首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

Hemberg-lab单细胞转录组数据分析(四)

文库拆分因使用的前期Protocol不同或构建的流程不同需要有对应的处理方式。我们认为最灵活可用的文库拆分工具是zUMIs (https://github.com/sdparekh/zUMIs/wiki/Usage),可以用来拆分和比对大部分基于UMI的建库方式。对于Smartseq2或其他双端全长转录本方案,数据通常已经拆分好了。例如GEO或ArrayExpress之类的公共数据存储库会要求小规模或plate-based scRNASeq数据拆分好再上传,并且很多测序服务商提供的数据都是自动拆分好的。如果使用的分析流程依赖于拆分好的数据但测序服务商提供的数据没有拆分时就需要自己拆分。因为不同的建库方案引入的barcode序列的长度和位置不同,通常都需要自己写脚本解决。

04

人脑功能结构的年龄差异

大脑的内在功能组织在成年后会发生变化。年龄差异在多个空间尺度上被观察到,从分布式大脑系统的模块化和全局分离的减少,到网络特异性的去分化模式。然而,我们尚不确定去分化是否会导致大脑功能随着年龄的增长发生不可避免的,局限性的经验依赖的整体变化。我们采用多方法策略在多个空间尺度上调查去分化。在年轻(n=181)和年老(n=120)的健康成年人中收集多回波(ME)静息态功能磁共振成像。在保留群体水平的脑区和网络标签的同时,实现了对个体变异敏感的皮层分割以用于每个被试的精确功能映射。ME-fMRI处理和梯度映射识别了全局和宏观网络的差异。多变量功能连接方法测试了微观尺度的连边水平差异。老年人表现出较低的BOLD信号维度,与整体网络去分化相一致。梯度基本上是年龄不变的。连边水平的分析揭示了老年人中离散的、网络特异的去分化模式,视觉和体感网络在功能连接内更为整合,默认和额顶控制网络表现出更强的连接,以及背侧注意网络与跨模态区域更为整合。这些发现强调了多尺度、多方法来表征功能性大脑老化结构的重要性。

03

人工神经网络到底能干什么?到底在干什么?

早在1943 年,神经科学家和控制论专家Warren McCulloch 与逻辑学家Walter Pitts就基于数学和阈值逻辑算法创造了一种神经网络计算模型。其中最基本的组成成分是神经元(Neuron)模型,即上述定义中的“简单单元”(Neuron 也可以被称为Unit)。在生物学所定义的神经网络中(如图1所示),每个神经元与其他神经元相连,并且当某个神经元处于兴奋状态时,它就会向其他相连的神经元传输化学物质,这些化学物质会改变与之相连的神经元的电位,当某个神经元的电位超过一个阈值后,此神经元即被激活并开始向其他神经元发送化学物质。Warren McCulloch 和Walter Pitts 将上述生物学中所描述的神经网络抽象为一个简单的线性模型(如图2所示),这就是一直沿用至今的“McCulloch-Pitts 神经元模型”,或简称为“MP 模型”。

01

scRNA-seq数据处理—demultiplexing

根据使用的protocol和完整pipeline中的的特定pipeline,demultiplexing的方式不同。我们所知道的最灵活的demultiplexing pipeline是zUMI,它可用于demultiplexing和大多数基于UMI的protocol的比对。对于Smartseq2或其他pair-end全转录的protocol,数据通常已经被分解。诸如GEO或ArrayExpress之类的公共存储库需要在上传之前对基于小规模/基于plate的scRNASeq数据进行分解,并且许多测序设备将在将数据返回给您之前自动demultiplexing。如果您没有使用已发布的pipeline,并且数据未被测序工具demultiplexing,则您必须自己做。这通常需要编写自定义脚本,因为barcode可能具有不同的长度和在read中有不同位置,具体取决于所使用的protocol。

02

大脑功能连接的发展遵循青春期依赖的非线性轨迹

青春期是对身体和行为产生巨大影响的发育时期,青春期荷尔蒙不仅对身体的形态变化起着重要作用,而且对大脑的结构和功能也起着重要作用。了解青少年时期的大脑发育已经成为神经科学领域的首要任务,因为它与许多精神和行为障碍的发作相吻合。然而,关于青春期如何影响大脑功能连接体,我们知之甚少。在这项研究中,通过对典型发育儿童和青少年(两性)的纵向人类样本的研究,我们证明了大脑功能连接体的发育更符合青春期状态,而不是实足年龄。特别是,大脑功能连接体的中心性、分离性、效率和整合性在青春期标记物出现后增加。我们发现,这些效应在注意力和任务控制网络中更强。最后,在控制了这一效应后,我们发现这些网络之间的功能连接与更好的认知灵活性有关。本研究指出了在探索发育轨迹时考虑纵向非线性趋势的重要性,并强调了青春期对大脑功能组织的影响。

02

Task05 图像分割/二值化

该部分的学习内容是对经典的阈值分割算法进行回顾,图像阈值化分割是一种传统的最常用的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

02
领券