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 文中在模拟阶段给出了一个用 matlab 得到的 3D 密度函数图。 原文图形 主要目的：解释使用该方法预测出未来时间点对应剩余使用寿命（RUL）的分布，对应的点估计和真实值。 主要是复现这个图，那正式开始吧！ 这时基本得到了与文献中类似的 3D 密度函数图啦！

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"," HLA - DRA","PECAM1","CDH5","SPARCL1","STC1","SPARC","TM4SF1","INSR","GNLY","GZMB","KLRD1","KLRF1","B3GNT7 + ylab("") + scale_fill_gradientn( colors = c("#5DBCFF", "#6DCCFF", "white", colorsForDataType[3]

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。 数据使用的是（https://www.nature.com/articles/s41467-022-32283-3/figures/2）这篇NC文章的数据，原文提供了原始数据。

深度学习: CV顶会 & CV顶刊

International 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 TPAMI: IEEE Trans on Pattern Analysis and Machine Intelligence TIP: IEEE Transactions on ---- [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

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 ERK 在 KRAS 调控的基因转录中的作用，作者将 24 小时 ERKi vs 对照组 和 KRAS siRNA 处理与对照组 相比的前 200 个差异表达的上调/下调（UP/DN）基因进行了比较（图 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！ 其实可以挑选两个做这个类似的图看看效果。

计算机视觉的顶会顶刊！

International 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 TPAMI: IEEE Trans on Pattern Analysis and Machine Intelligence TIP: IEEE Transactions

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。

顶刊团队都在用：Grok-3论文写作进阶指令

近日小红书博主“基因狐”发表了一篇关于Grok-3的科研笔记，引来了4000+学者疯狂点赞 其中一条600+高赞评论写道： 可见Grok-3的出现，为学术研究注入了全新活力。 例如，当你在研究“肿瘤微环境与免疫治疗”时，Grok-3不会局限于这两个关键词，而是会拓展到相关的子领域和交叉学科。 这正是Grok-3的过人之处。当你阅读一篇重要论文时，不妨让Grok-3担任你的“学术辩手”。 Grok-3在这方面表现出色。 知识整合不是简单拼凑，而是发现联系与断层的过程，Grok-3在这方面展现了惊人能力。 四、提升效率技巧 想让Grok-3成为更得力的科研助手，这些技巧不容错过：首先，精准描述你的需求。

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

顶刊大佬用什么注释包？

celltype <- as.factor(res[as.character(Idents(pbmc_small))]) DimPlot(pbmc_small,group.by='celltype') 结果图：

ACM顶刊接收 | GAN的综述

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。 3 代表性损失函数 ?

【顶刊论文分享】识别恶意bot

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。 表3中列出了目前流行的工具中包含了14个工具的113个指纹，这些工具产生了9879326个请求，覆盖率为97.2%。

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。 3.生信数据可视化（火山图 / 热图）用什么工具？推荐 Hiplot，在线操作无需编程，可快速导出符合 SCI 规范的矢量图。4.科研配图最终精修和组合用什么软件？ 用 Adobe Illustrator，可统一配色、优化细节，制作顶刊级复合图与封面。

【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）。 3. 无关告警识别。该部分告警是否需要关注有大量的主观因素，如：日常运营期间需要统计僵木蠕类告警，输出威胁情报，而网络演习期间则不关注。不过无论是否需要关注，将之与其他告警区分目前仍有难度。 4. 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。 如图2所示，告警2、3被融合成元告警8。 图2. 告警融合示例 该步骤在内部存在多个安全设备时十分有效，如网关处、重要网段出口处均部署了安全设备。 Gesellschaft für Informatik eV, 2004. [3] Eckmann S T, Vigna G, Kemmerer R A.

马斯克生日之际，特斯拉正式交付30量顶配版Model 3

目前，特斯拉方面尚未公布Model 3在中国的售价和上市时间。 今日，30辆顶配版特斯拉Model 3被正式交付到车主手中。 目前，Model 3已经开始量产，但今年大量发货的可能性不大。特斯拉方便表示，到2018年，预计会有50万辆Model 3发货。 而特斯拉交付Model 3之际，正值伊隆·马斯克的46岁生日，而马斯克本人，就是Model 3的第一位车主。 此外，特斯拉还为用户提供了一份加价名单。 而“全自动驾驶能力”售价为3000美元，这也就意味着，Model 3在未来可以在没有驾驶员指令的情况下自主行驶。 目前，特斯拉方面尚未公布Model 3在中国的售价和上市时间。

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

《Kotlin极简教程》第3章 Kotlin语言基础 配图

螢幕快照 2017-06-11 02.17.49.png 螢幕快照 2017-06-11 02.54.03.png

【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 OpenCV实践 OpenCV提供了cv2.createStitcher (OpenCV 3.x) 和 cv2.Stitcher_create(OpenCV 4) 这个拼接函数接口，对于其背后的算法，尚未可知 ERR_CAMERA_PARAMS_ADJUST_FAIL = 3： 很少遇见，与相机有关。 若crop = True则进行后续裁剪，若crop = False则保留拼接完成的原图。 [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

:814-831.e21.MG132 (42 μM; 12 h) almost completely blocks mouse embryonic development.MG-132 顶刊引用文献精选 将细胞接种于六孔板（3×10 6 个细胞/孔），当细胞汇合度达到70～80%时进行质粒转染，继续培养48小时。 将细胞接种于六孔板（3×10 6 个细胞/孔），当细胞汇合度达到70～80%时进行质粒转染，继续培养48小时。 3. J Biochem. 1996 Mar;119(3):572-6.[4]. Fiedler MA, et al.

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。 每个子空间的特征分离过程可以表述为： 其中 表示用于高效图推理分支的分离特征。 和 分别是3×3卷积层和1×1卷积层。 表示批量归一化层（Ioffe & Szegedy, 2015）。 4.3.4 L的影响 在第3.3节的步骤1中，N个图像补丁被投影到M个图节点。在这个消融研究中，我们探索了图像补丁大小L × L的影响。实验结果在表3中显示。 我们还在图3中展示了与最新方法在Cityscapes和ADE20K验证集上的定性可视化结果比较。