期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
整合组织学图像信息增强空间转录组细胞聚类的分辨率
1
作者 王睿 戚继 《生物技术通报》 CAS CSCD 北大核心 2024年第8期39-46,共8页
【目的】增加空间转录组基因表达的空间分辨率以提升遗传发育与疾病研究中的细胞谱系和类型变化的精度,提供更精细的分子表型信息。【方法】通过图像分割实现空间转录组点阵的细胞空间分布模拟,使用线性插值方法重构超分辨率基因空间表... 【目的】增加空间转录组基因表达的空间分辨率以提升遗传发育与疾病研究中的细胞谱系和类型变化的精度,提供更精细的分子表型信息。【方法】通过图像分割实现空间转录组点阵的细胞空间分布模拟,使用线性插值方法重构超分辨率基因空间表达,并利用图聚类方法揭示组织中细胞分布的空间偏好性。【结果】将新方法SpaGMM在小鼠后脑10X Visium数据集上进行检验,可以精确识别小鼠脑神经空间结构域。通过与几种空间转录组聚类的常用方法进行比较,结果显示SpaGMM的聚类结果更加符合组织学区域的注释,这些区域具有大量标记基因的空间表达支持。SpaGMM还可以从小鼠小脑区域中区分出浦肯野细胞(Purkinje cell)和伯格曼胶质细胞(Bergmann glial cell)所对应的组织区域,发现不同细胞层中存在互补的基因表达模式。【结论】SpaGMM可以通过提高点阵的空间分辨率揭示组织结构域的精细结构。 展开更多
关键词 空间转录组学 细胞分割 空间域识别 细胞
下载PDF
双自编码结合变分贝叶斯的单细胞RNA-Seq聚类
2
作者 贾继华 许耀奎 王明辉 《哈尔滨理工大学学报》 CAS 北大核心 2024年第3期125-133,共9页
近年来单细胞RNA测序(scRNA-seq)技术的快速发展使得在单个细胞水平上研究组织器官的异质性成为可能。针对单细胞RNA测序数据中准确鉴定细胞类型问题,提出一种新的基于双自编码结合变分贝叶斯高斯混合模型的聚类方法,称之为sc-VBDAE。... 近年来单细胞RNA测序(scRNA-seq)技术的快速发展使得在单个细胞水平上研究组织器官的异质性成为可能。针对单细胞RNA测序数据中准确鉴定细胞类型问题,提出一种新的基于双自编码结合变分贝叶斯高斯混合模型的聚类方法,称之为sc-VBDAE。首先通过对抗自编码网络的编码和解码过程重构数据,然后使用经典自编码对数据进行降维,获得低维且有效的数据。最后使用变分贝叶斯高斯混合模型对细胞进行聚类,并可视化聚类结果。在10个scRNA-seq数据上的实验结果表明,该方法在6个数据集上ARI指标均优于其它方法,在数据集Biase和Klein上ARI指标值达到0.90及以上。 展开更多
关键词 细胞RNA测序 对抗自编码 自编码网络 变分贝叶斯 细胞
下载PDF
高原低氧环境下红细胞增多和血液粘度间关系的研究 被引量:31
3
作者 程守科 于军一 +2 位作者 司本辉 肖庆林 梁子钧 《中国应用生理学杂志》 CAS CSCD 北大核心 2001年第3期231-235,共5页
目的 :观察高原低氧环境下人体红细胞增多和血液粘度间的关系。方法 :对进入高原不同时间人群进行血液流变学 (红细胞压积、血液粘度、红细胞变形性和聚集性以及供氧指数等 )检测和分析。结果 :①红细胞压积和红细胞变形性随进住高原时... 目的 :观察高原低氧环境下人体红细胞增多和血液粘度间的关系。方法 :对进入高原不同时间人群进行血液流变学 (红细胞压积、血液粘度、红细胞变形性和聚集性以及供氧指数等 )检测和分析。结果 :①红细胞压积和红细胞变形性随进住高原时间的延长而显著升高 ;②血液粘度在进住高原的早期明显升高 ,后期恢复正常 ;③红细胞的聚集性在进住高原的早期显著升高 ,后期则下降 ;④组织供氧指数在进住高原的早期明显降低 ,而后期恢复正常。结论 :在高原低氧环境下 ,人体血液粘度不随红细胞压积增高按比例升高 ,红细胞变形性增强和红细胞聚集性下降可能抑制了红细胞压积增高所引起的血液粘度的过度升高 。 展开更多
关键词 高原 血液粘度 细胞变形性 细胞集性 细胞增多 低氧环境
下载PDF
基于DAE的单细胞RNA测序数据聚类研究 被引量:1
4
作者 何慧茹 李晓峰 +1 位作者 张鑫 柳楠 《现代电子技术》 北大核心 2020年第24期144-148,共5页
传统数据降维方法处理单细胞RNA测序数据存在特征提取能力较差、聚类精度较低等问题,有必要引入深度学习方法以提高对复杂数据特征的提取能力。在对数据不进行任何人工筛选的条件下,利用DAE提取表达能力更强的数据特征,分别以K⁃means和D... 传统数据降维方法处理单细胞RNA测序数据存在特征提取能力较差、聚类精度较低等问题,有必要引入深度学习方法以提高对复杂数据特征的提取能力。在对数据不进行任何人工筛选的条件下,利用DAE提取表达能力更强的数据特征,分别以K⁃means和DBSCAN聚类作为DAE的顶层设置形成DAE+K⁃means和DAE+DBSCAN组合模型,将这两种深度学习组合模型在Deng数据集上与传统聚类模型SC3进行对比。与SC3的0.73聚类精度相比,DAE+K⁃means和DAE+DBSCAN的聚类精度分别达到0.93和0.97,分别提高了0.2和0.24。实验结果表明,DAE在单细胞聚类领域具有广阔的应用前景。 展开更多
关键词 细胞 深度自动编码器 深度学习 K⁃means DBSCAN 结果分析
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部