空转工具推荐 | 10款空间转录组去卷积工具的综合比较

最新推荐文章于 2024-06-03 09:08:43 发布
最新推荐文章于 2024-06-03 09:08:43 发布
阅读量993 收藏 2
点赞数
分类专栏： 空间转录组 文章标签： 大数据
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/wen05054105/article/details/125916115
版权

在年初做盘点季的时候小编已经为大家总结了👉 空转去卷积常用工具合辑，这些工具的性能如何？做分析的时候要怎么选择？近日，《Briefings in Bioinformatics》发表了综述文章，回顾了ST去卷积的最新方法，并综合评估了10种方法的性能。

为ST数据的细胞类型去卷积开发的计算方法

近年来，提出了多种ST去卷积方法。ST数据的现有去卷积方法大致可分为三类：概率方法、基于非负矩阵分解（NMF）和非负最小二乘（NNLS）的方法以及其他方法：1&#

最低0.47元/天 解锁文章
wen05054105
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SPOTlight:空间转录组学捕获位置反卷积
04-29
SPOTlight的目标是提供一种工具，该工具能够对包含捕获细胞混合物的每个捕获位置中存在的细胞类型和细胞类型比例进行反卷积，该技术最初是为10X的Visium开发的-空间分子切割技术-可以用于返回混合物的所有技术细胞。 SPOTlight基于NMFreg模型为每种细胞类型找到主题资料签名，并找到最适合我们要去卷积的斑点的组合。 安装 您可以使用以下命令从GitHub存储库安装最新的稳定版本： # install.packages("devtools") devtools :: install_github( " https://github.com/MarcElosua/SPOTlight " ) devtools :: install_git( " https://github.com/MarcElosua/SPOTlight " ) 或通过下载devel分支来开发最新版本 dev
DSTG：基于图形的卷积网络对空间转录组数据进行去卷积
wen05054105的博客
10-14 555
一种新的基于图形的人工智能方法即DSTG，通过基于图形的卷积网络对ST数据进行去卷积。DSTG可利用scRNA-seq数据揭示ST数据中的细胞混合物。
多样本空间转录组学联合解卷积分析与跨样本转录相似性分析
最新发布
weixin_53637133的博客
06-03 595
多样本空间转录组学联合解卷积分析与跨样本转录相似性分析
空间转录组分析实战3：空间转录组去卷积—CARD细胞注释
weixin_44359288的博客
03-08 1911
使用细胞类型去卷积（deconvolution）的分析工具去解析每个孔中的细胞类型组成，从而实现对细胞类型的空间定位。
SpatialCPie：用于空间转录组聚类评估的工具
wen05054105的博客
10-14 230
来自瑞典和美国的科研团队开发了SpatialCPie，一个易于使用的R包，可以让用户直观地了解ST数据中的“簇”是如何相互关联的，以及二维ST阵列上的每个区域与每个“簇”的关联程度。
STUtility：一个为空间转录组学数据提供全流程分析的工具
wen05054105的博客
10-14 828
来自瑞典的科研团队开发了STUtility，一个为空间转录组学数据提供完整工作流程的工具，从测序和图像数据处理到组织的最终三维模型的创建。
DSTG:通过基于图的人工智能对空间转录组学数据进行反卷积
05-04
通过基于图的卷积网络（DSTG）对空间转录组学数据进行反卷积这是DSTG的TensorFlow实现，用于分解空间转录组学数据，我们的论文对此进行了描述：安装python setup.py install要求张量流（> 0.12） 网络运行演示使用...
MATLAB工具箱-深度学习(卷积神经网络)函数工具箱3.0.rar
08-21
本篇文章将详细讲解"MATLAB工具箱-深度学习(卷积神经网络)函数工具箱3.0"的核心知识点，帮助您更好地理解和运用这个工具箱。 卷积神经网络（Convolutional Neural Networks，简称CNN）是一种专门处理具有网格状结构...
MATLAB工具箱-卷积神经网络函数工具箱.rar
08-21
"MATLAB工具箱-卷积神经网络函数工具箱"就是这样一个资源，它包含了丰富的函数和类，为用户提供了强大的CNN操作功能。 MATLAB中的CNN工具箱包含以下关键知识点： 1. **卷积层（Convolutional Layers）**：CNN的...
cx_工具箱_CNN_卷积神经网络_
09-30
卷积操作可以保持输入图像的空间结构，同时减少参数数量，避免过拟合。 2. **池化层**：池化层用于降低数据的维度，减小计算量，同时保持模型的泛化能力。常见的池化方式有最大池化和平均池化，前者保留最重要特征...
Nature Methods | 空间转录组与单细胞转录组整合分析工具性能测试
wen05054105的博客
06-09 1117
空间转录组和单细胞转录组整合分析工具大比拼
SPOTlight_deconvolution_analysis
05-25
SPOTlight：带单细胞转录组的种子NMF回归解卷积空间转录组学斑点 该存储库包含所有脚本笔记本和报告，以重现对本文SPOTlight的分析：将NMF回归到具有单细胞转录组的去卷积空间转录组学点。 在这里，我们描述了我们使用的数据，如何访问它，使用的最重要的软件包和版本以及如何浏览该存储库中的目录和文件。 数据 该研究使用的所有数据均可在Gene Expression Omnibus或相关网站上公开获得。 该项目中的数据可以按组织和模态进行划分。 鼠脑 ：从艾伦脑图下载，包含76,533个细胞。 有关如何生成数据的规范，请参见。 ：从10X网站下载，包括成年小鼠的2个前部和2个后部切片。 数模转换器 ：PDAC scRNAseq和ST数据是从该论文获得的。。 可以通过GSM3036909，GSM3036910，GSM3405527，GSM3405528和PDAC-B GSM34
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
10-14 314
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。
DGC：真动态分组卷积，可能是解决分组特征阻塞的最好方案 | ECCV 2020 Spotlight
晓飞的算法工程笔记
08-18 1256
近期，动态网络在加速推理这方面有很多研究，DGC(Dynamic Group Convolution)将动态网络的思想结合到分组卷积中，使得分组卷积在轻量化的同时能够加强表达能力，整体思路直接清晰，可作为网络设计时的一个不错的选择   来源：晓飞的算法工程笔记 公众号 论文: Dynamic Group Convolution for Accelerating Convolutional Neural Networks 论文地址：https://arxiv.org/abs/2007.04242 论文.
Spotlight
whaosoft143ai的博客
03-16 171
SparK 作者们也实际尝试了直接将 MAE [4] 的 ViT 粗暴替换为 CNN，然而结果得到了无效的预训练（性能基本与随机初始化齐平）。问题出在哪？ whaosoft aiot http://143ai.com SparK 其实还是较为早期的最初探索，未来 CNN + BERT/MAE 是一个还很广阔的、待探索的研究话题。SparK 作者们希望他们的尝试与开源，可以激发出一些小启示，并助力使用卷积网络的各个真实场景、贡献社区 首次验证了 BERT/MAE 这样的预训练算法可被用于任何主流的卷积网络 C
10X单细胞-10X空间转录组联合分析之七----CellDART
weixin_53637133的博客
04-25 758
10X单细胞-10X空间转录组联合分析之七----CellDART
单细胞文献学习(part3)--DSTG: deconvoluting spatial transcriptomics data through graph-based AI
小山羊的学习日志
06-04 641
学习笔记，仅供参考，有错必纠关键词：spatial transcriptomics; deconvolution; graph-based artificial intelligence; single-cell RNA-seq最近发展的空间转录组学（ST）能够将组织切片中不同spots 的空间信息与每个spots 内RNA abundance of cells联系起来，这对了解组织细胞结构和功能尤为重要。然而，对于这样的ST数据，由于一个spot 通常比单个cell大，在每个spot 测量的基因表达是来自
空间转录组分析流程（使用Seurat对空间数据集进行分析）
热门推荐
zengwanqin的博客
03-26 1万+
使用Seurat对空间数据集进行分析，可视化和集成 1、介绍 本教程演示了如何使用Seurat（> = 3.2）分析空间分布的RNA-seq数据。尽管分析流程类似于单细胞RNA序列分析的Seurat工作流程，但我们引入了更新的交互作用和可视化工具，特别着重于空间和分子信息的整合。本教程将涵盖以下任务，我们认为这些任务在许多空间分析中都是常见的： Normalization标准化 Dimensional reduction and clustering降维和聚类 Detecting spatially
ArcGIS空间分析工具详解：提取与综合操作
"ArcGIS空间分析工具 (2).docx" ArcGIS空间分析工具是GIS领域中的重要组成部分，尤其在Spatial Analyst Tools模块中，包含了丰富多样的栅格处理和分析功能，帮助用户进行地理数据的深入挖掘和处理。本文档详细介绍...
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