5+共病+WGCNA+机器学习+免疫浸润，经典共病生信思路，轻松拿5+

最新推荐文章于 2024-10-01 20:12:06 发布
最新推荐文章于 2024-10-01 20:12:06 发布
阅读量960 收藏 17
点赞数 21
文章标签： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_79430545/article/details/135363605
版权

今天给同学们分享一篇生信文章“Identification of biomarkers for the diagnosis of chronic kidney disease (CKD) with non-alcoholic fatty liver disease (NAFLD) by bioinformatics analysis and machine learning”，这篇文章发表在Front Endocrinol (Lausanne)期刊上，影响因子为5.2。

b2248dd7cfaed18c956dc8c64e2a5408.jpeg

结果解读：

通过WGCNA鉴定了NAFLD样本中的关键模块基因

GSE89632是一個代表性的數據集，用於研究NAFLD，我們使用它來獲取與NAFLD最相關的模塊基因。首先，我們使用WGCNA來識別與NAFLD最相關的模塊基因。基於尺度獨立性和平均連接性，我們選擇β = 26作為软阈值（圖2A）。然後，我們選擇不同的顏色來表示9個基因共表達模塊（GCMs），如圖2B所示。NAFLD樣本與GCMs之間的相關性如圖2C所示，而被認為是關鍵模塊的深青色模塊（412個基因）與NAFLD樣本之間的相關性最高（相關係數= -0.85，p = 5.3e-19）。此外，在NAFLD樣本的深青色模塊中觀察到模塊成員質量和基因重要性之間的顯著正相關（r = 0.68&#

最低0.47元/天 解锁文章
生信风暴
关注
一篇五分生信临床模型预测文章代码复现——Figure 10.机制及肿瘤免疫浸润（一）
weixin_46500027的博客
04-10 858
一篇五分生信临床模型预测文章代码复现——Figure 10.机制及肿瘤免疫浸润
4+共病经典思路。
2301_79430545的博客
09-16 214
在COVID-19数据集中，CXCR4（AUC:0.733）、ENO1（AUC:0.809）、FASN（AUC:0.830）、HIST1H4I（AUC:0.755）、HIST1H4K（AUC:0.743）、TUBA4A（AUC:0.811）和TUBB3（AUC:0.814）在区分COVID-19患者和健康对照方面表现出相对较好的诊断效率。14个关键基因的TF-基因相互作用网络包括53个节点、99条边和10个基因，而miRNA-基因相互作用网络包括21个节点、29条边和9个基因。然而，其机制仍未完全阐明。
7+共病思路。WGCNA+多机器学习+实验简单验证，易操作
2301_79430545的博客
10-30 744
图4A显示了PCOS和RIF的DEGs之间的交集，共有11个基因（CHST11，FAM150B，GLIPR1，SLC16A6，MAMLD1，SLC46A2，ENPP3，HAPLN1，PLCXD3，FAM110C，GAS1）。GLIPR1在RIF组中降低（P<0.05），在PCOS组中增加（P<0.05）（图6D）。与数据分析一致，作者的结果显示，PCOS患者的颗粒细胞中GLIPR1的表达上调，而MAMLD1的表达下调（图9A），而RIF患者的子宫内膜组织中GLIPR1和MAMLD1的表达均减少（图9B）。
二区5分纯生信｜单细胞+非负矩阵+AlphaFold+机器学习组合
Senoh的博客
05-29 932
背景： 增生性糖尿病视网膜病变（PDR）是失明的主要原因，其发病机制复杂。本研究整合单细胞 RNA 测序（scRNA-seq）、非负矩阵分解（NMF）、机器学习和 AlphaFold 2 方法，探索 PDR 的分子水平。方法： 我们分析了 PDR 患者和健康对照者的 scRNA-seq 数据，以确定不同的细胞亚型和基因表达模式。NMF 用于定义 PDR 中的特定转录程序。利用 Meta-Program 1 中确定的氧化应激相关基因 (ORG)，使用 12 种机器学习算法构建预测模型。
CCRCC+101 种机器学习算法组合+免疫原性死亡+单细胞
bioInfo_seeker的博客
04-27 1536
3、TCGA数据集ssGSEA计算ICD-score，并使用WGCNA的方法筛选关键的module基因集，同时差异分析筛选肿瘤发生相关的基因集，GO和KEGG富集分析筛选关键的功能。4、基于10种机器学习的方法构建101种机器学习算法组合构建风险模型，并择优选择c-index最佳的模型，其中在c-index相差不大的时候，基因数量越少越好，这里作者选择了lasso+逐步回归+多因素建模，并绘制KM曲线。8、风险模型的功能注释，GSE+GSVA，关键功能高低评分的KM曲线。低风险GSEA分析，和配受体分析。
8+容易拿分的思路，共病+WGCNA+机器学习
2301_79430545的博客
09-16 410
根据KEGG分析，82个基因主要富集在 "炎症介质调节TRP通道"、"细胞衰老 "和 "MAPK信号通路 "中，这些基因都与免疫系统密切相关（图5B）。在细胞组分（CC）本体方面，它主要存在于 "细胞膜"、"核腔 "和 "囊泡 "中（图 4D）。Lasso 回归筛选出 10 个候选基因（图 6A、B），RF 算法识别出 30 个最重要的基因（图 6C、D），两者相交（图 6E），最终确定了 8 个基因（FZD7、IRAK3、KDELR3、PHC2、RHOB、RNF170、SOX13 和 ZKSCAN4）。
小白的福利教学。4+共病+WGCNA+机器学习+实验，简单易复现
2301_79430545的博客
10-28 151
在AF数据集中，激活的CD4 + T细胞，激活的CD8 + T细胞，T H 1，调节性T细胞，中央记忆CD8 + T细胞，效应记忆CD4 + T细胞，γδT细胞，效应记忆CD8 + T细胞，髓源性抑制细胞，激活的树突状细胞，未成熟的树突状细胞，自然杀伤细胞，巨噬细胞，单核细胞，肥大细胞和中性粒细胞在AF组中显著增高（P < 0.05）（图5B）。与NAFLD和AF数据集中的结果一致，每个NAGDS的mRNA在NAFLD（图7H-O）和AF（图7P-S）中显著上调（P < 0.05）。
MachineLearning 35. 机器学习之Lasso+Cox回归筛选变量 (LassoCox)
weixin_41368414的博客
05-22 1986
简 介对于Cox模型，响应最好是一个由生存包中的Surv()函数创建的Surv对象。对于右删减的数据，该对象的类型应该是“right”，对于(start, stop)数据，它的类型应该是“counting”。为了拟合分层Cox模型，在将响应传递给glmnet()之前，应通过stratifySurv()函数将地层添加到响应中。(为了向后兼容，右审查的数据也可以作为两列矩阵传递，列名为'tim...
5+铁死亡+分型+WGCNA+机器学习分析
2301_79430545的博客
09-22 318
GSVA 分析的生物功能结果表明，Cluster1 中含有核蛋白复合体、对创伤的反应和伤口愈合的表达下调，而 Cluster2 中神经发生、细胞对生物刺激的反应和端粒酶活性调控的表达上调（图 4C）。作者将 DEGs、糖尿病相关基因和铁质疏松相关基因重叠，得到了 15 个重叠基因，即与糖尿病骨质疏松症相关的 FRGs，如维恩图所示（图 2D）。此外，与糖尿病骨质疏松症相关的 17 个 FRGs 的关系网络图显示，它们之间存在显著的正相关，有助于全面分析基因之间的相互关系（图 6C）。
论文笔记：Anytime Continual Learning for Open Vocabulary Classification
weixin_47505105的博客
10-01 176
在开放词汇表图像分类中，随着时间的推移，模型需要不断学习新的标签，同时保留对旧标签的记忆。
Frequency-aware Feature Fusion for Dense Image Prediction 论文阅读
weixin_51657614的博客
10-01 172
为了实现这一点，现代分层模型通常利用特征融合，直接添加来自深层的上采样粗特征和来自较低层次的高分辨率特征。在本文中，我们观察到融合特征值在对象内的快速变化，由于高频特征的干扰导致类别内不一致。此外，融合特征中模糊的边界缺乏准确的高频，导致边界位移。ALPF生成器预测空间变化的低通滤波器，以衰减对象内的高频组件，减少上采样期间的类内不一致。偏移量发生器通过重采样将不一致的特征替换为更一致的特征来细化大的不一致特征和细边界，而AHPF发生器增强了下采样过程中丢失的高频详细边界信息。
车辆重识别（2021NIPS在图像合成方面，扩散模型打败了gans网络）论文阅读2024/10/01
最新发布
vegetabler的博客
10-01 198
向分类器中输入xt，发现与真实类别匹配概率小，计算对xt的梯度，让xt以一定的包含梯度的步幅进行移动，使得匹配概率增加。其实这里有点像之前卷积神经网络中参数w更新的原理，w也是在梯度方向上移动，以此来使得loss值最小。但是这两种算法不是简单的对xt进行处理，①是对预测的均值μ进行处理，让均值μ在梯度方向上移动。另外，s可以叫做学习率，主要是控制在梯度方向上移动的步幅，和之前卷积神经网络中的w更新公式中的学习率差不多。2，那么具体来说，如何根据当前时刻xt的梯度，来调整xt？BigGAN残差块是什么意思？
9、论文阅读：无监督的感知驱动深水下图像增强
DQHNB的博客
09-27 845
当前的 UIE 算法主要通过最小化增强图像和地面真实图像之间的重建损失，在合成数据集或具有伪标签的数据集上训练深度神经网络（DNN）。但是，合成和真实的水下图像有差距，在合成图像上训练的网络在真实环境下不一定有好的表现。并且使用L1和L2损失函数，往往忽视人类感知的重要性，（L1和L2损失只关注像素级别的差异，没有考虑人类视觉系统的感知特性。人类的眼睛对边缘和纹理的变化敏感，但是对颜色变化相对不敏感。为此，可以使用感知损失或者风格迁移损失 ​），导致增强的图片不尽人意。因此，本论文提出了一个。
论文阅读《Co-clustering for Federated Recommender System》
wzj1212123的博客
09-26 1292
第二个创新点凑数用的，典中典利用服务器的聚类信息给客户端作对比学习，重点在于提出以往聚类的不足以及新型聚类方法。
论文阅读：LM-Cocktail: Resilient Tuning of Language Models via Model Merging
comli_cn的博客
09-27 335
预训练的语言模型不断进行微调，以更好地支持下游应用。然而，此操作可能会导致目标领域之外的通用任务的性能显著下降。为了克服这个问题，我们提出了LM Cocktail，它使微调后的模型在总体上保持弹性。我们的方法以模型合并（Model Merging）的形式进行，其中微调的语言模型通过加权平均与预训练的基础模型或其他领域的对等模型合并。尽管简单，LM Cocktail却出奇地有效：由此产生的模型在整个通用任务领域内拥有强大的性能，同时在其目标领域保持卓越的能力。
PO2GO、PO2Vec论文阅读与模型复现报告
cqbzcsq的博客
09-25 941
今年的一篇经典蛋白质功能预测论文，思路自然，效果也不错模型主要分为两个部分，PO2Vec和PO2GO，PO2Vec是PO2GO的一个模块。数据集使用了CAFA3和Swissprot，使用的是蛋白质序列特征和GO标签依赖关系特征。
【论文阅读】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
qq_33673253的博客
09-26 1065
本文介绍了扩散策略，这是一种通过将机器人的视觉运动policy表示为条件去噪扩散过程来生成机器人行为的新方法。我们对来自 4 个不同的机器人操作基准的 15 个不同任务的扩散策略进行了基准测试，发现它始终优于现有的 state-of-the-art 机器人学习方法，平均提高了 46.9%。扩散策略学习动作分布评分函数的梯度，并通过一系列随机朗之万动力学步骤在推理过程中针对该梯度场迭代优化。
车辆重识别（利用扩散模型合成有效数据进行行人再识别预训练）论文阅读2024/9/27
vegetabler的博客
09-28 424
在本文中，我们提出了一种新的范式Diffusion - ReID，在不需要任何数据收集和标注成本的情况下，基于已知的身份来有效地增强和生成多样化的图像。得益于我们提出的方法，我们首先创建了一个新的大规模行人重识别数据集Diff - Person，该数据集由来自5，183个身份的超过777K张图片组成。具体来说，LPE模块将特定的ID图像序列和类别级别的提示P作为输入，通过预训练的图像描述模型生成具有细粒度局部细节和全局上下文信息的增强提示PE。3 )特定的数据源限制了数据的数量和多样性。
如何利用生信分析肿瘤抗原与CD8+T细胞激活的关系
06-02
利用生信分析肿瘤抗原与CD8+T细胞激活的关系，可以通过以下几个步骤： 1. 获取肿瘤基因表达数据和CD8+T细胞浸润数据； 2. 对基因表达数据进行预处理，如去除批次效应和标准化等； 3. 利用肿瘤抗原数据库，如TCGA数据库或COSMIC数据库等，筛选出与肿瘤抗原相关的基因； 4. 对筛选出的基因进行差异表达分析，找出在肿瘤组织中表达量显著高于正常组织的基因； 5. 利用CD8+T细胞浸润数据，计算每个基因的表达量与CD8+T细胞浸润程度之间的相关性； 6. 筛选出与CD8+T细胞浸润程度显著相关的肿瘤抗原基因； 7. 进一步分析这些基因的生物学功能和信号通路，探究肿瘤抗原与CD8+T细胞激活的关系。 通过这些分析，可以深入了解肿瘤抗原与CD8+T细胞激活之间的关系，为免疫治疗的开发和优化提供重要的参考依据。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信风暴

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值