论文
文章平均质量分 84
平平无奇科研小天才
这个作者很懒,什么都没留下…
展开
-
数据收集-分化轨迹推断
Ranek, J.S., Stanley, N. & Purvis, J.E. Integrating temporal single-cell gene expression modalities for trajectory inference and disease prediction. Genome Biol 23, 186 (2022). https://doi.org/10.1186/s13059-022-02749-0The raw publicly available single-ce原创 2024-05-10 18:14:27 · 844 阅读 · 0 评论 -
论文解析-moETM-多组学整合模型
使用BMMC2数据集,把moETM训练得到的cell-by-topic matrix进行UMAP可视化,与其他方法得到的cell embdding可视化进行对比。查看匹配的peak-gene、gene-protein的相关系数分布显著高于0,并且和观测值得到的分布类似。说明,cell-by-topic matrix既消除的BatchEffect,又识别了细胞类型。表明模型可以对观测数据的噪声进行降噪和混杂校正,更能反映单细胞中的不同组学的相关性。对于每个topic,计算134对。,则认为他们是匹配的。原创 2023-10-17 22:39:29 · 481 阅读 · 0 评论 -
论文解析-基因序列编码算法DeepSEA
来自ENCODE的等位基因失衡信息的DNase-seq数据,包括35种细胞类型的57,407个等位基因失衡的SNPs,其中28,918个是参考等位基因偏差的变异、28,489个替代等位基因偏差的变异。图b种横(纵)轴表示DeepSEA预测的替代(参考)等位基因偏差的变异为DHS的概率,蓝色(红色)表示实验确定的替代(参考)等位基因偏差,黑线为确定预测可信度的阈值。基于基因序列预测基因序列的非编码变异的功能影响,具体包括预测非编码区域的调控信息、疾病或性状相关的SNP、非编码eQTLs等。原创 2023-09-14 22:14:40 · 532 阅读 · 0 评论 -
Mendelay-文献管理软件使用教程
通过邮箱就可以注册账号啦,这是登录后的页面,并下载Mendeley客户端。安装好客户端,打开软件首先登录以上注册的账号,则可进入客户端首页。原创 2023-09-14 16:43:07 · 478 阅读 · 0 评论 -
论文解析-sciPENN
用这2个CITE-seq共有的protein作为训练集,分别将他们特有的protein作为测试集,评估sciPENN对CITE-seq数据集中缺失的protein丰度预测准确度。来自Seurat 4 的PBMC数据集,样本被注射水疱性口炎病毒 (VSV) 载体 HIV 疫苗,数据集包含每个样本注射疫苗0天、3天、7天的CITE-seq数据。PBMCs作为训练集,MALT作为测试集,利用scRNA-seq测试17个蛋白质表达水平。Monocyte:随机取4个样本作为训练集,剩余4个样本作为测试集。原创 2023-06-26 17:48:43 · 652 阅读 · 1 评论 -
论文解析-单细胞和空间多组学的方法和应用综述
单细胞多组学技术一般通量高,一次测序一千个以上样本。单细胞多组学技术转录组+染色质可及性Smart3-ATAC等转录组+蛋白组CITE-seq等转录组+DNA甲基化scMT-seq等转录组+染色质相关抗原表位scSET-seq等DNA甲基化+染色质可及性scCOOL-seq等DNA甲基化+染色体信息snm3C-seq等染色质可及性+蛋白组ICICLE-seq等转录组+DNA甲基化+染色质可及性scNMT-seq等转录组+染色质可及性+蛋白组TEA-seq等。原创 2023-04-24 18:42:53 · 334 阅读 · 0 评论 -
论文解析-多模态单细胞数据对角整合综述
通过将真实的小数scRNA-seq数据集根据细胞分为两部分,模拟2种不同特征空间的模态数据。现有的对同细胞进行多组学测序的技术提供的少量数据集可以作为参考数据集,便于对角整合算法的模型训练与性能评估。下图是同一算法在考虑了共享特征后进行对角整合的结果,对所有颜色的细胞类型均有正确的对应关系。此时,可以构建这两个特征空间的相关矩阵,来表征一个模态中的特征可能与另一个模态的哪些特征相关。将不同模态数据融合到同一流行空间的前提是,认为不同模态数据产生于类似的分布或服从类似的过程,但现实测序过程并非如此,原创 2023-04-23 22:55:03 · 212 阅读 · 0 评论 -
DNA计算
DNA计算领域利用DNA反应进行分子尺度的计算。DNA计算的大部分工作都是执行数字计算,如布尔电路的求值。本章概述了执行模拟计算的新型DNA计算方法,其中输入和输出是由特定DNA链的浓度指定的实数值。DNA碱基有四种类型:腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶©和胸腺嘧啶(T)。A可以与T结合,G可以通过氢键与C结合。可编程自组装行为已被用于构建复杂的2D和3D DNA纳米结构和模式阵列。除了利用DNA复杂的结构,还可以用作纳米级计算的基础。DNA不仅可以实现简单的逻辑门,而且也可以实现非常复杂的逻辑电路。原创 2022-10-14 17:33:47 · 2701 阅读 · 0 评论 -
论文解析-scMAGIC
同时,为了模拟不同程度的BatchEffect,分别考虑深度测序场景(Reference的scRNA-seq中平均每个细胞包含超过2500个基因,Smart-seq2等)代表小BatchEffect,低度测序场景(Reference的scRNA-seq中平均每个细胞包含低于650个基因,Seq-Well等)代表大BatchEffect。结果表明,LocalReference的Accuracy与最终预测结果的Accuracy正相关,可信度高的训练集导致准确的预测结果。scRNA-seq中行为基因,列为细胞。原创 2022-09-05 15:58:07 · 1002 阅读 · 0 评论 -
文献调研-图神经网络改进算法
Chuxu Zhang, Dongjin Song, Chao Huang, Ananthram Swami, and Nitesh V. Chawla. 2019. Heterogeneous Graph Neural Network. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD '19). Association for Computing原创 2022-07-06 23:32:58 · 361 阅读 · 0 评论 -
文献调研-单细胞转录组与空间转录组联合分析Tangram
Biancalani, T., Scalia, G., Buffoni, L. et al. Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram. Nat Methods 18, 1352–1362 (2021). https://doi.org/10.1038/s41592-021-01264-7sc/snRNA-seq可以全面描述细胞,但缺少空间信息;空间转录组有空间信息,但原创 2022-06-24 16:16:14 · 1154 阅读 · 1 评论 -
文献调研-根据单细胞数据构建细胞/肿瘤进化树
Sadeqi Azer E, Haghir Ebrahimabadi M, Malikić S, Khardon R, Sahinalp SC. Tumor Phylogeny Topology Inference via Deep Learning. iScience. 2020;23(11):101655. Published 2020 Oct 7. doi:10.1016/j.isci.2020.101655主要解决3个问题:原创 2022-06-16 22:33:52 · 329 阅读 · 0 评论 -
论文解析:scRNA-seq结合空间转录组综述
Li, B., Zhang, W., Guo, C. et al. Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nat Methods (2022). https://doi.org/10.1038/s41592-022-01480-9(1)gimVI:深度生成模型,推断未原创 2022-06-07 17:23:28 · 2463 阅读 · 1 评论 -
论文解析-基于图卷积神经网络的癌症基因预测模型,利用LRP算法增加模型可解释性
论文解析:Integration of multiomics data with graph convolutional networks to identify new cancer genes and their associated molecular mechanisms参考论文概括方法数据收集模型构建模型可解释性(LRP)结果数据和代码参考论文Schulte-Sasse, R., Budach, S., Hnisz, D. et al. Integration of multiomics da原创 2022-05-31 17:02:33 · 2590 阅读 · 0 评论