盘扇区大小的两倍.所以说在xv6中我们认为一块就是两个扇区,就是1024字节.到后面我们逻辑上认为一块就是两个扇区 xv6系统调用不直接写入硬盘上文件系统的数据结构。相反，它把一个描述放在磁盘上，这个描述是它在一个log里所期望的所有磁盘写操作。 log.dev表示该log位于哪一个磁盘（xv6实际上只有一个）。log.outstanding记录了目前有多少个进程正在并行地对磁盘进行写。 读写操作和设备文件 file.c和file.h文件中记录了xv6的驱动 // map major device number to device functions. struct devsw {
80820编辑于 2022-12-08
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