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","PDGFRB","LYZ","AIF1","RNASE1","C1QB","HLA - DRA","PECAM1","CDH5","SPARCL1","STC1","SPARC","TM4SF1 AMBP","APOH","TTR")colorsForDataType <- c("#6DCCDD", "#EDCAE0", "#F494BE", "#F9B26C", "#A6ADCC", "#C4DA5D

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）。 /NC_data.xlsx", sheet = 2) #读取第2个sheet的文件 data1 <- data[-1,2:4] colnames(data1) <- data1[1,] data1 <- colors=NULL){ if(is.null(colors)){ pal <- colorRampPalette(c("#4575b4"

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！ 如果你对其他参数感兴趣，可以参见这篇教程：Impressive package for 3D and 4D graph - R software and data visualization[4]。 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 突变型 胰腺导管腺癌PDAC中的 ERK 依赖性转录组，作者对RNA-seq 测序数据集（PRJEB25806）进行分析，该数据集包含一组经 ERK1/2 选择性抑制剂 SCH772984 处理 1、4、 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！ alpha = 0.1, size = 0.2, stroke = 1) # 显著的基因：添加的颜色 my_col <- c("up" = "#cb181d", "down" ="#2927c<em>4</em>"

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

4年4篇顶刊顶会论文！清华开源肖像线条画生成代码，惟妙惟肖模仿人类作画

而这4篇论文有着相同的一作：易冉。 易冉现在是上海交通大学计算机系助理教授。她于2016年获得清华大学工学学士学位，2021年获得清华大学工学博士学位。 课题组部分成员合影 连续4年发表顶刊顶会论文 2022 论文链接：https://doi.org/10.1109/TPAMI.2022.3147570 代码链接：https://github.com 给定一个「新」风格的肖像线条画参考图，论文提出使用训练好的生成器，在风格特征空间中搜索一个最优的风格特征，使其生成的肖像线条画在风格上与参考图最相似。 论文对生成模型进行了特征图可视化，并将其与人脸语义图进行比较，以进一步分析生成网络。实验结果验证了生成器在生成过程中学习了人脸的语义信息。大量实验表明，论文所提出的模型优于目前最先进的方法。 https://doi.org/10.1109/CVPR42600.2020.00824 https://github.com/yiranran/Unpaired-Portrait-Drawing[4]

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）

差异基因表达分析发现，在野生型细胞中，menin 抑制后有1117个基因上调、950个基因下调（fold change >1.5; adjusted P value <.01）（图4A）。 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？

发表在《Nature Methods》的《Assessing GPT-4 for cell type annotation in single-cell RNA-seq analysis》带火了GPTcelltype is the Seurat object; "markers" is the output from FindAllMarkers(obj) #Cell type annotation by GPT-4# #注释 res <- gptcelltype(markers, model = 'gpt-<em>4</em>') ##添加到metadata# Assign cell type annotation back to Seurat 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、res <- gptcelltype(markers, model = 'gpt-<em>4</em>' 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

4 常见应用 数据增强 图像合成 视频生成 特征生成 5 评估指标 6 未来&总结 GAN主要还是在图像视觉上有较大进展，NLP等领域相对滞后；一些其他数据模态例如时空序列等也相对探索较少；GAN的不良使用可能会对社会产生消极影响

【顶刊论文分享】识别恶意bot

如图4所示，大多数恶意IP属于residential IP，即多数请求来源于感染的个人用户或使用代理的个人设备，这一操作可以避免被黑名单过滤。 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。 作者使用BlindElephant[3]和WhatWeb47[4]两个开源指纹工具提供的文件路径，对Aristaeus服务器上的日志进行匹配，来判断是否为恶意bot在尝试进行指纹识别。 Available:https://github.com/lokifer/BlindElephant [4] “Whatweb.” [Online].

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。

跟着顶刊学习单细胞CD4T细胞功能基因集评分！

往期推文如下：跟着顶刊学习单细胞CD8T细功能基因集评分！回复20250411获取本期数据的CD4T细胞功能基因集评分！ Obj.Rdata")CD4_Obj$seurat_clusters=as.factor(CD4_Obj$seurat_clusters)加载CD4T细胞功能基因集library(scales)# 设置输出路径 /CD4_figures" # 输出图表的目录dir.create(figurePath, showWarnings = FALSE, recursive = TRUE)Idents(CD4_Obj) <- CD4_Obj$seurat_clusters# 读取标记基因 - 正确处理宽格式CSVCD4_markers <- read_csv("CD4-markers.csv", skip = 1) (CD4_Obj$seurat_clusters)[ci]]) FunctionScoreMatrix[ri, ci] <- fv }}热图绘制FunctionScoreMatrix <- t(

【顶刊论文分享】告警分析全家桶

在以上4种告警类型中筛选高危告警的过程中会遇到各种问题，笔者按照经验总结如下： 1. 日志型告警处理。由于日志型告警与攻击没有强关联性，因此不好处理。 4. 告警验证问题。很多时候运营人员只关注“攻击成功的告警”，而原始告警无法直观展示该攻击是否成功，该问题也是目前安全运营中心的一大痛点问题。 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。 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。在论文中的一个数据集上，告警融合可以将告警量降低28%。 Journal of computer security, 2002, 10(1-2): 71-103. [4] van Ede, Thijs, et al.

Claude Opus 4 一句话生成顶刊技术路线图！

5月23日凌晨，Anthropic 正式推出 Claude 4 系列大模型，Claude 4 系列包括 Claude Opus 4 和 Claude Sonnet 4。 为了验证 Claude Opus 4 的实际表现，作者尝试用 Claude Opus 4 生成技术路线图，下图为 Claude 生成图片直出效果。 生成图片效果： 如果你想生成顶刊风格的技术路线图，可以将图片发送给 Claude，让他参考图片风格，生成一张技术路线图。 提示词：请参考附件例图，为“大语言模型（LLM）系统架构框架”主题生成一个类似的技术路线图。要求：图片质量不低于例图，文字、图像不要错乱或重叠，输出 SVG 格式。 确保首图质量：多轮绘图时，生成的第一张图片质量很重要，首图质量会影响后续生成图片的质量。 Claude 使用教程：

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 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 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

;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 超声处理后，将所有裂解物以12,000 g（4℃，20分钟）离心。超声处理后，将所有裂解物以12,000 g（4℃，20分钟）离心。3. OLFM4 在多种肿瘤中过表达，包括结直肠癌、胃癌、胰腺癌和卵巢癌，并且其表达与肿瘤进展相关。 4. Am J Pathol. 2003 Oct;163(4):1663-75.

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

对于编码器网络，有四个阶段，来自Stage-1到Stage-4的特征具有输入空间分辨率的1/4、1/8、1/16和1/32。 窗口大小设置为7，每个MLP的扩展层设置为4。按照默认设置，变换器解码器基于分层特征金字塔。 交互次数设置为4，默认稀疏注意力设置为可变形注意力，采样点数设置为4。注意力头数设置为16，FFN的隐藏大小为256。 4.3.5 CAB的有效性 CAE-GReaT层主要由两个分支组成：高效的图推理分支和辅助卷积分支。在这个消融研究中，我们探索了卷积辅助分支的有效性。结果在表4中显示。 此外，我们在图4中展示了与最新方法在COCO验证集上的可视化结果比较。