关键词 "生物信息学" 的搜索结果， 共 24 条, 只显示前 480 条
Reminisce and preserve memories through personalized books and videos.
Create professional branding assets for social media with Profile Pro.
Craft heartfelt speeches with AI.
Generate job-winning cover letters instantly with Hello Hiring Manager's AI-powered platform.
Create professional cover letters effortlessly with online platform CoverLetterGPT.
AI dating photographer enhancing profiles for better matches.
Turn your LinkedIn profile into a customized personal webpage in minutes with Simplebio.
AI-powered resume builder that helps you get hired fast.
"TweetRadar is a Twitter tool for tracking and analyzing real-time data."
Tell, share, and preserve life stories and special memories.
AI tool for effortless LinkedIn content creation and scheduling.
Generate personalized CV and cover letter to stand out in job search with ResuFit AI-powered tool.
Applyish is a job application platform with an auto-fill feature, saving time and effort.
AI-driven tool for creating LinkedIn posts with over 100 templates.
AI-powered resume builder.
AI Social Bio is an AI tool for generating professional social media bios.
Generate texts in seconds.
开源轻量级通用生物医学视觉-语言基础模型BiomedGPT，则在多种生物医学任务上展现先进性能。BiomedGPT在25项实验中有16项达到先进水平，并在人类评估中表现出色，总结能力接近人类专家。
香港中文大学的生物医学团队为8个特定的眼科图像模态设计编码器，并为不同任务设计解码器，整合超过50万名患者的340万张图像，训练了眼科疾病基础模型VisionFM。该模型在多个眼科疾病诊断任务上超过基线方法，准确率接近中级眼科医师。该模型还具备强大的数据泛化能力，能够扩展到新的图像模态和设备，甚至能从眼底图像预测青光眼进展和颅内肿瘤。
模型SurvPath利用转录组学中的生物通路标记和 WSI 中的组织学补丁标记，通过多模态 Transformer 促进记忆有效的融合。SurvPath 在来自癌症基因组图谱的五个数据集中超越了单模态和多模态基线，展示了最先进的性能。此外，我们的可解释性框架识别了关键的多模态预后因素，为基因型-表型相互作用和潜在的生物学机制提供了更深入的见解。
MAPS（用于空间生物学中蛋白质组学分析的机器学习），这是一种机器学习方法，能够从空间蛋白质组学数据中快速、精确地识别细胞类型，并达到人类水平的精度。经多个内部和公开的 MIBI 和 CODEX 数据集验证，MAPS 在速度和精度方面均优于现有的注释技术，即使对于通常具有挑战性的细胞类型（包括免疫来源的肿瘤细胞），也能达到病理学家级别的精度。通过实现快速部署和可扩展的机器学习注释的普及，MAPS 拥有巨大的潜力，可以加速组织生物学和疾病理解的进步。
CZ CELLxGENE Annotate（发音为“cell-by-gene”）是一款用于单细胞数据集（例如来自人类细胞图谱 (Human Cell Atlas)的数据集）的交互式数据探索器。我们利用现代 Web 开发技术，快速可视化至少 100 万个细胞，希望能够帮助生物学家和计算研究人员探索他们的数据。
Spateo（https://github.com/aristoteleo/spateo-release），这是一个3D时空建模框架，并将其应用于E9.5和E11.5的3D小鼠胚胎发生图谱，捕获了800万个细胞。Spateo支持可扩展、部分、非刚性对齐、多层细化和网格校正，以创建整个胚胎的分子全息图。它引入了数字化方法，揭示了从亚细胞到整个器官的多层次生物学，识别了新兴3D结构（例如，中脑-后脑边界（MHB）等次级组织者）沿正交轴的表达梯度。Spateo进一步联合模拟细胞间和细胞内相互作用，以解剖3D结构中的信号传导图谱，包括丘脑内界带（ZLI）。最后，Spateo 引入了细胞迁移的“形态矢量场”，并整合了空间微分几何，揭示了小鼠心脏器官发生不对称等现象背后的分子程序，将宏观变化与分子动力学联系起来。因此，Spateo 能够在分子水平上研究三维空间中器官生态学随时间的变化。
stLearn旨在全面分析空间转录组学 (ST) 数据，以研究未分离组织内的复杂生物学过程。ST 正在成为单细胞 RNA 测序的“下一代”，因为它为完整组织切片中细胞的转录谱添加了空间和形态背景。然而，现有的 ST 分析方法通常将捕获的空间和/或形态数据用作可视化工具，而不是将其用作模型开发的信息特征。我们开发了一种分析方法，该方法可利用所有三种数据类型：空间距离、组织形态和来自 ST 数据的基因表达测量 (SME)。这种组合方法使我们能够更准确地模拟潜在的组织生物学，并允许研究人员解决三个主要研究领域的关键问题：细胞类型识别、空间轨迹重建以及未分离组织样本内细胞间相互作用的研究。
只显示前20页数据，更多请搜索
Showing 97 to 120 of 122 results
