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！

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

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！ 大多数这些变化是在 24 小时时观察到的，包括 2054 个 ERK 依赖性（上调，UP）和 2519 个 ERK 抑制性（下调，DN）基因（log2FC > 0.5，校正后 p 值 < 0.01）（图

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！ bty = "g" bty = "f" 小编有话说 这个图其实还少了一个图例，我还没将其进行添加，在此备注下。 这个系列应该会继续下去，主要绘制一些在工业工程方向（小编方向）中常用的图。 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。

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。

ACM顶刊接收 | GAN的综述

Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy 已被《ACM Computing Surveys》接收。由于GAN的更新极快，相较于之前的版本，新版做了更及时详细的总结和报道。

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：

顶刊杂志同款高颜值热图+文字注释框（IF=25.476）

我们的《绘图小技巧2025》交流群里收到了一个学员给的漂亮的热图：来自2024年11月7日发表在高分杂志Blood（IF=25.476）上的文献，标题为《Epigenetic Regulation of 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。 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）。 ，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

【顶刊论文分享】识别恶意bot

图1 Aristaeus平台的整体架构 由于bot加载和执行某些资源（如支持的JavaScript API、CSS方面）的能力是由其底层平台和配置决定的，所以通过分析这些功能和行为可以识别bot的类型 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。

【顶刊论文分享】告警分析全家桶

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%。

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 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

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站在先进图推理变换器的基础上，并采用内部辅助卷积分支来丰富局部特征表示。此外，为了降低图推理中的计算成本，我们还提出了一种高效的信息扩散策略。 如图1d所示，CAE-GReaT编码器层主要由两个分支组成：高效的图推理分支，用于通过基于图的图像块交互捕获长距离特征依赖性，以及辅助卷积分支，用于通过丰富局部特征表示来缓解ViT的固有问题。 在本文中，我们将特征图投影到不同的空间，并使用图推理操作和基于卷积的操作，在统一的特征表示框架中捕获细粒度的多尺度特征。 如图1d所示，CAE-GReaT层由两个分支组成：高效的图推理分支，用于通过基于图的图像补丁交互捕获长距离特征依赖，以及辅助卷积分支，用于通过丰富局部特征表示来缓解ViT的固有问题。 这些结果证明了CAE-GReaB在不同基线模型和实验设置中的有效性，也反映了基于图的补丁交互在视觉变换器中的优越性。 4.3.2 M的影响 然后，我们探索了图节点数M的影响。

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！ 先说说背景哈，自从两个月之前看到了葛饰北斋的神奈川冲浪里，也就是下面这幅神仙图之后，便深深沉迷于这种浮世绘风格不能自拔。 ? 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。 ?

一流学者不宜再以“顶会顶刊”作为自己的追求目标

顶会顶刊模式与评估体制 在中国改革开放初期，很多领域的研究还达不到顶会、顶刊的水平，更不要说更高水准了。因此，以顶会、顶刊论文为评判批准，对于当时国内的研究水平，无疑具有极大的促进作用。 在这样的情况下，如果人人努力，个个争先，顶会、顶刊文章必然是韩信点兵，多多益善。包云岗定义下的科研“轻工业模式”必然流行。这种模式称为“顶会顶刊模式”，似乎更为准确。 能以年为单位产出的最常见优秀成果，可能也就是发表在顶会、顶刊上的论文了。平均来说，顶会、顶刊的论文，水平也还是相当不错的，它们也是很多未来研究的起点。 但是，如果止步于此，认为顶会顶刊就是科研最高水平，显然就像登山到了半山腰，却以为半山腰就是山巅一样可笑。 实际上，经过四十多年的开放改革，国内很多方向的研究水平已经达到了顶会顶刊的水准。 如果没有这样的合理体制保护，科研以发表顶会、顶刊论文为目标还是比较安全合理的，顶会顶刊模式必然流行。 期待中国也能有类似国际上终身教授一样的制度。

医图顶会 MICCAI24 | 基于高斯混合模型的多模态组内配准框架

，用于个体内多模态组内配准。 这种方法在训练过程中迭代优化GMM，提高了配准的准确性。 深度学习框架与GMM的结合：与以往的研究不同，作者构建了一个深度学习框架，该框架不仅执行图像配准任务，还结合了GMM来优化配准过程。 摘要 作者提出了一种新的多模态组内配准框架GMM-CoRegNet，旨在将一组多模态图像配准到一个共同的结构空间。现有的组内配准方法通常依赖于基于强度的相似性度量，但对于大量图像集合来说计算成本很高。 作者在两个颈动脉数据集和公共的BrainWeb数据集上与最先进的组内配准方法进行了比较，证明了GMM-CoRegNet即使在不一致的强度-类别映射情况下也具有优越的配准性能。 关键词 组内配准、多模态、GMM 2. 方法 假设训练集有M个受试者，让I =Iii=1,...,N是同一受试者的N组多模态图像。组内配准的目标是将图像I配准到一个共同的空间Ω中。

R语言 轻松绘制顶级配图

01 — ggdensity{ggpubr} 密度图 library(ggpubr) ## 创建数据 set.seed(1024) dt = data.frame( sex = factor(rep , 4) # len supp dose # 1 4.2 VC 0.5 # 2 11.5 VC 0.5 # 3 7.3 VC 0.5 # 4 5.8 VC 0.5 # 图 4) # len supp dose # 1 4.2 VC 0.5 # 2 11.5 VC 0.5 # 3 7.3 VC 0.5 # 4 5.8 VC 0.5 ## 图

tidyHeatmap | 顶刊SCI热力图绘制工具，用它就对了~~

今天是我的可视化学习社群上线的第80天，目前学员134人，可视化学习社区以我的书籍《科研论文配图绘制指南-基于Python》为基础进行拓展，提供「课堂式」教学视频，还有更多拓展内容，可视化技巧远超书籍本身