10X空间转录组NEural network on Spatial Transcriptomics

最新推荐文章于 2024-09-14 01:24:31 发布
最新推荐文章于 2024-09-14 01:24:31 发布
阅读量320 收藏 10
点赞数 4
文章标签： 单细胞 空间 数据分析 邻域分析
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/weixin_53637133/article/details/139311368
版权
作者，Evil Genius
这一篇我们继续分享关于空间通讯的内容，今天偷个懒。
10X Visium HD平台已经发布，高精度平台，配套loupe软件，看起来几乎是无敌的，大家可以试一试新的技术。
希望华大可以更新一下自己的平台，能达到10X的水平即可，那样大家不会选择10X的Visium HD。
但是大家选择平台，保证数据质量是前提。
但是无论是哪种平台，通讯是必须分析的内容。
上一篇重点介绍过，细胞之间的相互作用通常发生在200 μm的范围内。
这一点在高精度平台上更加明显。
文章在时空轨迹和空间细胞相互作用
针对通讯的内容可以参考
10X空间转录组通讯信号流的运用（COMMOT）
10X单细胞空间通讯分析之最新版cellphoneDB（v4）解读
通过空间行为（optimal transport）推断空间细胞间通讯信号方向(COMMOT)
时空通讯分析策略
时空通讯分析大盘点
时空通讯分析导论
今天我们继续关于空间通讯的内容
其中空间通讯分析的重点，就是既要分析配受体对，又要考虑空间邻近性，从而形成空间模式，因为细胞就相互作用（CCC）具有空间依赖性。
Visium测量直径为55 μ m的转录组，每个点包含约1-10个细胞，而最近推出的Visium HD(高清晰度)可实现2 μ m的单细胞空间分辨率。另外，MERFISH提供了单个细胞的真正单细胞分辨率，尽管只有较小的基因子集。目前很少有直接从空间转录组学数据检测CCC的方法，这些数据是由细胞的空间位置及其相关转录物提供的。niche使用k近邻来识别近端细胞并计算它们的配体-受体共表达评分。然后使用主成分分析(PCA)将细胞分解为邻域来发现通信的生态位。

COMMOT通过集体最佳运输筛选空间转录组学中的细胞-细胞通信。然而，COMMOT需要一个网络路径列表作为额外的输入，这增加了它对先验信息的依赖。这些方法大多使用差异表达和可变的配体和受体基因，仅结合空间信息来限制细胞附近的潜在通信。然而，空间数据可以提供额外的信息，例如发现重复出现的CCC“模式”。这些模式将CCC的定义从配体-受体对扩展到配体-受体-配体-受体中继网络(配体从一个细胞到另一个细胞的受体，再将另一个配体发送到第三个细胞的受体，依此类推)。这些模式的频率可能表明对CCC检测的高置信度。发现这样的CCC模式需要复杂的人工智能模型来学习复杂的结构。
基于配体-受体对的通信依赖于空间距离

根据高表达配体和同源受体基因的共表达对每个细胞间信号进行评分
其中我们要实现的目标

代码示例在NEST
生活很好，有你更好
追风少年ii
关注
单细胞论文记录(part14)--CoSTA: unsupervised convolutional neural network learning for ST analysis
小山羊的学习日志
06-14 260
学习笔记，仅供参考，有错必纠 Authors：Yang Xu, Rachel Patton McCord Journal：BMC Bioinformatics Year：2021 Keywords: Spatial transcriptomics, Gene clustering, Convolutional neural networkBackground: 空间转录组学技术的兴起，使人们对基因调控(gene regulation)如何在空间背景下发生有了新的认识. 确定哪些基因以类似的空间模式表达，可以
10X单细胞-10X空间转录组联合分析之七----CellDART
weixin_53637133的博客
04-25 806
10X单细胞-10X空间转录组联合分析之七----CellDART
【算法详解】基于图注意力神经网络的空间转录组数据整合模型STAligner
weixin_60734652的博客
09-26 1284
随着空间转录组学（Spatial Transcriptomics, ST）技术的进步，对于组织切片的检测逐渐具有更高的空间分辨率，更大的视野域以及更多的点数（根据技术而定，每个用于防止切片的捕获区都由实际起到检测作用的点阵构成，例如10x Visium目前大多数对于转录组学数据的分析局限于对单细胞RNA序列分析或者在二维ST切片内的分析，这忽略的组织切片的空间结构信息对于探索实际细胞分布和生理活动机理的作用。
CoSTA：用于空间转录组分析的无监督卷积神经网络学习方法
wen05054105的博客
10-14 330
来自美国研究人员在《BMC Bioinformatics》杂志发表了题为“CoSTA: unsupervised convolutional neural network learning for spatial transcriptomics analysis”的研究论文，提出了CoSTA：一种通过卷积神经网络（ConvNet）聚类学习基因表达矩阵之间空间相似性的新方法。
Graph Convolutional Neural Network - Spatial Convolution 图卷积神经网络 — 空域卷积详解
Jay_Tang的博客
08-20 5474
Convolutional graph neural networks (ConvGNNs) Convolutional graph neural networks (ConvGNNs) generalize the operation of convolution from grid data to graph data. The main idea is to generate a node vvv’s representation by aggregating its own features xv\
基于信息增强传输的时空图神经网络交通流预测 Spatial-Temporal Graph Neural Network for Traffic Flow Prediction Based on Inf
daisyxyr的博客
04-25 683
7.基于信息增强传输的时空图神经网络交通流预测 Spatial-Temporal Graph Neural Network for Traffic Flow Prediction Based on Information Enhanced Transmission 摘要：交通问题不仅影响人们的出行，同时也会带来环境污染以及安全等问题，准确的交通流预测是构建智能交通系统、预防和缓解交通问题的关键.目前的预测方法大多没有考虑到交通流动态的时空相关性、周期性以及线性与非线性等特点.在充分考虑上述因素的基础上，提出
X-ray absorption spectrum combined with deep neural network for on-line detection of beverage preservatives
02-07
X-ray absorption spectrum combined with deep neural network for on-line detection of beverage preservatives
论文阅读：NeuGraph: Parallel Deep Neural Network Computation on Large Graphs
sixfrogs的博客
11-15 1729
1 简介 这篇文章为图神经网络设计了一个基于Multi-GPU的计算框架，主要包括，图顶点和边分块，冗余顶点的过滤，计算与传输的重叠。该框架适用于符合Scatter-ApplyEdge-Gather-ApplyVertex Neural Networks (SAGA-NN)类型的图神经网络。 2 NeuGraph计算框架 从整体上看，NeuGraph主要包括4部分： 一个转换引擎能够将GNN转...
SQL笔试题目解析：视频号数据分析组外包招聘
天冬忘忧的博客
09-10 1023
在数据分析领域，SQL是进行数据查询和操作的核心技术。本次视频号数据分析组外包招聘的笔试题目，旨在考察应聘者对SQL的熟练程度以及解决实际问题的能力。以下是对笔试题目的详细解析和SQL代码示例。 本次笔试共有四个题目，涉及对视频数据的多维度分析，包括搞笑品类视频分析、视频内容分类、用户行为分析以及留存率计算。
优惠券线下使用情况数据分析
m0_61388098的博客
09-11 1893
提升自己，掌握数据分析的能力，最快的方式就是实践！ 这里又是一个经典的数据分析项目——物流数据行业数据分析，有需要项目配套数据集的可以关注私信我免费获取(●'◡'●) PS：本文中全部代码都在Jupyter Notebook中编写完成，可以使用Jupyter Notebook或者Jupyter Lab直接运行。
SQL题目解析：外卖平台数据分析
天冬忘忧的博客
09-10 1159
在本次SQL中，我们将通过一系列查询来分析外卖平台的数据，包括用户、餐厅和订单信息。这些查询将帮助我们理解用户行为、餐厅表现和订单趋势。
SQL数据分析形成笛卡尔积数据重复计算问题
quyunde的博客
09-11 367
例如，使用 CROSS JOIN （交叉连接）而不是有明确条件的 INNER JOIN （内连接）、 LEFT JOIN （左连接）等。- 根据实际需求选择合适的连接类型，如内连接、左连接、右连接等。- 确保在进行多表连接时，使用正确的连接条件。明确指定连接的列和条件，避免模糊或错误的连接。- 在查询中添加适当的筛选条件，减少返回的数据量，避免不必要的重复计算。- 表之间的关系没有合理规划，可能导致不必要的连接产生笛卡尔积。- 对于复杂的查询，可以逐步检查每个连接的条件，确保其准确性。
中级练习[4]：Hive SQL商品销售与用户增长数据分析
qq_45115959的博客
09-13 748
从订单明细表(order_detail)中筛选出去年（2021年）总销量小于100的商品及其销量，同时不考虑上架时间少于一个月的商品。假设今天的日期是2022-01-10。从用户登录明细表(user_login_detail)中查询每天的新增用户数。如果一个用户在某天登录了，并且在此之前没有登录记录，则认为该用户为当天的新增用户。从订单明细表(order_detail)中统计出每种商品销售件数最多的日期及当日销量。如果有同一商品多日销量并列的情况，取其中的最小日期。
足球大小球及亚盘数据分析与机器学习实战详解：从数据清洗到模型优化
lizi88888的博客
09-11 1856
足球大小球及亚盘数据分析
医学数据分析实训 项目一 医学数据采集
最新发布
m0_73678713的博客
09-14 729
这是一个关于肝癌（HCC）环状RNA（circRNA）研究的表达矩阵。每一行代表一个特定的circRNA（由"ID_REF"标识），每一列代表一个样本（由GSM编号标识）。在你提供的数据集中，"ID_REF"后面的数据是基因或探针的表达值，这些值对应于不同的样本（GSM编号）。这些值可以用来分析circRNA在不同样本中的表达差异，从而研究其在肝癌发生发展中的作用。在 GEO 中检索肝癌（HCC）环状 RNA（circRNA）研究数据（图 6）。查看下载的数据集文件（图 10），并对该数据集进行解释。
数据分析-20-时间序列预测之基于PyTorch的LSTM数据准备及模型训练流程
qq_20466211的博客
09-11 519
基于PyTorch训练模型的一般步骤1 数据加载、2 去除异常值、3 数据归一化、4 切分窗口、5 制作数据集加载器、6 定义模型、7 训练模型、8 模型评估。
大模型岗位招聘数据分析及可视化
eeee~~的博客
09-11 939
本文提供的数据文件为CSV格式文件，约有5000条招聘信息，共10个字段，岗位名称，工作地点，岗位薪资，经验要求，学历要求，岗位标签，企业名称，企业行业，企业规模，融资状况。本文分别对每个字段进行数据分析和可视化。
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
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