复现顶刊单细胞气泡图——修改版！

点击这里，获取示例数据和相关教程前言之前有一篇推文卡卡带大家复现了一个顶刊的气泡图，推文可见如下：跟着顶刊学配色 ｜单细胞marker基因气泡图复现之后卡卡总是觉得效果不尽人意！ /scRNA.Rdata")绘图markers <- c("MS4A1","BANK1","CD79A","TNFRSF13C","BCL11A","IL7R","CD3G","CD2","ITM2A" CD3D","IGLL1","MZB1","IGLL5","SSR4","KRT18","KRT19","DEFB1","CTSS","EPCAM","SOX4","RGS5","COL1A1","ACTA2" PECAM1","CDH5","SPARCL1","STC1","SPARC","TM4SF1","INSR","GNLY","GZMB","KLRD1","KLRF1","B3GNT7","APOA2"

复现升级Cell顶刊：别具风格小提琴图

粉丝留言，是一篇Cell文章的小提琴图，看起来别具一格，虽然我们没有直接做过这幅图，但是从以往的帖子汲取要点切片，就能够实现这个效果。 这里主要四个帖子（复现NC图表：别具一格小提琴图的绘制，复现nature图表：双重组合-渐变背景火山图-效果？无需多言杠杠的！ ，复现《nature communications》散点小提琴图+蜜蜂图,（群成员专享免费）复现nature图表：ggplot做堆叠小提琴图）。 都是基于ggplot2绘图，需要实现小提琴图，添加显著性检验p值，背景渐变颜色等。 /NC_data.xlsx", sheet = 2) #读取第2个sheet的文件 data1 <- data[-1,2:4] colnames(data1) <- data1[1,] data1 <-

深度学习: CV顶会 & CV顶刊

Conference on Computer Vision (奇数年，10月开会) ECCV: European Conference on Computer Vision (偶数年，3月截稿，9月开会) CV两大顶刊 ---- [1] 计算机视觉顶尖期刊和会议有哪些 [2] cvpr中poster,oral,spotlight的区别是什么 [3] AI学术会议Deadline清单 [4] CVPR 2018

复现 sci 顶刊中的 3D 密度函数图

点击下方公众号，回复资料分享，收获惊喜 简介 最近在看一些关于贝叶斯深度学习在可靠性方向应用的文章，看到下面这篇文章，发表在可靠性方向顶刊的 ITR 中。 ITR 期刊，可靠性领域顶刊 本文主要介绍：使用贝叶斯深度学习来预测产品剩余使用寿命，但是传统的深度学习方法只能得到未来时间点的估计值，并不能包含不确定性因素，而使用贝叶斯深度学习，最后可以得到未来时间点预测值的分布 主要是复现这个图，那正式开始吧！ 教程 对于这种 3D 的图形，ggplot2 包以及对应的拓展包好像不是很在行，但是也有一些教程可见：3D Plots with ggplot2 and Plotly[1]。 说明下，这个方向绘制的图会比较简单，难点在于模型建立和理论推导，所以小编也不知复现这些图对读者们帮助大不大，主要是自己科研期间的记录。

顶刊 Science 文献两分组差异结果比较图复现

今天来复现一篇 2024 年 6 月份发表在 顶刊 science 杂志上的文献《Defining the KRAS- and ERK-dependent transcriptome in KRAS-mutant siRNA RNA测序 为了确定 KRAS 依赖性转录组，作者对一组八个人类 KRAS 突变型 胰腺导管腺癌PDAC的细胞系在经过 24 小时 KRAS 小干扰 RNA（siRNA）处理后的基因转录变化（图 0.01）（图 2E 和数据 S6）。 在大约 84% 的情况下，两种处理下的基因表达水平变化方向相同（图 2F），就是我们今天复现的图F。 数据背景都搞清楚了，现在开始复现吧！ < 0.01）（图 2E 和数据 S6）。

计算机视觉的顶会顶刊！

Conference on Computer Vision (奇数年，10月开会) ECCV: European Conference on Computer Vision (偶数年，3月截稿，9月开会) CV两大顶刊

机器学习再发Nature顶刊

02 核心创新点 本文的核心创新点是使用大规模和多样化的第一原理计算训练GNN（图神经网络），从而实现对无机材料的高效发现。 03 重点图文解析 要点： 图1展示了GNoME模型的性能随着规模扩大的改进情况。图1e展示了通过对晶体进行随机搜索产生的晶体替代数据进行训练的结构模型在处理超出分布范围的任务时的紧凑性。 image 要点： 图2展示了以下内容： a. 结构中具有四个以上独特元素的材料数量的增长情况。 b. 发现的四元材料的相分离能与Materials Project中的相分离能的比较情况。 c. 要点： 图3展示了以下内容： a. 在零样本学习的情况下，预训练的GNoME势能在从AIMD中采样的下游数据上的准确性表现。

顶刊杂志同款高颜值热图+文字注释框（IF=25.476）

图的含义：为了研究 PRC1.1 缺失的白血病细胞的耐药机制，用DMSO或VTP50469处理的PCGF1野生型和敲除型OCI-AML2细胞中进行转录组测序分析。 K-means 聚类分析确定了4个具有不同基因表达模式的簇（图4A；补充表3）： cluster 2基因：与造血系发育和髓系分化相关，在PCGF1敲除后VTP50469对其激活作用减弱； cluster 3基因：富含MLL融合癌蛋白靶标，如MEIS1、PBX3和MEF2C，在PCGF1野生型和敲除型细胞中均被VTP50469抑制（图4A-B）； cluster 4基因：包括MYC、LRP5和RUNX3 ，与MYC基因特征和核糖体生物合成相关，在野生型细胞中被抑制，但在PCGF1缺失细胞中未被抑制（图4A）。 前面在学习绘制这个热图时，专门去学习了热图旁边的文字框绘制：一文了解热图如何添加文本框注释 数据 热图的数据，文献提供了在supplemental Table 3中，下载链接：https://pmc.ncbi.nlm.nih.gov

ACM顶刊接收 | GAN的综述

Surv. 54, 2, Article 37 (February 2021), 38 pages. 将GAN应用于实际问题，仍存在挑战，在此本文重点关注其中三个：（1）高质量的图像生成；（2）图像生成的多样性；（3）稳定的训练。 2 典型网络结构 ?

顶刊大佬用什么注释包？

Visualize cell type annotation on UMAPDimPlot(obj,group.by='celltype') 官网提供的代码两个关键步骤：1、通过API与chatgpt连接；2、 https://gitee.com/dftianyi/openai") library(Matrix) library(GPTCelltype) library(openai) library(ggplot2) celltype <- as.factor(res[as.character(Idents(pbmc_small))]) DimPlot(pbmc_small,group.by='celltype') 结果图： logfc.threshold = 0.5,test.use = "MAST") top10 <- markers %>% group_by(cluster) %>% top_n(n = 10, wt = avg_log2FC 首先进入天意云官网（https://cloud.dftianyi.com/）之后，点击控制台，在网页的左侧栏找到“GPT-API接口” 开通之后，等待状态变成“完成”，下图框中的1为API接口地址，2为

【顶刊论文分享】识别恶意bot

，具体的设计思路如图2所示。 图2 Honeysite的设计思路 三、Bot行为分析 根据bot发出请求的意图可以将其分为三类：良性、恶意和灰色。良性的bot不会发送未经请求的POST或利用漏洞进行攻击。 图3 每日访问honeysite的新增IP数目（上）和请求数目（下） 此外，Aristaeus平台在实验后期每天通常会监测到约1000个新的IP地址。 图4 IP地址的分布情况 图5中列出了接收请求最多的端点及相应的web应用，颜色越深表示这类web应用接收相应请求的概率越高。 图5 常见的请求URI和web应用程序间关联的热图 值得注意的是，作者并未发现bot发出的请求违背robots.txt的现象，同时只有少于1%的bot违背了CSP。

科研绘图全流程实战：从实验数据到期刊封面，8款工具这样搭

本文模拟一篇典型生物医学论文的配图制作过程，为你呈现8款工具如何各司其职、无缝协作，最终产出符合顶刊要求的全套配图。 第五步：精修与组合——用Adobe Illustrator冲击顶刊场景：你需要将所有图表组合成一张复合图，并优化细节以符合顶刊封面标准。 “钢笔工具”优化线条平滑度将电镜照片、示意图、数据图组合为复合图导出PDF/EPS格式，直接用于投稿这一步的成果：顶刊级封面或复合图，细节满分，排版专业。 FAQ1.生物医学机制图快速出图优先用什么？优先用 BioGDP，全中文操作，顶刊模板丰富，素材原创可授权，无版权风险。2.实验数据统计与绘图用哪款工具？ 用 Adobe Illustrator，可统一配色、优化细节，制作顶刊级复合图与封面。

仅2张图分析如何发到顶刊PNAS？

表1 俄亥俄州、冰岛和UKB研究组的人口统计学特征 2. 表2 每个研究组PRS模型中使用的效应估计值 ? 图1 评估PRS模型对俄亥俄州(A)、冰岛(B)和UKB(C)研究组区分能力的ROC曲线 ? 附表S2 AUC分析中完整模型下运行的协变量的Logistic回归分析结果 4. 图2 从俄亥俄州、冰岛和UKB研究组的Meta分析结果获得的甲状腺癌状态的10-SNP PRS十分位的OR估计值，使用底部10-SNP PRS十分位(0-10%)作为参照组（显示为水平实线） 小结

【顶刊论文分享】告警分析全家桶

三、 告警分析问题速览 一般来说，告警可以分为3种类型[2]： ① 高危告警（true positive）。 2. 误报识别。由于业务的复杂性不可避免的会触发告警，且数量巨大，极大干扰了运营效率。一般来说需要运营人员逐渐熟悉业务后才能去除该部分误报。 3. 无关告警识别。 图1 告警分析流程图 步骤一：规范化（Normalization）。该步骤把不同类型探针的回传数据按照统一格式进行处理，目前SIEM对于该步骤已经基本支持。该步骤无告警减少。 论文中采用滑动窗口的方式，将时间间隔在2s内，由不同探针触发的相同告警进行融合。如图2所示，告警2、3被融合成元告警8。 图2. Journal of computer security, 2002, 10(1-2): 71-103. [4] van Ede, Thijs, et al.

【源头活水】顶刊解读！Nature子刊 Machine Intelligence（IF 23.8）2024年第6卷第5期（2）

蛋白质序列设计、AlphaFold 2.Ren, M., Yu, C., Bu, D. et al. https://doi.org/10.1038/s42256-024-00838-2 蛋白质序列设计、AlphaFold 蛋白质序列设计对于蛋白质工程至关重要。 在这里，我们介绍了一个名为分布图变换器（Distributional Graphormer，简称DiG）的深度学习框架，旨在预测分子系统的平衡分布。 DiG受到热力学中退火过程的启发，使用深度神经网络将简单分布转化为平衡分布，条件是分子系统的描述符，例如化学图或蛋白质序列。

顶刊方法分享---CNA neighbourhood analysis（inferCNV + moilR）

【图像配准】使用OpenCV进行多图配准拼接

本篇主要利用OpenCV自带的配准拼接函数Stitcher_create来实现多幅图像的配准拼接 代码参考自：https://github.com/samggggflynn/image-stitching-opencv 图像拼接创建步骤 通常来说，根据多个图像创建全景图的步骤为以下几步： 检测两张图像的关键点特征（DoG、Harris等） 计算不变特征描述符（SIFT、SURF或ORB等） 根据关键点特征和描述符 (stitched, 2, 2, 2, cv2.BORDER_CONSTANT, (0, 0, 0)) # 对图像进行灰度化和阈值化 gray = cv2.cvtColor 原仓库给出了三张测试小图如下： 不进行裁剪之后的结果： 裁剪后的结果为下图红框所示部分： 参考 [1]https://github.com/samggggflynn/image-stitching-opencv [2]你相机里的全景图是如何实现的 https://zhuanlan.zhihu.com/p/83225676 [3]PyImageSearch学习笔记三（使用Opencv拼接全景地图二）https

MG-132 顶刊引用文献分享｜MCE

MG- 132 (0.75-5 μM;24 小时) 通过 26S 蛋白酶体抑制作用在 KIM-2 细胞中有效诱导 p53 依赖性细胞凋亡[5]。 ;188(3):814-831.e21.MG132 (42 μM; 12 h) almost completely blocks mouse embryonic development.MG-132 顶刊引用文献精选 用添加了 10% FBS 的培养基制备含有 100 nM MG132 的工作溶液；每个孔中加入 2 ml 培养基，然后收获蛋白质。2. EMBO Mol Med. 2017 Sep;9(9):1294-1313.[2]. Fan WH, et al. Am J Respir Cell Mol Biol. 1998 Aug;19(2):259-68.[5].

顶刊解读 IJCV | CAE-GReaT: 卷积辅助高效图推理Transformer用于密集图像预测

CAE-GReaT层主要由三个组成部分：(1)特征分离，(2)卷积辅助高效图推理块（CAE-GReaB），以及(3)特征聚合。 如图2a所示，这些特征中，一组用于高效的图推理分支，另外两组用于辅助卷积分支。为了实现这一目标，对于每个子空间，我们使用3×3卷积、1×1卷积和批量归一化层。 3.2.2 CAE-GReaB 如图2b所示，CAE-GReaB旨在将分离的图像特征 XGReaT、XF_Aux 和 XC_Aux 编码成两组特征图，其中图推理分支用于捕获长距离特征依赖，卷积分支用于捕获局部详细信息 Swin Transformer (Liu et al., 2021): 强大的swinB变体（即，隐藏层的通道数设置为128，层数设置为{2, 2, 18, 2}）作为基线，它在ImageNet22K 原因可能是图变换器模型在过多的图节点下难以学习有用的相关性。在这一观察下，M在以下实验中设置为16。 4.3.3 单层还是多层CAE-GReaB？ 在表2的下半部分，我们展示了不同图层数的结果。

简单几行代码，生成手绘风格配图，再也不用担心配图丑了！

2019年 12月17日 简单几行代码，生成手绘风格配图，再也不用担心配图丑了！ 小编：Lateautumn4lin(逆向小小小学生) 咳咳！ 再之后由于开了公众号，在写文章的时候需要各种配图，但是又对于那些普通的，死板的配图XXXX（词穷，不知道如何表达 ? ）。于是乎！ 萌生了一个想法，“为何不在文章里加上一些手绘风格的配图呢？ 正好也恰合我的公众号‘笔记’这一个想法”，于是便在全网各种搜罗有关于如何生成手绘风格配图的方案。 1 配图方案搜罗阶段 苦苦寻求，不得其解 翻遍了各大搜索引擎、软件网站 ? ? ? ? FlowChart风格 手绘的流程图，满满笔记风 ? 这个工具做出的流程图真的很有笔记风！想起了大学学编程手绘的流程图了。 ? ->e c2(no)->op2->e //编写各个流程之间的关系 生成的流程图 ?