关键词 "蛋白质组学" 的搜索结果， 共 13 条, 只显示前 480 条
HEST-1k：用于空间转录组学和组织学图像分析的数据集
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。
组织病理学图像可以使用 CNN 或 GCN 进行处理，以提高参数效率，也可以两者结合使用。该设置适用于将多种组学模式与组织病理学整合，并可用于改进诊断、预后和治疗反应的评估。
基于深度学习的组织学和基因组学多模态整合，以改善癌症起源预测
SPOTlight提供了一个工具，可以从单细胞参考中对细胞混合物进行反卷积。该工具最初是为 10X 的 Visium（空间转录组学）技术开发的，可用于所有输出细胞混合物的技术。它与 Bioconductor 的Single Cell Experiment和Spatial Experiment类以及密集和稀疏矩阵兼容。此外，该软件包还提供可视化工具来评估反卷积的结果。简而言之，SPOTlight它基于通过 NMFreg 模型为每种细胞类型找到主题配置文件签名，然后优化细胞类型比例以拟合我们想要反卷积的混合物。
Baysor 是一款用于对基于成像的空间转录组学数据进行细胞分割的工具。它根据细胞的转录组成、大小和形状的可能性来优化分割。该方法可以考虑细胞核或细胞质染色，也可以仅基于检测到的分子进行分割。
SPATA2 ，一个全面的空间转录组学分析工具箱
通过整合单细胞和空间转录组学（细胞2位置模型）全面绘制组织细胞结构图
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。
Stereopy是一款基础且全面的工具，用于基于空间转录组学数据（例如 Stereo-seq（空间增强分辨率组学测序）数据）进行数据挖掘和可视化。我们将在此添加更多分析工具，这些工具可能来自其他热门工具，也可能由我们自行开发，以满足多样化的需求。同时，我们仍在努力提升其性能和计算效率。
Spatial-eXpression-R：细胞类型识别（包括细胞类型混合）和空间转录组学的细胞类型特异性差异表达
用于从单细胞和空间分辨转录组学推断、可视化和分析细胞间通讯的 R 工具包
只显示前20页数据，更多请搜索
