- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
读《糖生物学基础》
糖生物学基础，瓦尔基等编著，张树政等翻译 得益于现代分子生物学的发展，我们对经典中心法则基本了然于胸，大致可窥探到细胞内生物信息的流向，这也是生物信息的经典定义。 这也是分子生物学与细胞生物学之间的一种技术侧重。生物信息学会不会从以DNA为核心转移到以细胞为核心，这一点我们无力推断，无疑的是：我们将以更大的维度来理解生物信息学。 糖生物学也被描述为：后基因组研究的序曲。经典中心法则信息流是由模板驱动的，最大的魅力在于其模板的复刻确保信息的准确性。 而糖生物学的规律似乎没有那么明显，这可能也是糖生物学被系统提出来较晚的原因之一。 糖生物学基础，瓦尔基等编著，张树政等翻译 2022年十月诺贝尔化学奖颁布，为我们送来点击化学与生物正交化学的新概念。 诺奖得主之一Bertozzi的主要研究就是糖相关的生物学，曾说：我有一个想法：也许化学家会推动一场糖科学革命。
56330编辑于 2022-10-31 - 来自专栏新智元
AI干6周=生物学家134年！斯坦福生物学基础模型开启生物学AI时代
新智元报道 编辑：alan 【新智元导读】AI在生物学领域的成绩再添一笔，斯坦福大学开发的生物学基础模型，在短短6周内就发现了人类花了134年才发现的Norn细胞，生物学的AI时代正在开启。 斯坦福的这个模型是最近的几个生物学基础模型之一，它们不仅仅是整理生物学家收集的信息，而是正在发现基因如何工作以及细胞如何发育。 用AI来理解生物学是一个有争议的问题。不过乐观的科学家认为，基础模型甚至能够解决当前最大的生物学问题：是什么将生命与非生命区分开来？ 换句话说，UCE可能在生物学家之前发现了一种新型细胞。 细胞互联网 当然了，像所有大模型一样，生物模型有时也会出错。 这对生物学领域来说将是巨大的革命，从培养皿，转移到了计算机。 也许，AI正在学着理解生命的意义。
30810编辑于 2024-03-25 - 来自专栏生信技能树
箱线图的生物学含义
4.箱线图的生物学意义 在生物医学研究中，通常需要比较具有不同分布的多个数据集。条形图或直方图基于简单的统计测量--平均值和方差，来比较数据集。
4.8K60发布于 2019-08-16 - 来自专栏0x0001
软件开发与生物学
无意中发现和尝试了 Chrome DevTools 的 Layers 面板，Get 到了庖丁解牛的新视角。不禁感叹 Web 浏览器的巧夺天工，也从此打开了浏览器从 Layout->Paint->Composite 中的 Composite 过程的研究的大门。
64810发布于 2019-11-25 - 来自专栏单细胞天地
细胞亚群的生物学命名
也就是把四个时间点映射到上面的tsne坐标中，并且理论上应该是：每群细胞都覆盖到四个时间点
2.3K20发布于 2020-03-30 - 来自专栏智药邦
Nature｜利用冷冻电镜技术架起结构生物学与细胞生物学的桥梁
相反，细胞生物学家一直在使用一些快速发展的技术为细胞成像，这些技术不断扩大其空间和时间范围，但仍达不到理解化学的分辨率。因此，结构生物学和细胞生物学为细胞的内部运作提供了互补但又互不关联的视角。 正文 在过去的十年中，cryo-EM方法的改进提高了其通量、适用性和分辨率，极大地增强了其所能提供的生物学洞察力。 这一推理让我们回到了最初的观点，即cryo-EM是一种更"经典"的还原论结构生物学方法，而cryo-ET则有望对细胞内部进行成像。 图2 cryo-ET将复杂的细胞生物学可视化 与cryo-EM相比，cryo-ET的吞吐量有限，不过最近的发展极大地提高了断层图像的采集速度。 人工智能蛋白质结构预测可以成为强大的盟友，提高结构生物学的研究范围和速度。
1.4K10编辑于 2024-04-19 - 来自专栏科研菌
AI解决生物学50年来重大难题：破解蛋白质折叠，颠覆结构生物学
来源：机器之心 生物学界最大的谜团之一，蛋白质折叠问题被 AI 破解了。 在过去 50 年里，蛋白质折叠一直是生物学领域的重大挑战。 DeepMind 的 AlphaFold 让人类在这一问题上取得了重要突破。 这些令人振奋的结果开启了生物学家使用计算结构预测作为科研主要工具的时代。DeepMind 提出的方法对于某些重要的蛋白质类别尤其有用，例如膜蛋白（membrane protein）。 该计算工作代表了在蛋白质折叠这一具备 50 年历史的生物学问题上的惊人进展，比该领域人士成功预测蛋白质折叠结构早了几十年。我们将很兴奋，它能从多个方面对生物学研究带来基础性改变。 这一飞跃证明了计算方法对于生物学中的转换研究，加速药物研发过程都具有广阔的前景。 同时许多证据也表明，蛋白质结构预测在未来的大流行应对上是有用的。
1.4K10发布于 2020-12-08 - 来自专栏CreateAMind
直接颠覆BP的生物学习算法
我们的发现为理解生物学习和构建人工智能建立了超越反向传播的学习新基础。 信用分配问题是学习的核心。反向传播2–5作为一种简单而有效的信用分配理论，自其诞生以来，已经推动了人工智能的显著进步。 我们将预期配置定义为一种原则，这种原则被一系列具有坚实生物学基础的神经模型所隐含地遵循，即基于能量的网络。 在反向传播是生物学习的基础这一信念的指导下，先前的工作表明基于能量的网络可以非常接近反向传播。 相比之下，我们揭示了没有这些不切实际的约束的基于能量的网络遵循前瞻性配置而不是反向传播的独特原则，并且在学习效率和对生物学习数据的解释方面都是优越的。
40730编辑于 2023-09-12 - 来自专栏生信补给站
我，哈佛生物学教授，在中国打工
我，哈佛教授 我，S.Kunes 哈佛大学分子与细胞生物学（Department of Molecular and Cellular Biology）终身教授 哈佛大学神经生物学学位课程委员会和生化科学导师委员会知名成员 美国和国际专利：调节记忆的成分和方法（ 专利号：60/726,318）拥有者 在哈佛大学拥有同名实验室 我研究神经系统的构建和功能，以及发育神经生物学和大脑视觉系统 我在中国“打工”。 ——学员金同学 录取：剑桥大学、帝国理工学院、伦敦大学学院、多伦多大学、麦吉尔大学 如果你也对生物学、脑神经科学感兴趣，或想跟着我做科研，欢迎你成为我的学生 扫码添加学术老师 回复【科研】 获得1-1 、北卡罗来纳大学（本科直博） 如果你也对生物统计感兴趣，欢迎来加入我们 扫码添加学术老师 回复【科研】 获得1-1项目咨询规划 我，布朗教授 我，A.Salomon 布朗大学终身教授 布朗大学分子生物学终身教授 ——任同学反馈 如果你对生物学、化学、药学感兴趣，欢迎你成为我的学生 扫码添加学术老师 回复【科研】 获得1-1项目咨询规划 我，牛津教授 我，Shu-Bing Qian 康奈尔大学营养科学终身教授
66200编辑于 2022-11-11 - 来自专栏DrugOne
网络生物学的未来新方向
报道人 | 于洲 今天我们介绍2022年在圣母大学组织的一个网络生物学未来方向研讨会，本文由研讨会参与者合著，总结了研讨会的讨论，预计其将帮助塑造网络生物学未来计算和算法研究的短期和长期愿景。 网络生物学传统上依赖于直接作用于图拓扑的方法。 需要制定网络生物学评估的最佳实践和指南。 在网络生物学中，应优先考虑快速广泛传播这些评估、建议和最佳实践指南。 网络生物学的重大里程碑 网络生物学成功的巅峰可能是对不同条件和生命阶段下整个细胞或有机体互作用组的全面和动态理解。 这提出了如何培训更多这样的研究人员来推进计算生物学的问题，包括将生物系统建模为网络并分析的网络生物学子领域。据部分与会者的经历，网络生物学课程中的学生可能仅喜欢计算或生物学方面之一。
1.2K10编辑于 2023-10-04 功能抗体如何实现生物学功能调控？
功能抗体是指除特异性结合抗原外，还能够主动调控靶蛋白生物学活性、激活或阻断特定信号通路、或介导免疫效应细胞杀伤作用的一类抗体。 结构生物学信息可指导表位选择，提高成功率。亲和力与功能活性并非简单的正相关。 五、小结功能抗体通过阻断、激活、中和及效应功能介导等多种机制，主动调控生物学过程，成为基础研究解析信号网络的有力工具，更发展为现代生物制药的核心力量。
8810编辑于 2026-03-11- 来自专栏LN生物笔记
合成生物学 第一章 绪论
合成生物学：通过人工设计构自然界中不存在的生物系统来解决能源、材料、健康、环保等问题。 合成生物学中生物系统的层次： 1️⃣part（元件）：具有最基本生物功能的核酸或蛋白质序列。 因为“回路”这个词已经在生物学中有着广泛的应用，特别是神经科学中，“回路”指某一行为范式在神经系统中的传递过程，那么显然，跟我们合成生物学中的“circuit”意思完全不同。 如果翻译成“电路”，会更加符合合成生物学的理念，即把生物原件像电路一样组装，最后行使一定的生物学功能和运算 二、底盘与宿主的区别 宿主指的是让质粒发挥其功能的“中介”，目的只是在于让质粒被表达， 获得表达产物或者达到其他目的
1.3K20编辑于 2023-02-23 - 来自专栏Linux基础入门
（1）分子生物学专业名词
1、细胞周期蛋白：在细胞周期的后期逐渐合成、至周期的中间阶段突然消失的周期性存在蛋白，成为细胞周期蛋白。细胞周期蛋白可分为3类：S期周期蛋白，M期周期蛋白，G1期周期蛋白。S期周期蛋白为cyclin A，在S期开始表达，到中期时开始消失；M期周期蛋白为cyclin B，在S期开始表达，在G2/M期到达峰值，中期到后期转换时消失。G1期周期蛋白在脊椎动物中位cyclin C、D、E，在酵母中为Cln1、Cln2、Cln3，他们在G1期开始表达，进入S期后消失。
1.5K20发布于 2020-08-26 - 来自专栏全栈程序员必看
中科院计算机生物学,中科院计算生物学重点实验室揭牌
德国马普学会副主席Herbert Jaeckle和中科院副院长李家洋共同为重点实验室揭牌 3月29日下午，中科院计算生物学重点实验室在上海生科院计算生物学所正式揭牌。 揭牌仪式由计算生物学所所长Andreas Dress教授主持。 张知彬局长代表中科院宣读了中科院计算生物学重点实验室成立的批文，李林副院长代表上海生科院宣读了重点实验室主任的批文。 大家畅所欲言、各抒己见，为促进实验室发展建言献策，专家们建议，作为一个以计算生物学研究的重点实验室，一要保持自身特色，坚持以“干性”研究为主，注重加强与兄弟所的合作，努力为生命科学研究提供工具和方法。
66120编辑于 2022-09-18 - 来自专栏生信技能树
生物学功能注释三板斧
生物学功能注释是对特定的数量（几十个或者几百个）基因或蛋白的合集的功能进行描述和分类的过程。 GO（Gene Ontology）和KEGG（Kyoto Encyclopedia of Genes and Genomes）数据库是两个常用的生物学功能注释数据库，科学家通常是使用来超几何分布检验这个统计学算法做富集分析 如果大家对代码不熟悉，甚至可以使用在线网页工具直接完成生物学功能数据库（go以及kegg）注释（富集分析），最常见的是 3大在线分析工具:Enrichr、WebGestalt、gprofiler ，还有大名鼎鼎的 for Annotation, Visualization, and Integrated Discovery），以及后起之秀 Metascape，它们都可以用于功能富集分析的工具，帮助理解一组基因的生物学含义 for ac- tivity inference (PROGENy) 其实也可以仍然是理解为常规的gsea或者超几何分布检验，其中超几何分布检验是针对差异分析等拿到的基因集合（几十个或者几百个）进行生物学功能数据库注释
92711编辑于 2023-12-01 - 来自专栏生信技能树
cytofWorkflow之人工注释生物学亚群（五）
有了这个SingleCellExperiment对象，而且经过了合理的质量控制，并且聚类分群了，就可以开始整理它亚群并且根据抗体信号强度值对不同亚群进行生物学注释。 自动注释 目前我做cytof数据的细胞亚群的生物学自动注释的包很少，有下面的两个还在预印本： ? 基本上是根据生物学意义来的，CD4和CD8的T细胞都是高表达CD45和CD3，然后分别表达CD4和CD8。 非常容易理解， 但前提是你有这样的生物学背景知识。之所以归类为手工注释，就是说，可以直接把上面的热图结果丢给你的项目合作者，让他们首先命名后给你表格，然后你就可以走后面的代码进行合并啦！ 可以看到， 细胞分群后，重新命名并不是很合理，因为生物学背景不够。 不知道看到这里，大家有没有发现其实cytof数据分析，跟单细胞转录组非常类似呢？
96220发布于 2020-11-23 - 来自专栏生信菜鸟团
生物学家掌握机器学习指南（二）
继上次的生物学家掌握机器学习指南系列，又来继续更新啦。 生物学家掌握机器学习指南（一） 今天会和大家继续更新更多相关内容。 下图展示了传统机器学习的一些方法： 当开发用于生物学中，在给定任务寻找最合适方法时，通常会将传统机器学习视为第一个探索领域。深度学习就是其中一个例子。 如果某个生物学任务需要了解特征对预测的贡献，那么这些模型就是一个不错的选择，毕竟它们能分配特征重要性值，决策树结构。 对于分类和回归，许多可用的模型往往具有令人眼花缭乱的特点。 聚类算法的使用在生物学中很普遍。k平均（k-means）是一种强大的通用聚类方法，与许多其他聚类算法一样，它需要将聚类数设置为超参数。 生物学数据处理中具体使用的技术取决于情况：PCA 保留数据点之间的全局关系并且是可解释的，因为每个组件都是一个输入特征的线性组合，这意味着很容易理解哪些特征会导致数据的多样性。
89030编辑于 2022-02-17 - 来自专栏单细胞天地
生物学背景知识之细胞周期推断
前 · 言 第二单元第九讲：生物学背景知识之细胞周期推断 上一次说到通过PAM50基因进行乳腺癌分型，利用的就是自己的表达矩阵和PAM50基因比较，看表达量变化进行分类。
96920发布于 2020-03-31 - 来自专栏生信菜鸟团
生物学家掌握机器学习指南（四）
继上次的生物学家掌握机器学习指南系列，又来继续更新啦。 前面的内容： 生物学家掌握机器学习指南（一） 生物学家掌握机器学习指南（二） 生物学家掌握机器学习指南（三） 今天会和大家继续更新最后一节，关于机器学习在生物学中应用与挑战。 然而，为了在生物学中成功使用机器学习，需要考虑一些常见问题，但也需要考虑更普遍的问题。 数据可用性 生物学有些独特之处在于存在一些问题领域，并且这些领域的数据量非常大。 特别是，计算机科学家应该努力理解数据，例如预期的噪声程度和可重复性，生物学家应该理解所使用的机器学习算法的局限性。 未来发展方向 在可预见的未来，机器学习在生物学研究中的应用越来越广泛。 总体而言，生物数据的多样性使得很难为生物学中的机器学习提供通用指南。因此，我们的目标是让生物学家了解可用的不同方法，并为他们提供一些关于如何利用他们的数据进行有效机器学习的想法。
48410编辑于 2022-05-24 - 来自专栏Linux基础入门
（2）分子生物学专业名词
1、原噬菌体(prophage)：指的是某些温和噬菌体侵染细菌后，其核酸整合到宿主细菌染色体中。噬菌体所整合的核酸称为原噬菌体。它是繁殖和传递噬菌体本身遗传信息的一重要方式。这时的宿主就称作“溶原性细菌”，这种噬菌体称作温和性噬菌体。以“原噬菌体”的方式嵌存于宿主的DNA中，可随寄主繁殖，延续后代，“和平共处”，一般不引起细胞裂解
1.1K20发布于 2020-08-26
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