暂无搜索历史
Mime1为构建基于机器学习的集成模型提供了一个用户友好的解决方案,利用复杂的数据集来识别与预后相关的关键基因。
前面单细胞免疫组库VDJ|和Nature学STARTRAC,定量T细胞动态变化介绍了2018年NATRUE 文章中的STARTRAC方法,可以应用于单细胞免疫组...
在对单细胞数据进行注释后,通常会使用柱形图比较 不同分组 之间的cluster/celltype差异 scRNA分析|单细胞文献Fig1中的分组umap图和细胞...
CytoTRACE v2 在2024.03月发表在预印本Mapping single-cell developmental potential ...
之前介绍过 scRNA分析|使用AddModuleScore 和 AUcell进行基因集打分,然后可视化目标基因集合的打分 ,这里介绍scMetabolism包...
当使用各种机器学习方法(CoxBoost,Lasso,SuperPC,randomForestSRC,Elastic Net等)完成预后模型后,除了在组学层面(...
APackOfTheClones 是2021年的Single-cell analysis pinpoints distinct populati...
机器学习构建预后模型的文章很多,且越来越卷,动不动就是10种模型的101种组合,这个系列会逐一的介绍这些常用于预后模型变量筛选和模型构建的机器学习方法。
前面Seurat V5|一个函数就能解决多种去批次方法,按需尝试提到V5的升级部分(https://satijalab.org/seurat/articles/...
前面分别介绍过了单细胞常见的可视化方式DimPlot,FeaturePlot ,DotPlot ,VlnPlot 和 DoHeatmap的优化方式
现在单细胞的样本量和数据量都在逐渐增多,大有百万之势,如果用电脑分析就会显的吃力。这时候Seurat V5通过调用BPCells 也许能给出一个解决方案。
Seurat 是单细胞RNA数据分析的一个非常主流的R包,升级到当前V5版本后,会带来一些不友好的地方,但是也有一些功能上的升级,大家一定根据自己的情况和分析需...
仍然使用空转 | 结合scRNA完成空转spot注释(Seurat Mapping) & 彩蛋(封面的空转主图代码)推文中的空转数据进行示例展示。
使用之前注释过的sce.anno.RData数据 ,后台回复 anno 即可获取
前面介绍了通过 RNAseq|oncoPredict 药物反应预测,+基因,+分型,+模型 的联合可视化 预测患者对 小分子药物的反应。那如果预测当前临床治疗上...
oncoPredict 是一款用来预测药物反应的R包,背景知识有很多介绍的了,这里介绍下真实的使用场景 以及 后续联合基因表达,分子分型 或者 预后模型等的联合...
前面空转|CARD-结合scRNA解决空间转录组spot注释,还能增强空间精度?!介绍过了CARD 进行spot注释以及提升空间精度,本文介绍另外2个区别于其他...
暂未填写公司和职称
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市