流形学习在单细胞组学数据分析中的运用
以10x Genomics为代表的单细胞组学检测技术的发展，为我们从细胞层面去理解生命体的发育过程，疾病发生和发展过程提供了重要的手段。以单细胞转录组(scRNA-Seq)为例，我们可以发现，单细胞组学数据具有横向细胞数量巨大，纵向数据分布稀疏的特点。因此，针对单细胞数据，从分析的角度提出了巨大的挑战。在这个过程中，流形学习的发展，为单细胞数据的降维和可视化提供一种解决方案。 以下，我们通过Q&A形式来分享流形学习在单细胞数据分析中的运用。 1.什么是流形学习？ 流形学习是机器学习的一种，2000年以后被认为属于非线性降维的一个分支。流形学习的本质是用低维度数据分布去解释高维度数据，也可以把它理解成寻找一个高维数据空间到低维数据空间的映射。非线性降维技术（广义上“非线性降维技术”≈“流形学习”，狭义上后者是前者子集）。流形学习在单细胞数据中的作用就是为了解决使高维的数据进行合理降维的过程。 2.流形学......阅读全文
流形学习在单细胞组学数据分析中的运用
以10x Genomics为代表的单细胞组学检测技术的发展，为我们从细胞层面去理解生命体的发育过程，疾病发生和发展过程提供了重要的手段。以单细胞转录组(scRNA-Seq)为例，我们可以发现，单细胞组学数据具有横向细胞数量巨大，纵向数据分布稀疏的特点。因此，针对单细胞数据，从分析的角度提出了巨大
流形学习在单细胞组学数据分析中的运用
以10x Genomics为代表的单细胞组学检测技术的发展，为我们从细胞层面去理解生命体的发育过程，疾病发生和发展过程提供了重要的手段。以单细胞转录组(scRNA-Seq)为例，我们可以发现，单细胞组学数据具有横向细胞数量巨大，纵向数据分布稀疏的特点。因此，针对单细胞数据，从分析的角度提出了巨大
流形学习在单细胞组学数据分析中的运用
以10x Genomics为代表的单细胞组学检测技术的发展，为我们从细胞层面去理解生命体的发育过程，疾病发生和发展过程提供了重要的手段。以单细胞转录组(scRNA-Seq)为例，我们可以发现，单细胞组学数据具有横向细胞数量巨大，纵向数据分布稀疏的特点。因此，针对单细胞数据，从分析的角度提出了巨大
机器学习遇到单细胞组学：Perturbation－Modeling
细胞生物学的相关研究一直受限于数据的完整性和表型的完整性，对应激状态和稳态下的细胞区别观察不够充分。过去五年中，计算机视觉和语音识别领域通过对大量的无标签数据进行学习、建模，很好的解决了数据不足的问题。同样在最近的研究中，机器学习方法使用单细胞数据进行扰动建模也推动了细胞生物领域前进。
单细胞分析技术在肿瘤学中的应用
肿瘤异质性研究：通过分析肿瘤组织中的单个癌细胞，揭示不同癌细胞之间的基因表达、突变和蛋白水平的差异，为理解肿瘤的发生、发展和耐药机制提供关键信息。例如，在乳腺癌中，发现某些肿瘤细胞具有特定的基因突变，导致对特定治疗药物产生抗性。肿瘤微环境分析：了解肿瘤细胞与免疫细胞、基质细胞等微环境成分之间的相互作
单细胞分析技术在免疫学中的应用
免疫细胞分型和功能研究：精确区分不同类型的免疫细胞，如 T 细胞、B 细胞、巨噬细胞等，并了解它们在免疫应答中的功能变化。这对于自身免疫性疾病、感染性疾病和免疫缺陷病的诊断和治疗具有重要意义。比如，在类风湿关节炎患者中，分析滑膜组织中的免疫细胞，揭示异常的免疫激活状态。免疫治疗监测：评估免疫治疗（如
学者开发出跨物种单细胞组学数据分析的新工具
近日，中国科学院广州生物医药与健康研究院研究员王杰团队在国家自然科学基金、国家重点研发计划等项目的资助下，开发出新的计算工具CACIMAR，用于分析跨物种单细胞转录组测序数据，揭示物种间细胞类型、标志基因、细胞内调控以及细胞间相互作用的进化保守性。相关成果发表于《生物信息学简报》（Briefings
数据增强在单细胞测序数据分析中的应用案例有哪些？
以下是一些数据增强在单细胞测序数据分析中的可能应用案例： 1. 增加细胞样本数量 - 假设初始研究只有少量特定疾病状态下的单细胞样本，通过对现有样本的数据进行随机采样、翻转、添加微小噪声等操作，生成更多的“虚拟”样本，从而增加训练数据量，提高模型对该疾病状态下细胞特征的学习能力。 2.
单细胞测序数据分析中深度学习方法的稳定性如何提高？
提高单细胞测序数据分析中深度学习方法稳定性的策略： 1. 数据增强 - 采用数据扩充技术，如随机旋转、翻转、添加噪声等，增加数据的多样性，从而使模型对数据的变化更具鲁棒性。 2. 正则化 - 应用正则化方法，如 L1 和 L2 正则化、Dropout 等，防止模型过拟合，提高
单细胞和空间组学技术在肝脏领域应用
近期，中国科学院上海营养与健康研究所李虹研究组在《肝脏病学杂志》（Journal of Hepatology）上，发表了题为Single-cell and spatially resolved transcriptomics for liver biology的综述文章。该文章阐述了前沿的单细胞
单细胞和空间组学技术在肝脏领域的应用
近期，中国科学院上海营养与健康研究所李虹研究组在《肝脏病学杂志》（Journal of Hepatology）上，发表了题为Single-cell and spatially resolved transcriptomics for liver biology的综述文章。该文章阐述了前沿的单细胞
代谢组学、脂质组学在病毒研究中的应用（二）
案例三基于代谢组学技术挖掘病毒感染宿主后代谢动态变化情况2019年发表在Viruses杂志上的另一篇文章，采用基于Orbitrap 的非靶标和靶标代谢组学方式研究了麻痹病毒（Cricket paralysis virus, CrPV）感染昆虫Bm5细胞后宿主代谢的动态变化情况。研究人员发现，CrPV
代谢组学、脂质组学在病毒研究中的应用（一）
在疫情逐步可控的情形下，一线的医务工作者和科研人员将有更多精力和时间对冠状病毒进行更深一步的研究和认识。我们此次调研了基于Orbitrap超高分辨的代谢组学，脂质组学，以及药物治疗在病毒学研究中的应用。致敬白衣天使和深耕医学研究的学者。 目前的研究显示，新型病毒进入细胞的路径与SARS冠状病毒一样，
我国在单细胞蛋白质组学研究获突破
浙江大学化学系微分析系统研究所方群教授团队，联合北京大学医学部精准医疗多组学研究中心主任黄超兰教授团队，在单细胞蛋白质组学分析研究领域取得突破性进展。研究论文近日在线发表在美国《分析化学》杂志上。 黄超兰介绍，近年来，基于细胞群体内的蛋白质组学研究，已越来越难以满足对生命功能深入探究的需要。从
肝脏生物学中单细胞和空间组学技术的成果与挑战
近期，中国科学院上海营养与健康研究所李虹研究组在《肝脏病学杂志》（Journal of Hepatology）上，发表了题为Single-cell and spatially resolved transcriptomics for liver biology的综述文章。该文章阐述了前沿的单细胞
单细胞测序数据分析中的应用案例
以下是一些深度学习方法在单细胞测序数据分析中的应用案例： 1. 细胞类型分类 - 研究人员使用深度学习算法，如卷积神经网络（CNN），对单细胞测序数据进行分析，以准确地识别和分类不同的细胞类型。例如，通过训练模型学习不同细胞类型的基因表达特征，从而能够对新的单细胞数据进行快速准确的分类。
LCMS在脂质组学中的应用
脂质组学（lipidomics）已经作为一门独立的学科与非靶代谢组学、靶向代谢组成为代谢组学中“三大主要研究领域”。为什么脂质组学会成为研究热点中的新宠？请听我一一道来。 还记得上面这张18年初风靡全生物圈的“小鼠拔罐”图吗？今年2月，陆军军医大学新桥医院李咏生团队发表在【Cellular P
乳品分析仪在光谱原理中的运用
在乳品生产过程中，需要对各种指标进行监控，但是如果使用传统的国标法中的监控监测方法用的时间长，使用的试剂也多，成本相对较高，并且不便于在实际中应用，而如果采用光谱原理的乳品分析仪则在生产中被广泛应用，这种方法操作简单，并且能够快速准确的测出各项指标。 乳品分析仪测试原理 下面我们
在单细胞测序数据分析中，Dropout－正则化的作用是什么？
在单细胞测序数据分析中，Dropout 正则化主要有以下作用： 1. 防止过拟合 - 单细胞测序数据往往具有高维度和复杂性，模型容易过度拟合训练数据中的噪声和特定模式。Dropout 通过在训练过程中随机地将神经元的输出设置为 0，强制模型学习更具鲁棒性的特征表示，减少对特定神经元的依赖
正则化在单细胞测序数据分析中的应用场景有哪些？
正则化在单细胞测序数据分析中有以下一些应用场景： 1. 特征选择与降维 - 单细胞测序数据通常具有高维度，正则化可以帮助选择对细胞类型或状态区分更有贡献的基因特征，实现有效的降维。 2. 模型防止过拟合 - 当构建深度学习或复杂的机器学习模型来分析单细胞数据时，正则化有助于避
单细胞组学解码泛癌肿瘤微环境中的T细胞
T细胞是最关键的抗肿瘤免疫细胞。肿瘤微环境中存在“肿瘤浸润T细胞”亚群，能够对肿瘤抗原产生反应，肩负着清除肿瘤细胞的重任，也是摧毁癌细胞的“主力军”。然而，随着肿瘤发展，这些英勇的“战士”常常陷入功能失调状态，“战斗力”大幅下降，被科学家称为“T细胞耗竭”。越来越多的证据表明，不同癌症的肿瘤微环境对
单细胞测序数据分析中使用深度学习方法的挑战有哪些？
在单细胞测序数据分析中使用深度学习方法面临以下一些挑战： 1. 数据稀缺性 - 高质量、大规模且标注准确的单细胞测序数据集相对较少，这限制了深度学习模型的训练和泛化能力。 2. 数据高维度和复杂性 - 单细胞测序数据通常具有高维度（成千上万的基因），这增加了模型学习的难度和计
单细胞数据降维可视化最新工具UMAP的介绍
高通量单细胞组学数据的一个显著性特点就是数据量大，一次能反映的细胞数量多。因此，通过降维和可视化去展示细胞数据特征是一个非常重要的工作。翻开各类发表的单细胞组学文章，不管是CNS的还是其他，几乎所有的结果中，映入眼帘的第一张图片通常是数据结果的降维图形化展示。 图1 PBMC细胞单细胞转录
单细胞分析技术在癌症研究中的应用
单细胞分析技术在癌症研究中有以下多种应用：肿瘤异质性研究：揭示肿瘤内部不同细胞亚群之间的基因表达差异、突变情况和表型变化，帮助理解肿瘤的复杂性和多样性。鉴定具有不同转移潜能、耐药性和治疗反应的肿瘤细胞亚群。癌症发生和发展机制探索：追踪肿瘤细胞从癌前病变到恶性肿瘤的演化过程，明确关键的分子事件和细胞状
代谢组学在疾病诊断中的应用
代谢组学 （metabolomics）的出现是生命科学研究的必然。在20世纪90年代中期发展起来的代谢组学，是对某一生物或细胞中相对分子量小于1,000的小分子代谢产物进行定性和定量分析的一门新学科。代谢组作为系统生物学的重要组成部分，在临床医学领域具有广泛的应用前景。 代谢产物是基因表达的最终
舌脉象在辩证中的运用
中医诊断治病的一大特色就是把脉望舌，即简单又方便，但是有些人把它搞得太神秘虚玄了，我觉得完全没有必要。其实它就是一个诊断方法，是因古时科技不发达而形成的，在现代医疗费用高昂的条件下，更显得它的珍贵。我临床上也很重视把脉望舌，但不觉得神秘高深，也许我学艺不精。 经常有学生向我建议写写这方
化学在人类生活中的运用
摘 要：化学与人类生活的方方面面息息相关。在家庭中, 我们穿的衣服、吃的食物、用的燃料等都离不开化学；在医疗卫生方面, 化学占据着牢不可催的地位, 例如:各种新型药物的发现和使用, 大大降低了传染病的死亡率；在工农业生产方面, 我们也能看到化学的身影。总之, 化学无处不在, 人们只有合理应用化学
单细胞分析技术在癌症研究中的应用介绍
单细胞分析技术在癌症研究中有以下诸多应用：肿瘤异质性研究：揭示肿瘤内部不同癌细胞之间的基因表达差异，了解肿瘤细胞的多样性，包括不同的亚型和分化状态。有助于解释肿瘤对治疗的不同反应和耐药性的产生机制。癌症干细胞鉴定：识别具有自我更新和多能性的癌症干细胞，它们在肿瘤的复发和转移中可能起着关键作用。为针对
单细胞分析技术在神经科学中的应用
神经退行性疾病研究：分析单个神经元的基因表达和蛋白质变化，探索帕金森病、阿尔茨海默病等疾病的发病机制。例如，发现特定神经元中某些蛋白的异常聚集与疾病进展相关。神经发育研究：研究胚胎和儿童时期神经元和神经胶质细胞的发育过程，为神经系统疾病的早期干预提供线索。
单细胞分析技术在癌症研究中应用介绍
单细胞分析技术在癌症研究中的最新进展包括以下几个方面：多组学整合分析：将单细胞的基因组、转录组、表观基因组和蛋白质组等多组学数据进行整合分析，更全面地揭示癌症细胞的特征和分子机制。例如，通过同时分析单细胞的 DNA 甲基化和基因表达，发现新的肿瘤抑制基因的失活机制。空间单细胞分析：结合空间转录组学和