展开

关键词

metaVIPER||中的蛋活性

探究由病理性事件导致的表型变化,通常通过测定中mRNA得到基因表达谱。 相比之下,使用质谱等技术在蛋质组范围内测量蛋质表达的技术还存在一些问题,如只覆盖了部分蛋质,需要大量的组织,并且无法直接捕获蛋质活性等。 为了解决这个问题,该作者开发了一个根据基因表达推断蛋表达的方法——VIPER,通过对富集的调节子(Regulon)分析对蛋质活性进行虚拟推断,可以根据基因表达数据,在单个样本的基础上对蛋质活性进行计算推断 它使用给定蛋质最直接受到调节的基因表达,例如 转录因子(TF),作为其活性的依据。

51310

. | 免疫组化中蛋质亚定位的自动分类以揭示结肠癌中生物标志物

作者在这篇文章中提出了将特征工程和深度卷积神经网络相结合的方式构建了蛋质亚定位的自动分类器,以此来质亚位置变化。 训练的模型可以基于蛋质亚易位有效检测生物标志物,并在质位置表现更为出色。该研究在注释未知的蛋质亚位置并发现新的潜在位置生物标志物有着重要科学意义。? 根据HPA中的注释,作者将这些分为三个亚位置类,(i)核,(ii)质和质膜,(iii)核,质和质膜。? 在第二阶段,将该模型应用于生物标志物数据集,采用独立样本t检验测试其是否可以质亚位置变化。?实验框架a. 作者的方法与四种现有蛋质位置预测工具的比较四、总结通过实验表明使用块并整合常规特征和深层特征可有效质亚模式,与使用完整的IHC相比,具有适当参数的块可以实现更好的性能,并且将传统的机器学习功能与神经网络功能相结合有利于于提高模型性能

20110
  • 广告
    关闭

    云产品限时秒杀

    云服务器1核2G首年38元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    科学家利用深度学习跟踪内蛋质变化情况

    “通过观察我们可以学到很多:在正常情况下蛋质形态如何?当发生基因突变或者将暴露于药物或其他化学药剂中时,内的蛋质形态会有所变化吗? 该算法被称为DeepLoc,可以内的蛋质模式,比肉眼或以前的计算机视觉方法要更好、更快。 在其他类型的人工智能中,计算机学会了数据模式,与之相似,DeepLoc也能通过训练出由内发光蛋质形成的不同形状。 这一数据显示内的一个区域由4000多个酵母蛋质占据,占了酵母中蛋质总数的四分之三。这个数据集仍然是显示了内绝大多数蛋质的确切位置的最完整。 DeepLoc能发现相似之间的微差。最初的分析确定了15个不同类的蛋质,分代表内各不同分区;DeepLoc共确定了22个类

    50040

    质组学 | SCoPE-MS

    这篇文章中,作者提出了根据单质组数据对人类肿瘤类型进行的方法——SCoPE-MS ,并在小鼠正在分化的胚胎干中定量了超过一千种蛋质。 然而,过去对哺乳动物单质的定量方法停留在免疫成和测定抗体蛋这两种研究方法。免疫荧光成技术有效,但只限于对中的一些蛋质进行定量,并会在中产生伪影。 2)如何实现同时对单样本中的肽分子进行和定量?对于第一个问题,作者利用人工方法在显微镜下分离存活的单,并通过声波的方法将进行裂解(a)。 这项技术可以对一次实验中多个样本进行全蛋组定量分析。在单层面,TMT能够通过标记每个样本中的肽段后对肽段进行和定量。 作者首先对比了在bulk样本中的不同蛋质丰度的数量分布和单样本中对应的蛋质的分布情况(a)。由此可见,在单中蛋质丰度总体要高于bulk样本。

    59621

    【Nature Methods】 2016 最值得关注的 8 大技术

    机器学习中,一个功能强大方法可以让计算机解决感知问题,如和语音技术越来越多地进入生物学。这些深度学习方法,如深度人工神经网络,使用多个处理层从海量数据中发现模式和结构。 举一个简单的例子,用于理解形状的深度神经网络在第一层中学习简单的边,然后在后续层中由那些边组成的更复杂的形状。深度学习的层数并没有硬性规定,但多数专家认为,至少需要两层。 有了这样的方法,即使高光谱重叠的荧光也可以被很容易地,这打开了复合成的大门。高度复合免疫荧光成方法也在不断出现。 一个相关的策略已经用于高度复合转录组成中,在这个方法中,每个转录产物通过一个独特的条码(Nat. 虽然蛋质位置的亚会让我们看到前所未有的,但是蛋质只是组成这种的为数不多的一种分子类型。然而,在对的探索中,蛋谱肯定是开始的地方。

    49480

    Nature | 干片数据库共享,深度学习预测外观

    Allen研究所的科学家们,用6000多幅干的荧光照片,展示了在这样的小小空间里,如何有洞天。 如此惊人的多样性,在今天公开的一个巨大的3D干在线目录中被揭示。这些源自经基因编辑工具CRISPR改变的系,通过深度学习分析而生成。 华盛顿大学的生物学家本杰明·弗里德曼(Benjamin Freedman)期待在艾伦研究所团队用算法来更多基因或化学变化的iPS后,使用Cell Explorer的预测功能。 为“每个都是不同的”理论填补空在接下来的几个月中,艾伦研究所的研究人员将更新处于不同的分裂阶段的,比如分化成如心脏和肾脏时。 无原创标文章请按照转载要求编辑,可直接转载,转载后请将转载链接发送给我们;有原创标文章,请发送【文章名称-待授权公众号名称及ID】给我们申请名单授权。

    74860

    前沿 | Nature:用机器学习预测干外观

    这一独特属性在今天公开可用的大量 3D 干中得到了揭示。这些通过深度学习分析以及使用基因编辑工具 CRISPR 修改的系(cell line)而获得。 一个单独的人类干,其中黄色表示膜,蓝色表示 DNA,红色表示微管 计算机科学家使用深度学习程序分析了数千张,然后发现了的位置和结构之间的关系。 华盛顿大学的生物学家 Benjamin Freedman 也很期待在这个艾伦研究所团队教会他们的算法更多 iPS (会根据基因和化学环境而变化)时尝试 Cell Explorer 的预测功能 填补漏洞在接下来的几个月里,艾伦研究所的研究人员会更新该网站,放上干处在分裂不同阶段和当它们转变为不同的类型(比如心脏或肾)时的。 Horwitz 说,抓住在不同时间点的状态是基本过程的核心。?

    47570

    热点综述 | Nature Methods:利用空间组学和多路成技术探索癌症生物学

    虽然光学谱系追踪方法可直接显示体内克隆性癌症的异质性,但可颜色的数量以及可追踪的亚克隆数量是有限的。 光学条形码技术的最大优势在于进行活和活体成,并获取单个及其所属亚克隆的动态信息。 这些方法使用在降维潜在空间中的相似(相邻)信息来调整基因表达值。当考虑到空间转录组学数据中测量的物理距离时,可以更准确地估计这种潜在空间。 其他方法,如SpatialCPie和BayesSpace和可视化空间上接近的群。此外,Tangram、SpaGCN和stLearn等方法使用从组织成数据中提取的形态学特征。 一个新兴的分析类型:空间轨迹分析,类似于单轨迹分析(例如Slingshot、monocle3 和scVelo),用于组织内的生物过程梯度(例如使用SPATA和STLERN)。 也可以将蛋质组数据(例如IHC数据)和转录组数据传输到H&E,然后训练模型以高分辨率分类癌症和其他类型(例如使用HEMnet和XFuse)。

    26820

    AI发现人类肾有一半结构未知,UCSD最新研究登上Nature,算法已开源

    中一半成分未知科学家研究内部的结构主要使用两种技术:荧光显微镜成和生物物理关联。第一种方法是用荧光物质标定蛋质,并在显微镜范围内跟踪它们的运动和关联。 多年来,UCSD团队一直对绘制内部工作感兴趣。MuSIC的不同之处在于使用深度学习直接从显微镜绘制谱。 此前,他们构建了一种叫做DCell的神经网络,并且用酿酒酵母作为基础研究模型。他们用所有关于生物学和层次的知库,来训练这个标准AI算法。 DCell可以根据基因突变的信息,预测可能发生的行为,结果与实验室里的行为几乎一致MuSIC也是一种神经网络,与DCell的不同之处在于,它是显微镜到亚结构的映射。 最终,通过比较健康和病变之间的区,更好地了解许多疾病的分子基础。

    10030

    长文阅读 | 饶毅教授:脑、物理、化学、生物、心理认知的交叉研究

    刚才是核磁共振成,这是脑磁,另外一种成。脑磁在时间反应上更快。这是我在听音乐的时候,我的不同的脑区在脑磁上的反应。 还有一篇没有发表的文章与人的高级认知功能有关:如何人脸?老鼠和果蝇没有脸的能力。猴子和人可以通过个体的脸,而对方,这是很高级的功能。 有其他的研究者用电生理和fMRI研究参与人脸的特定脑区、特定神经。我们做的完全与以前的研究不一样,我们研究基因。人脸的能力大家天天司空见惯,我们要用个片来让你体验人脸的神奇。 对不能人脸的人来说,上面两幅的差和下面两幅的差,当然在物理上是一模一样的差,他们的敏感性是同样的。 这样我们才能可以检验哪个脑是起什么功能。脑有这么多,就手上有这么多,而我们的形态还有差,这个对应是很难做的。这个对应的研究,需要微分几何的帮助。

    27910

    AI3D结构?人工智能做到了人类不可能做到的事情

    据介绍,Rafelski 团队将荧光显微技术和投射光技术结合了起来,从而利用人工智能(AI)在明视野上预测荧光标记的形状。 2017 年,该团队提出利用深度学习来未标记明视野中难以发现的结构。通过对无标记的深度学习算法,团队制作了3D 影,显示了核中的 DNA 和子结构,以及膜和线粒体。? 芬克贝纳的研究小组训练它的系统在二维神经元,然后挑选出核并确定给定的是否是活的。芬克贝纳说「主要的目的是向科学家们展示,数据中可能有比他们意到的更多的信息」。 他和 AstraZeneca 与瑞典国家应用人工智能中心合作开展脂肪挑战,要求在未标记的显微照片中核、质和脂滴。 在这种情况下,研究小组使用了更新的处理技术来标准训练对中的核。由此得到的并不完美: 真正的荧光染色提供了比模型更真实的核和质纹理。

    12320

    【Nature】机器学习革新生物数据分析,自动物种分类成为可能

    其中,研究人员通过计算机视觉技术,用数码影生成数字化三维模型,计算机能自动标本的各项特征,而这些数据可以用于确定该生物与其他物种以及同种类中不同个体间的关系。 但是,当追踪单个斑马鱼的路径时,得到的轨迹是一团乱麻。于是,Scherf 借用了分析大气和洋流的流体力学方法,绘制染色线,标注主要路径。为此,Scherf 编写了软件用于分析。 于是,她将果蝇卵室的荧光显微镜转换成一串数字,明确表示每个与其他的连接方式。借助抽象的方法,Alsou发现在卵室可能的结构中,大约有72种比其他更为常见。 【点击查看大在胰岛素影响下蛋质磷酸化的过程。来源:D. K. G. Ma et al. 使用标本高清,计算机能自动并生成形状、大小等关键性状,使得自动物种分类成为可能。来源:John Tann, Australian MuseumCC BY 3.0.

    54280

    机器学习又一重要医学应用!培植人造器官

    因此,必须找到方法判断在给定时间点哪些已经分化了,否则,该实验很难复现,也就影响了临床应用的可靠性。为了发现分化的,组织工程师使用了荧光蛋。 该团队训练了一个神经网络(即一种模拟人脑中神经元工作方式的算法),根据常规光学显微镜拍摄的照片发育中的视网膜中的组织。 研究人员首先让许多专家通过一种涉及使用荧光报告基因的精确技术,在1200张出分化的。在750幅上训练了神经网络,150幅用于验证,另外250幅用于测试预测。 在最后阶段,该机器能够以84%的准确率分化的,对比人类67%的准确率。“我们的发现表明,目前用于早期视网膜组织选择的标准可能是主观的,取决于专家的决定。 科学家补充说:”这种方法不需要非常高质量的,荧光报告分子或染料,相对容易实施。这使我们向开发针对诸如青光眼和黄斑变性的视网膜疾病的疗法迈出了一步,如今这些病还没有治疗方法,已患者最终都会失明。

    25920

    时代 || 从众病之王到希望之光

    因此,这种bulk 转录组方法妨碍了稀有类型的,也妨碍了具有相似表达模式的之间或肿瘤与免疫之间的分辨。它也限制了对单个类型的功能和或表型的理解。 scATAC-Seq活跃的DNA调节元件,并允许在单个水平快速和敏感的谱分析全基因组染色质可达性。 他们也使免疫类型的和帮助我们了解他们的存在可能会影响当地的抗肿瘤免疫反应(2)。这样的复杂性和异构性在传统bulk分析框架下是不可能感知的。? Abseq使用DNA低核苷酸标记抗体,这些抗体通过液滴微流体条形码和DNA测序技术在单水平上被。 Abseq具有10个碱基的短标签长度,提供了超过100万个独特的表位序列,并可以在理论上标记人类蛋质组的每一个成员,检测低表达如同每个的单个抗体。

    20330

    时代 || 身份概念的演变

    此外,绘制状态景观(Single Cell Landscape)为何时走出正常生理界限进入病理状态奠定了基础。 然而,这些方法依赖于混合群的分析(Bulk),混合来自不同亚群的信号,完全掩盖罕见的种类,限制了类型的精度。 这些方法通过单技术得以实现,单技术可以在蛋质组水平上新的表面标记组合,从而使流式仪能够捕获新的物种并对其进行功能评估。 在此背景下,基于免疫染色对56个人类系的12003个蛋构建的蛋质表达高分辨率谱是非常有价值的。同样有前景的是机器学习算法,它可以仅基于光学显微镜来预测中的蛋质表达和定位。 在这些早期研究的基础上,秀丽隐杆线虫被证明是一种特强大的谱系追踪模型,因为它的成能力、相对较少的体数量和不变性的谱系。

    26610

    乳腺癌单水平的病理特征研究

    从此单测序飞速发展,扩大了我们对异质性及其对功能的影响的认,我们单天地也是这两年集中火力系统性整理了大量单数据分析经验。乳腺癌是单领域文章最多的,列表如下:? 而“2019年度技术”(Method of the Year 2019)选择了单多组学,可以对单个的基因组、转录组、蛋质组、代谢组等生物学标志进行多维分析,这个分析难度更高。 该研究首先利用成型质谱流式仪同时对35种生物学标志进行量化,从而获得乳腺癌患者肿瘤组织的高维病理学技术看里面的单各种生物学标志物的测量值。 tSNE? 单表达矩阵走我们一直讲解的R包及基础流程即可,分是: scater,monocle,Seurat,scran,M3Drop 需要熟练掌握它们的对象,:一些单转录组R包的对象 流程也大同小异:step1

    25220

    全世界首次!西湖大学成功解析新冠病毒受体ACE2的全长结构

    这一突破的重要性在于,此前科学家们经过研究发现,新冠病毒和SARS病毒一样,也是通过ACE2蛋进入人体,且ACE2是新冠病毒侵入人体的关键。 而在SARS病毒或者新冠病毒侵入人体的过程中,ACE2就是“一把钥匙”,研究人员了解了它,好比打开了病毒进入的大门。 随后,他们通过共表达的方式获得了ACE2与BOAT1优质稳定复合物,并利用西湖大学冷冻电镜平台成功解析了其三维机构,分辨率达到2.9埃,对病毒非常重要的外结构域分辨率达到了2.7埃。? | ACE2-BOAT1复合物结构然后比较ACE2-BOAT1复合物和之前解析复合物(SARS病毒的S蛋与ACE2的PD结构域的复合物),将两种复合物通过PD结构域锚定在一起,具体如下:? 他们通过分析ACE2的全场蛋结构,发现ACE2以二聚体形式存在,还具有开放和关闭两种构象变化,但两种构象均含有与冠状病毒相互的界面。

    38720

    在自己的数据集上训练TensorFlow更快的R-CNN对象检测模型

    https:roboflow.ai示例数据集:血计数和检测(BCCD)示例数据集是364张种群和4888个标记,用于和血小板。 幸运的是,该数据集已预先标记,因此可以直接为模型准备和注释。了解患者的红和血小板的存在及其比例是确定潜在疾病的关键。 数据集中显示的红或血小板要多得多,这可能会导致模型训练出现问题。根据问题背景,可能还要优先确定一个类而不是另一个类。而且大小都相同,这使得调整尺寸的决定变得更加容易。 当检查对象(和血小板)在中的分布方式时,看到红血球遍布各处,血小板有些散布在边缘,血球聚集在中间。 鉴于此在检测RBC和血小板时,可能不希望裁剪的边缘,但是如果仅检测,则边缘显得不太重要。还想检查训练数据集是否代表样本外。例如,能否期望通常集中在新收集的数据中?

    59020

    3分+非肿瘤纯生信免疫浸润分析还可以这么做!

    2. 移除批次效应前后的PCA分析 2. 差异表达分析DEGs3:作者用limma包在OA与正常对照组间进行差异表达分析,DEGs(差异表达基因)的筛选条件是p1。 共出DEGs458个,中红色表示表达上调,绿色表示表达下调? 3. 差异表达分析得到的火山3. ,慢性淋巴血病,骨关节炎OA等疾病在DEGs中富集? 中标出了通路中几个重要的人抗原(HLA-DPA1,HLA-DQA1,HLA-DPB1等),说明免疫应答在OA中起着重要作用 ? 5. GSEA分析结果4. 6. OA标志分子 5. 免疫浸润的结果A:作者用CIBERSORT算法评估了自己整和的芯片数据中的免疫浸润情况,并得到22种免疫的丰度值。

    1.8K30

    中国新冠研究登上Science封面,全球首次揭示新冠病毒人体蛋受体结构

    解读这项研究前,我们先来补充一些基础知。研究发现,新型冠状病毒感染人体的关键在于冠状病毒的S蛋与人体ACE2 蛋的结合。 ACE2-B0AT1 复合物的冷冻电镜密度, 与上对应他们获得的分辨率达到2.9埃,对于病毒至关重要的外结构域分辨率为2.7埃。3埃是评价蛋质结构分辨率的分界点。 ACE2-B0AT1 复合物结构可见,ACE2以二聚体(即两个相同或相似的简单结构成对出现,三聚体…X聚体以此类推,用于化学和分子生物学领域)形式存在,同时具有开放和关闭两种构象变化,但两种构象均含有与冠状病毒的相互界面 RBD-ACE2-B0AT1 复合物结构 他们发现,在形态上,新冠病毒的S蛋一座桥横跨在ACE2表面,又病毒的一只手,紧紧抓住ACE2,这一点与SARS病毒很相似。 新冠病毒S蛋的受体结合结构域与SARS病毒的序列也非常,相似性达到82%。?RBD和ACE2的相互作用示意

    28330

    扫码关注云+社区

    领取腾讯云代金券