Comprehensive analyses of tumor immunity: implications for cancer immunotherapy
基因调控在很大程度上是由顺式调控元件决定的，顺式调控元件指导基因的表达，以响应特定的发育和环境因素。与复杂疾病相关的遗传变异在假定的顺式调控元件中高度富集。调控元件的活性通常局限于特定的细胞类型和/或细胞状态。
Collaborative Filtering with Temporal Dynamics(2010)
Lin, Huang, et al. [@lin2024effect]，本文的研究重点是探讨性行为对HIV-1血清转换的影响，以及肠道微生物组和促炎细胞因子在这一过程中的中介作用。研究使用了多种统计方法来分析数据，以下是一些关键的统计方法学亮点：
开始之前先下载性能文件分析工具，下载地址: http://www.graphviz.org/download/
PCA的目标是用一组较少的不相关变量代替大量相关变量，同时尽可能保留初始变量的信息，这些推导所得的变量称为主成分，它们是观测变量的线性组合。如第一主成分为：
人类衰老是一个受多种因素影响的多方面过程。一些个体可能会遭受慢性健康问题和疾病并早逝，而其他人可能在相对健康的状态下达到老年。了解这种变异的基础因素对于制定公共卫生干预和改善健康衰老的治疗方法非常重要。全基因组关联研究（GWAS）已经开始使用单一表型方法，包括极端长寿、健康寿命和亲代寿命，来识别与衰老相关的位点。然而，这些单一方法未能考虑到这些特征或其他与衰老相关的特征之间共享的遗传学如表观遗传学年龄加速（EAA）和虚弱，这些因素可以进一步揭示人类衰老的广泛遗传结构，并为研究生存向纳入年龄相关结果的互补措施的转变提供信息，以改善健康衰老，即在老年阶段维持幸福、满意和充实感。在这里，作者将基因组结构方程模型应用于构建多变量衰老相关的GWAS（在此称为“mvAge”），以识别广泛影响健康衰老过程的新遗传变异。
肿瘤免疫微环境 (TME) 可以调节 TMB 的分层能力（称为 TMB 能力），确定它是否可以预测给定癌症类型中的 ICI 反应。
常规的SLAM算法首先假设环境中所有物体均处于静止的状态。而一些能够在动态环境中运行的SLAM系统，只是将环境中的动态物体视为异常值并将他们从环境中剔除，再使用常规的SLAM算法进行处理。这严重影响SLAM在自动驾驶中的应用。
主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法。它通过寻找一组更小的、潜在的或隐藏的结构来解释已观测到的、显式的变量间的关系。
主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。 探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法，通过寻找一组更小 的、潜在的或隐藏的结构来解释已观测到的、变量间的关系。 1.R中的主成分和因子分析 R的基础安装包中提供了PCA和EFA的函数，分别为princomp （）和factanal（） psych包中有用的因子分析函数 函数描述 principal（）含多种可选的方差放置方法的主成分分析fa（）可用主轴、最小残差、加权最
本次报道论文为发表于Nature Communications的Divide-and-conquer:machine-learning integrates mammalian and viral traits with network features to predict virus-mammal associations。该文章是英国利物浦大学的Maya Wardeh博士等人的研究成果：为预测病毒和哺乳动物宿主的关联，文中构建病毒、哺乳动物和网络三种视角，每个视角独立预测，以增强预测能力。
主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。 探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法，通过寻找一组更小 的、潜在的或隐藏的结构来解释已观测到的、变量间的关系。 1.R中的主成分和因子分析 R的基础安装包中提供了PCA和EFA的函数，分别为princomp （）和factanal（） psych包中有用的因子分析函数 函数描述 principal（）含多种可选的方差放置方法的主成分分析fa（）可用主轴、最小残差、加权
前面，我们使用设计公式创建了 DESeq2 对象，并使用下面两行代码运行DESeq2：
principal() 含多种可选的方差旋转方法的主成分分析 fa() 可用主轴、最小残差、加权最小平方或最大似然法估计的因子分析 fa.parallel() 含平行分析的碎石图 factor.plot() 绘制因子分析或主成分分析的结果 fa.diagram() 绘制因子分析或主成分的载荷矩阵 scree() 因子分析和主成分分析的碎石图
今天和大家分享的是2020年7月发表在cancer letters（IF=7.36）的一篇文章 "Identification of a nomogram based on long non-coding RNA to improve prognosis prediction of esophageal squamous cell carcinoma ", 作者使用多个数据集确定了9个与早期LUAD病人RFS和OS相关的IBRS。
这是一篇2015年发表在cell上的文章，虽然有点老，但是研究的内容依然具有参考价值，这里仔细读了一遍，分享一下！
《Advance in Financial Machine Learning》的作者Marcos López de Prado，于今日发表了其在ADIA Lab的第一篇研究论文Causal Factor Inversting: Can Factor Investing Become Scientific，主要讨论了当前传统因子研究中的现状。很多人都说，当前的因子研究更多的是一门艺术而不是科学。如何根据因果推断的理论，按照科学发现的步骤进行因子研究，并有效避免研究过程的错误假设与错误结论，是本文探讨的主要内容。文章综合9个章节，从因果推断到蒙特卡洛实验，系统的梳理了因子投资与因果推断的相关内容。
今天小编解读的这篇文章是2021年发表在Journal of immuoTherapy of Cancer杂志上（IF:13.751），题目为m6A modification patterns and tumor immune landscape in clear cell renal carcinoma。本研究揭示了 m6A 修饰与 ccRCC 中肿瘤免疫景观之间的相关性。作者对单个 ccRCC 患者中 m6A 修饰模式的综合评估增强了对肿瘤免疫景观的理解，并为针对 ccRCC 患者的新的和改进的免疫治疗策略提供了新方法。
CD19靶向的CAR-T治疗使患者获益的同时，仍存在着神经毒性、长期复发等临床上的挑战性问题。一方面，CAR-T的药效与回输后体内活动和扩张、肿瘤自身的逃逸和耐药机制相关；另一方面，CAR-T是如何在一些患者中引发神经毒性的机制仍有待剖析。本文通过单细胞测序检测CAR-T回输产品，发现产品中的CAR-T细胞异质性与回输后病人体内药效与毒副作用的差异相关联，并揭示了这些CAR-T细胞的详细转录特征，对于CAR-T的制备工艺改进以及临床效果预测有着重要作用。
全基因组关联研究(genome-wide association studies, GWAS)和人类大脑的基因表达谱揭示了研究复杂大脑现象的遗传基础的能力。这些数据集主要用于非侵入性成像研究，特别是与结构MRI或静息状态fMRI的相关性。现有的方法依赖于已发表的死后脑基因表达数据集，这意味着神经生理和行为数据不是来自提供基因表达数据的同一人。这限制了此类方法确定基因如何支持关键的认知过程(如情景记忆)的潜在影响，并突显出开发新的个人同时贡献了神经生理和基因表达数据的数据集的必要性。另一个影响先前研究的问题是，神经生理测量，如静息状态fMRI，与认知现象没有直接联系。因此，我们以前试图将基因表达水平与成功记忆编码的振荡特征联系起来，因为这些振荡在支持记忆行为方面的基本作用已经在啮齿类动物和人类中得到了很好的确立。这些振荡特征是对编码成功的记忆在给定频带内调制振荡功率的程度的衡量。他们使用植入癫痫标测的颅内电极进行量化，并在受试者执行情景记忆任务时进行记录。我们使用了一个超过10年的颅内脑电图(iEEG)记录的大型数据库，拼凑出这些振荡信号在大脑各区域的分布。我们确定了与这些振荡信号相关的基因，包括那些以前在啮齿动物研究中与记忆形成有关的基因，与自闭症谱系障碍(autism spectrum disorder, ASD)等认知障碍相关的基因，以及作为进一步研究的主要目标的新基因。然而，与其他研究一样，该数据集并不能同时受益于来自同一个体的神经生理和基因表达信息。
《The graphical brain: Belief propagation and active inference》
摘要：一般认知能力(GCA)的个体差异在人脑的结构和功能中具有生物学基础。网络神经科学揭示了GCA在结构和功能脑网络中的神经相关性。然而，结构网络和功能网络之间的关系，即结构-功能脑网络耦合(SC-FC耦合)是否与GCA的个体差异有关，仍然是一个悬而未决的问题。我们使用了来自1030名成人的人类连接组项目数据，通过扩散加权成像获得结构连通性，通过静息状态fMRI获得功能连通性，并评估了GCA作为12项认知任务的潜在g因子。两个相似性测量和六个通信测量被用来模拟可能的功能相互作用产生的结构脑网络。在全脑水平上，较高的GCA与较高的SC-FC耦合相关，但仅在将路径传递性作为神经通信策略时才如此。考虑到SC-FC耦合策略的区域特异性变化，并区分与GCA的正相关和负相关，可以在交叉验证的预测框架中预测个体认知能力得分。同样的模型也可以预测完全独立样本的GCA评分。我们的研究结果提出结构-功能脑网络耦合与GCA的神经生物学相关联，并提出脑区域特异性耦合策略是预测认知能力的神经基础。
食管鳞状细胞癌 (esophageal squamous-cell carcinoma, ESCC) 占全球食管癌病例的 80%，5 年生存率低于 30%。 早期阶段通常比晚期阶段有更好的预后，但目前缺乏有助于早期诊断和准确预测预后的有效生物标志物。
在实际运维过程中，为了避免异常的遗漏，业务运维人员经常针对不同的业务，设定大量不同的监控指标和告警规则。在这些告警信息中存在着很多相关联的告警规则，或强相关的业务指标等。换句话说，一个业务模块发生了故障，可能会引起多个模块触发告警。
图灵奖获得者 Judea Pearl 在 Twitter 推荐了一本新书《图模型手册》，他认为，这本书很好地刻写了图模型领域自 20 世纪 80 年代成立以来是如何发展的。由顶级统计学家编写，它可以作为传统统计学家很好的一个介绍因果模型的材料。
咖啡是全球消费最频繁的饮料之一，其潜在的健康效应引发了重要的科学研究。先前的研究已经将更高的咖啡摄入量与较低的T2D风险联系起来，但潜在机制仍不清楚。
A comprehensive overview of oncogenic pathways in human cancer
有学徒表示虽然看了我在B站免费分享的视频课程《甲基化芯片（450K或者850K）数据处理 》，详见：免费视频课程《甲基化芯片数据分析》，但是课程过于强调实操，很多背景知识大家比较缺乏，所以学徒自告奋勇补充了一些甲基化基础知识，供大家学习！
今天跟大家分享的是2020年发表在NATURE COMMUNICATIONS （IF：12.121）杂志上的一篇文章"Divergent mutational processes distinguish hypoxic and normoxic tumours".在文章中作者采用缺氧评分，构建了肿瘤缺氧的泛癌景观，并分析了缺氧与癌基因的相关性，以及分析了缺氧相关的突变和亚克隆特征。
N6-甲基腺苷(m6A)被认为是最常见、最频繁和最保守的内部修饰。随着RNA去甲基化酶的鉴定和甲基化RNA测序的成熟，RNA甲基化已被确定为一种常见的现象，也是RNA转录、加工、剪接、稳定性和翻译的关键调控因子。
顺式调控密码的最小单位——类似于遗传密码的密码子——是转录因子结合位点（TFBS）。转录因子通常包含结构化和进化保守的DNA结合域（DBD），它们识别并结合一个6-12个碱基对的DNA序列，称为转录因子的“基序”。转录因子基序通常用序列标志或位置权重矩阵（PWM）描述，以表示转录因子结合特异性的退化性。DBD的保守性和高通量测量转录因子序列特异性的方法使得约有1600个已编目的转录因子在人类中被识别，并确定了这些已知转录因子的结合基序。然而，转录因子结合基序无法完全预测大多数转录因子在体内的DNA结合。虽然大多数TFBS至少包含对其首选基序的部分匹配，但大多数转录因子仅在基因组的一小部分基序上发生结合。尽管可以通过包括核苷酸围绕核心基序或使用更复杂的序列偏好表示（如二核苷酸基序和DNA形状），来提高对某些转录因子基因组结合的预测，但对于大多数转录因子来说，对体内结合的最佳预测因子是染色质的可访问性，可以通过DNase-seq或ATAC-seq等高通量测序方法来测量。这种观察结果主要归因于DNA上核小体的存在，这些核小体必须被称为“先驱”因子或共结合转录因子组合所取代或排除。
最近两天都在看奇异值分解及其在推荐系统和图像压缩方面的应用，这部分知识比较散也比较难理解，看代码不是很好懂，所以通过编学边整理的方式帮助大脑理解这部分知识。 SVD思维导图 奇异值分解是什么 奇异值
最近两天都在看奇异值分解及其在推荐系统和图像压缩方面的应用，这部分知识比较散也比较难理解，看代码不是很好懂，所以通过编学边整理的方式帮助大脑理解这部分知识。 奇异值分解是什么 奇异值分解（Sin
在Istio中，灰度发布是通过指定不同版本的流量路由规则来实现的。这些规则描述了如何将传入的流量分配到不同的版本中，从而实现逐步推出新版本的目的。
T细胞构成了抗肿瘤免疫的主要组成部分。深入了解肿瘤微环境（TME）内的T细胞耗竭（TEX）异质性是克服TEX和改善临床上检查点阻断免疫疗法的关键。
在细胞中，基因调控网络将外部和内部信息整合并处理，以产生适当的基因表达输出响应。这些网络中的连接是通过转录因子（TFs）与位于转录起始位点上游近处的DNA顺式调控基序（CRMs）的结合来介导的。适当的细胞功能在很大程度上依赖于这些相互作用的全基因组保真性：TFs必须高度特异性地识别与基因相关联的CRMs，同时避免与非靶标的相互作用，以防止异常的错误调控（下图）。
本文着重于对基本的MDP进行理解(在此进行简要回顾)，将其应用于基本的强化学习方法。我将重点介绍的方法是"价值迭代"和"策略迭代"。这两种方法是Q值迭代的基础，它直接导致Q-Learning。
从最初在酵母THO复合体突变体中的观察（Huertas和Aguilera，2003年）开始，后续的报告支持了其他RNA处理/出口因子在防止DNA-RNA杂交中的作用（Li和Manley，2005年）（表1），提出在真核细胞中，DNA-RNA杂交体通过涂覆参与处理和出口的新生RNA分子来防止（图2A）。突变菌株中非计划DNA-RNA杂交体的积累与基因组不稳定性的增加有关，这通过超突变、超重组、大染色体重排或不同形式的复制压力来确定（Aguilera和Garcı ́a-Muse，2012年）。防止杂交体积累的保护作用并不是所有RNA结合和处理因子的属性，而只是一部分因子的属性，这些因子可能在转录延长期间功能于mRNA蛋白质粒子的组装。
意义：提供了单细胞分辨率的人血细胞转录图谱，从而为探索生理和病理造血提供了全面的参考。
任奎教授现任浙江大学网络空间安全研究中心主任，本科与硕士阶段就读于浙江大学，之后赴美深造，2007年于美国伍斯特理工学院获博士学位，2016年当选IEEE会士， 2017年当选ACM杰出科学家，主要从事云安全、物联网安全与隐私保护等领域的前沿研究工作。
该工具由哈尔滨大学开发的，该团队通过结合系统生物学、计算生物学和生物信息学方法来分析与疾病相关的途径。对疾病代谢途径的识别、药物相关途径的分析和患者生存预测。在高通量转录组学、基因组学和代谢组学、计算代谢网络分析和分子生物学方法方面，采用独特的生物信息学方法组合。下面是他们开发的6个工具：
普林斯顿大学最新一项研究发现了一些新的与自闭症相关的候选基因。 虽然研究人员估计存在有数百个与自闭症相关的基因，但实际上只有一小部分有明确的实验证据证明其与自闭症有关。8月1日发表在自然杂志上的一项研
时频主成分分析（TF-PCA）提供了一种数据缩减方法，它不依赖于关于感兴趣效应的特定时间或频率边界的先验约束，因此特别适合于存在认知发展变化的TF数据分析。本教程提供了背景知识、理论和实用指导，文章还附带了一个配套的GitHub存储库，该存储库包含示例代码、数据和如何执行TF-PCA的逐步指南：https://github.com/NDCLab/tfpca-tutorial。
在这里,我们旨在通过推进全球神经元工作区的扩展(预测性全球神经元工作区(PGNW))来克服这些限制,该工作区将 GNW 的基本方面与更近期的(贝叶斯)主动推理方法相结合,以理解大脑功能。具体来说,我们提出了一个基于主动推理的视觉意识的层次化、部分可观察的马尔可夫决策过程(POMDP)模型。重要的是,我们利用与主动推理相关的神经过程理论,在神经生物学和模型提供的模拟之间建立明确的联系。
Abnormal overexpression of G9a in melanoma cells promotes cancer progression via upregulation of the Notch1 signaling pathwayG9a的过表达经由上调Notch1信号通路介导黑色素瘤恶化
当我们使用前馈神经网络接收输入 ，并产生输出 时，信息通过网络前向流动。输入x并提供初始信息，然后传播到每一层的隐藏单元，最终产生输出 。这称之为前向传播。在训练过程中，前向传播可以持续前向直到它产生一个标量代价函数 。反向传播算法，经常简称为backprop，允许来自代价函数的信息通过网络向后流动，以便计算梯度。
近年来铁死亡+肿瘤的研究已经发表过许多了，然而有新颖切入点的铁死亡纯生信文章仍然可以发高分！今天小编为大家带来一篇铁死亡调节因子作为signature进行预后分型的文章，发表在实时影响因子6.58的International Journal of Biological Sciences上。题目为Integrative analysis of the molecular mechanisms, immunological features and immunotherapy response of ferroptosis regulators across 33 cancer types。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
