无需预对齐即可消除批次效应,东京大学团队开发深度学习框架STAIG,揭示肿瘤微环境中的详细基因信息

DLPFC.h5ad格式数据简便获取方式+STAGATE论文复现问题 简便获取DLPFC.h5ad格式的数据方式 阅读详情

生物组织是由多种类型细胞构成的复杂网络,这些细胞通过特定的空间配置执行重要功能。近年来,10x Visium、Slide-seq、Stereo-seq 和 STARmap 等空间转录组学 (ST) 技术的进步,使得生物学家们能够在空间结构内绘制基因数据,从而各类疾病提供更深入的见解。

不过,ST 技术严重依赖于识别具有统一基因表达和组织学特征的空间区域。目前,主要有两种识别方法:非空间聚类和空间聚类方法,非空间聚类方法仅基于基因表达进行聚类,往往导致聚类结果不连贯;空间聚类方法使用图卷积模型整合基因和空间信息,但在将 ST 数据转换为图结构时依赖人为定义的距离标准,可能引入偏差;同时,利用组织学图像的方法也面临挑战,因为其易受染色质量变化的影响;此外,大多数现有方法的批次整合仍需手动干预,例如手动对齐坐标或依赖额外工具。

为了克服这些挑战,来自日本东京大学医科学研究所的研究团队提出了一种名为 STAIG (基于图像辅助的图对比学习进行空间转录组学分析)的深度学习框架, 能够在无需对齐的情况下整合基因表达、空间数据和组织学图像。

STAIG 通过自监督模型从苏木精和伊红 (H&E) 染色图像中提取特征,无需依赖大规模组织学数据集进行预训练。此外,STAIG 在训练过程中动态调整图结构,并利用组织学图像信息选择性排除同源负样本,从而减少初始构建带来的偏差。

最后,STAIG 通过局部对比识别基因表达共性,实现端到端的批次整合,无需手动坐标对齐,并有效减少批次效应。研究人员在多个数据集上评估了 STAIG,结果表明其在空间区域识别方面具有良好性能,并能揭示肿瘤微环境中的详细空间和基因信息,促进对复杂生物系统的理解。

相关成果以「STAIG: Spatial transcriptomics analysis via image-aided graph contrastive learning for domain exploration and alignment-free integration」为题,发表于 Nature Communications。

研究亮点:

  • STAIG 模型能够在无需预对齐的情况下整合组织切片,并消除批次效应

  • STAIG 模型适用于从不同平台获取的数据,无论是否包含组织学图像

  • 研究人员证明了 STAIG 能够高精度识别空间区域,并揭示肿瘤微环境的新见解,展现出其在解析空间生物复杂性方面的广阔潜力

在这里插入图片描述

论文地址:
https://www.nature.com/articles/s41467-025-56276-0
该研究所用数据集下载地址:
https://go.hyper.ai/m5YC4

数据集:收集 ST 数据集和来自不同平台的组织学图像

研究人员下载了公开可用的 ST 数据集和来自不同平台的组织学图像, 如下图所示。ST 数据集包含人脑背外侧前额叶皮层 (DLPFC) 数据集、人类乳腺癌数据集、鼠脑数据集、Slide-seqV2 数据集、STARmap 数据集等。

数据集下载地址:
https://go.hyper.ai/m5YC4

在这里插入图片描述

H&E 染色图像、人工注释,以及 STAIG 与基线方法

  • 来自 10x Visium 平台的人脑背外侧前额叶皮层 (DLPFC) 数据集包含来自 3 名个体的 12 个切片,每名个体提供 4 个间隔为 10μm 和 300μm 的切片,每个切片的点计数在 3,498 到 4,789 之间,这些切片已被手动标注为皮层层 L1–L6 及白质 (WM);

  • 人类乳腺癌数据集包含 3,798 个点;

  • 鼠脑数据集包括前后两个切片,分别包含 2,695 和 3,355 个点;

  • 对于斑马鱼黑色素瘤,研究人员分析了切片 A 和 B,分别包含 2,179 和 2,677 个点;

  • 对于集成实验,使用了 DLPFC 和鼠脑数据集,鼠嗅球的 Stereo-seq 数据集包含 19,109 个点,分辨率为 14μm;

  • Slide-seqV2 数据集具有 10μm 分辨率,包括鼠海马 (来自中央四分之一半径的 18,765 个点) 和鼠嗅球 (19,285 个点);

  • STARmap 数据集包含 1,207 个点;

  • 对于 MERFISH 数据集,人类 MTG 包含 3,970 个点,而鼠 1 和鼠 2 的 VIS 区域分别包含 5,995 和 2,479 个点。

模型架构:基于图像辅助的图对比学习进行空间转录组学分析

下图描述了 STAIG 的整体框架,这是一种使用图对比学习结合高性能特征提取来整合基因表达、空间坐标和组织学图像的深度学习框架,包含 6 个模块:

在这里插入图片描述

STAIG 框架概述

首先,如下图 a 部分,为了减少噪声和组织染色不均的影响,STAIG 首先将组织学图像分割成与数据点空间位置对齐的小块 (Spot Image Patches),随后使用带通滤波器 (Band-pass Filter) 对图像进行优化处理,图像嵌入特征通过 Bootstrap Your Own Latent (BYOL) 自监督模型提取,同时基于数据点之间的空间距离构建邻接矩阵。

在这里插入图片描述

每个切片都包括带有空间坐标的斑点、基因数据和可选的苏木精和伊红染色图像

如下图 b 部分,为了整合不同组织切片的数据,STAIG 采用纵向堆叠(stacking) 的方式,将多个组织切片的图像嵌入特征整合。

在这里插入图片描述

对于多个切片,每个切片的图像嵌入都会垂直合并

如下图 c 部分,各切片的邻接矩阵采用对角放置 (diagonal placement) 方法合并,形成整合后的邻接矩阵,随后,该矩阵用于构建图结构,其中基因表达数据作为节点信息。

在这里插入图片描述

每个部分的邻接矩阵按对角线方向组合,形成一个综合邻接矩阵

如下图 d 部分,对于通过边相连的测点,在图像嵌入空间中计算其距离,并利用 SoftMax 函数将这些距离转换为随机边移除的概率,原始图在此基础上经历两轮随机边移除 (Edge Random Removal),从而生成两个增强视图,接着,对这些视图中的节点特征进行随机掩码处理。

在这里插入图片描述

将生成的两个增强视图中的节点特征进行随机掩码处理

然后,如图 e 部分,增强视图随后通过共享的图神经网络 (GNN) 进行处理,并受邻域对比目标 (neighboring contrastive objective) 的引导,该方法旨在在两个图视图中拉近相邻节点之间的距离,同时拉远非相邻节点。

在这里插入图片描述

增强视图随后通过共享的图神经网络进行处理

最终,如图 f,训练后的 GNN 生成嵌入,以识别空间区域并最小化连续组织切片间的批次效应。

在这里插入图片描述

利用 GNN 得出的嵌入结果进行空间域识别和整合

研究结果:STAIG 在各种条件下均表现出优越性能

研究团队进行了广泛的基准评估,将 STAIG 与其他最先进的 ST 技术进行了比较。结果显示,STAIG 在各种条件下均表现出优越的性能。

脑区识别性能评估

为了评估 STAIG 在组织区域识别中的性能,研究人员将 STAIG 与现有方法进行了对比,包括 Seurat、GraphST、DeepST、STAGATE、SpaGCN、SEDR、ConST、MuCoST 和 stLearn,性能评估指标包括:

  • 调整兰德指数 (ARI) 和归一化互信息 (NMI)(用于手动标注的数据集)。

  • 轮廓系数 (SC) 和戴维斯-鲍丁指数 (DB)(用于其他数据集)。

① 人脑数据集的表现

整体而言,STAIG 在人脑数据集中表现最佳, 取得最高的中位数 ARI (0.69) 和 NMI (0.71),如下图所示:

在这里插入图片描述

9 种方法在 12 个 DLPFC 切片上的调整兰德指数 (ARI) 和归一化互信息 (NMI) 箱线图

相比之下,现有方法的表现较差:stLearn 误判了一些测点,并遗漏了部分层次;GraphST 的 ARI 为 0.64,NMI 为 0.73,但在 L4 和 L5 层的位置存在较大偏差;其他方法的 ARI 介于 0.25–0.57,NMI 介于 0.42–0.69,主要由于层次比例识别不准确。

② 小鼠脑数据集的表现

如下图,在小鼠后脑数据集中,STAIG 成功识别小脑皮层和海马区,并进一步区分了 Ammon 角 (CA) 和齿状回 (dentate gyrus), 与 Allen 小鼠脑图谱注释高度一致;尽管缺少手动标注,STAIG 仍取得最高 SC (0.31) 和最低 DB (1.11),表明其优越的聚类性能。

在这里插入图片描述

小鼠脑后部组织的 H&E 染色图像、Allen 参考图谱的解剖学标注,以及 STAIG 的聚类结果

又如下图,在小鼠前脑数据集中,STAIG 精确分割了嗅球 (olfactory bulb) 和背侧苍白球 (dorsal pallium), 在参考 Long 等人的手动标注后,其 ARI 达 0.44,NMI 达 0.72,均为最高值。

在这里插入图片描述

Long 等人的手动标注以及 STAIG 和基线方法在小鼠前部组织上的 ARI 柱状图

图像特征提取的有效性

为了探讨图像特征的影响,研究人员使用 KNN 算法对比了 STAIG 与其他方法 (stLearn、DeepST 和 ConST) 提取的图像特征。

① 大脑组织切片分析

以切片 #151507 为例,如下图,stLearn 的图像特征受染色强度影响严重,导致与真实层次标注不匹配;DeepST 和 ConST 虽采用深度学习,但未能准确捕捉脑组织的复杂纹理特征;STAIG 的特征提取结果与手动标注的层次高度匹配,尽管部分边界仍略显模糊,但几乎不受染色差异的影响。

在这里插入图片描述

LPFC 切片 #151507 的 H&E 染色图像、手动注释 及 基于图像特征的 KNN 聚类结果,对比 STAIG 与 3 种基于图像的方法 (stLearn、DeepST、ConST)

② 乳腺癌组织图像分析

研究人员进一步使用人类乳腺癌 H&E 染色图像测试图像特征提取能力,如下图所示。

结果显示:stLearn 的图像特征混合了肿瘤和正常区域,区分度较差;ConST 看似将图像分割成不同区域,但放大观察后,区域边界与手动标注存在较大偏差;DeepST 未能提取有效的图像特征;STAIG 精准识别肿瘤区域,其空间聚类结果保持了高度的区域连贯性,且分割区域几乎完美匹配手动标注的轮廓, 验证了其卓越的图像特征提取能力。

在这里插入图片描述

人类乳腺癌数据集的 H&E 染色图像、基于视觉解读的手动注释及基于图像特征的 KNN 聚类结果,对比 STAIG 与三种基于图像的方法

明确人类乳腺癌 ST 中的肿瘤微环境

在对人类乳腺癌数据集的分析中,研究人员发现 STAIG 的结果与手动注释高度一致,并且达到了最高的 ARI (0.64) 和 NMI (0.70)。 值得注意的是,STAIG 提出了稍微不同但更精细的空间分层,特别是对手动注释中的 Healthy_1 区域(下图 a),STAIG 将其细分为子群 3 和 4(下图 b)。

在这里插入图片描述

STAIG 的高级空间分析揭示了人类乳腺癌 ST 数据中的癌症相关成纤维细胞 (CAF) 富集群体

总之,通过 STAIG 的多模态整合,研究人员发现子群 3 形成了一个 CAF 密集的肿瘤微环境,并揭示了 CAF 丰富区域的分子特性。

深度学习为 ST 技术发展提供强大工具

随着基因组学和 ST 技术的飞速发展,生物医学界得以探索组织内基因表达的空间分布,从而揭示生物体复杂的功能和结构。ST 技术不仅提供了基因表达的定量信息,还保留了细胞在组织中的空间关系,使相关人员能够研究组织微环境、细胞相互作用以及疾病发生发展的空间特征。然而,由于 ST 数据通常具有高维度、强噪声和批次效应等问题,如何有效地整合和解析这些数据成为当前研究的核心挑战。

深度学习技术,特别是图神经网络 (GNN) 和对比学习方法的引入,为 ST 数据的分析提供了强大的工具。传统的分析方法往往依赖于降维和聚类,而深度学习方法能够自动提取多层次的特征,并通过端到端训练优化数据表示。如前文所述,基于 GNN 的方法可以利用空间邻接信息构建图结构,使模型在捕捉基因表达的同时,也能学习到细胞间的空间依赖关系,而对比学习的引入进一步增强了模型的泛化能力,使其能够在没有标注的情况下学习到关键的空间特征。

除此之外,业界在深度学习+ST 技术结合方面也有不少进展:

2024 年 11 月,中国国家生物信息中心杨运桂团队、中国科学院数学与系统科学研究院张世华团队合作,开发了一种基于深度学习的空间转录组细胞注释工具 STASCAN, 通过整合基因表达谱和组织学图像的细胞特征学习来预测组织切片未知区域的细胞类型,并对捕获区域内的细胞进行细分注释,从而大大提高空间细胞分辨率。此外,STASCAN 适用于来自不同 ST 技术的不同数据集,并在破译高分辨率细胞分布和解决增强的组织结构方面显示出显著优势。

该成果以「STASCAN deciphers fine-resolution cell distribution maps in spatial transcriptomics by deep learning」为题,发表在 Genome Biology 上。

在这里插入图片描述

论文地址:
https://genomebiology.biomedcentral.com/articles/10.1186/s13059-024-03421-5

2025 年 1 月 23 日,来自美国普林斯顿大学的研究团队开发了一种全新的深度学习算法 GASTON (Gradient Analysis of Spatial Transcriptomics Organization with Neural networks)。 GASTON 通过结合无监督的深度神经网络与可解释性算法,创新性地提出了「等深度 (Isodepth)」的概念,这一概念类似于地形图中的海拔高度,用于量化组织切片中的基因表达空间拓扑结构。、

通过等深度及其梯度,研究人员不仅能够分割组织的不同空间区域,还能识别组织内基因表达的连续变化趋势和关键标志基因。该研究展示了 GASTON 在多种生物样本中的成功应用,包括小鼠大脑、小鼠嗅球、结直肠癌肿瘤微环境等。结果表明,GASTON 可以准确解析组织结构,揭示细胞类型的空间分布与变化规律,同时挖掘出许多在其他方法中被忽视的空间基因表达模式。

相关成果以「Mapping the topography of spatial gene expression with interpretable deep learning」为题发布于 Nature Methods。

在这里插入图片描述

论文地址:
https://www.nature.com/articles/s41592-024-02503-3

显然,深度学习与 ST 技术的结合不仅提升了数据整合与降噪的能力,还促进了空间生物信息的深入挖掘。未来,随着计算资源的增长和算法的优化,深度学习将在 ST 数据分析中发挥更加重要的作用,为精准医学和个性化治疗提供更有力的支持。

参考资料:
1.https://static-content.springer.com/esm/art%3A10.1038%2Fs41467-025-56276-0/MediaObjects/41467_2025_56276_MOESM1_ESM.pdf
2.https://www.bjqykxy.com/kexueyanjiu/dongwuzhiwu/7361.html
3.https://news.qq.com/rain/a/20250128A057OQ00?suid=&media_id=
4.https://www.medsci.cn/article/show_

【Scanpy】单细胞转录组分析思路之细胞分类 本文将详细讲述单细胞转录组分析的步骤,包括预处理,归一化、降维,聚类和下游分析等。 阅读详情

相关推荐

论文阅读笔记(十三)——Benchmarking spatial clustering methods with spatially resolved transcriptomics data

其次,我们发现了当前方法的局限性。这些局限性在测试包含小型和非连续组织域的额外22个数据(方法和补充表1)以及在包含31个组织切片的另一个大规模数据集的多切片分析中变得明显。

saltfish920的博客 2036

文献阅读:通过深度神经网络联合建模多个切片构建3D整体生物体空间图谱

文献介绍 文献题目: 通过深度神经网络联合建模多个切片构建3D整体生物体空间图谱 研究团队: 杨灿(香港科技大学)、吴若昊(香港科技大学) 发表时间: 2023-10-19 发表期刊: Nature Machine Intelligence 影响因子: 23.8(2023年) DOI: 10.1038/s42256-023-00734-1 摘要 空间转录组学 (ST) 技术正在彻底改变探索组织空间结构的方式。目前,ST 数据分析通常仅限于单个二维 (2D) 组织切片,限制了我们理解 3D 空间中发生

🧑‍🎓 博士研究生在读 🔬 分享生物信息学、神经生物学方面的知识 💬 合作请在后台留言 1523

跟着Seurat官网学空间转录组(10X数据集为例,包含细胞映射,无监督学习)

本教程演示如何使用 Seurat (>=3.2) 分析空间分辨的 RNA-seq 数据。虽然分析流程类似于用于单细胞 RNA-seq 分析的 Seurat 工作流程,但我们引入了更新的交互和可视化工具,特别强调空间和分子信息的整合。本教程将涵盖以下任务,我们相信这些任务对于许多空间分析来说都是常见的:正常化降维和聚类检测空间变化的特征交互式可视化与单细胞 RNA-seq 数据整合使用多个切片。

coffeeii的博客 6610

DLPFC数据集真实标签全览

# import pandas as pd from sklearn.metrics import adjusted_rand_score, normalized_mutual_info_score, silhouette_score, \ homogeneity_completeness_v_measure from sklearn.metrics.cluster import contingency_matrix from sklearn.prep

qq_45759229的博客 502

论文解析-CCST-基于GNN的空间转录组聚类算法

因此,该人工注释的中间神经元细胞可以分为2个亚型,一个为可以与其他神经元交流的成熟功能性神经细胞,一个为与邻居细胞交互的未成熟细胞,主要进行定位和迁移。D为互信息,E表示由不同网络结构训练的模型,s为由正样本图结构训练的得到的整图特征(利用Readout函数由每个节点得到整图特征)计算邻居富集率对于一个类别的所有细胞,根据图结构收集每个细胞的邻居细胞,计算邻居细胞属于每个类别的占比,得到邻居富集率。本文通过Readout函数得到整图的特征,即通过聚合节点特征的方式来得到整图的特征表示。...

weixin_46065198的博客 3089

Mac mini 24G大模型推理内存瓶颈与优化实战

统一内存架构(UMA)是Apple Silicon的核心特性,其内存带宽固定、CPU/GPU/神经引擎共享物理池,导致大模型推理时易出现带宽争抢而非容量不足。Q4_K_M量化、KV Cache动态膨胀、Tokenizer缓存失控及Metal Shader编译开销共同构成内存消耗黑洞。技术价值在于将‘OOM Killed: 9’从玄学错误转化为可建模的资源调度问题;典型应用场景包括本地LLM部署、边缘AI推理与轻量RAG验证;本文聚焦M系列芯片下24GB UMA的实际承载边界与不换硬件的确定性优化路径,涵盖G

weixin_33461476的博客 215

DIST:利用深度学习增强空间转录组学

摘要 空间分辨转录组学技术能够全面测量完整组织背景下的基因表达模式。然而,现有技术存在分辨率低或测序深度浅的问题。在此,我们提出了一种基于深度学习的方法 DIST,它能对未测量位置的基因表达谱进行推算,并通过自我监督学习和迁移学习来增强原始测量点和推算点的基因表达。我们评估了 DIST 在估算、聚类、差异表达分析和功能富集分析方面的性能。结果表明,DIST 可以准确地估算基因表达量,提高低质量数据的基因表达量,帮助检测更多有生物学意义的差异表达基因和通路,从而更深入地了解生物学过程。 关键词:空间转录组

m0_67511537的博客 2508

从Demo到产品:基于ADAU1452的ANC方案,硬件选型、性能优化与避坑指南

本文详细解析了基于ADAU1452的主动降噪(ANC)方案从Demo到产品的实现路径,涵盖硬件选型、性能优化与实战避坑指南。重点探讨了ADAU1452与ADAU1466的性能差异、编解码器选型策略,以及MFXLMS算法优化技巧,为工程师提供从理论验证到量产落地的系统级解决方案。

weixin_30542079的博客 453

探索宇宙星辰:Starmap——下一代子域名发现利器

探索宇宙星辰:Starmap——下一代子域名发现利器 Starmap 一个轮子融合的子域名收集小工具 项目地址: https://gitcode.com/gh_mirrors/st/Starmap ???? 在网络...

gitblog_00099的博客 543

5G移动性管理实战:手把手教你配置NR小区重选参数(附避坑指南)

本文深入解析5G网络移动性管理中的小区重选参数配置实战。通过拆解小区选择与重选的核心机制,结合真实案例,手把手指导如何配置NR小区重选参数,并分享常见避坑指南,帮助工程师优化网络性能,提升用户移动体验。

weixin_29229261的博客 200

智能车竞赛飞檐走壁组立体赛道电磁引导线设计与实现

本文深入解析了智能车竞赛飞檐走壁组立体赛道电磁引导线的核心设计与实现。针对垂直面、圆筒、跷跷板等立体元素,详细阐述了电磁线规格参数选择、三维空间铺设技巧及磁场调试方法,旨在帮助参赛队伍打造稳定可靠的导航系统,提升车模在复杂立体赛道上的通过率与稳定性。

bert9linguist的博客 285

【数据库】spatialLIBD

spatialLIBD是一个整合空间转录组数据分析和可视化的R/Bioconductor工具包,由Lieber脑科学研究所开发。该平台基于10x Genomics Visium技术,提供人类前额叶皮层六层结构的空间转录组数据,包含在线Shiny应用和本地R包两种分析方式,支持交互式探索基因表达的空间分布特征,并附带完整的研究论文和分析代码。

dundunmm的博客 400

无人驾驶Autoware导读

认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长!本文先对无人驾驶Autoware介绍做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章提示:以下是本篇文章正文内容。

qq_35635374的博客 2399

AAAI2025Oral | DUSTED-简洁高效的空间组学数据去噪

AAAI2025Oral | DUSTED-简洁高效的空间组学数据去噪

白景屹的博客 1164

基于 STM32 的便携式肌电信号采集与疲劳度评估系统设计与实现

本系统以 STM32 单片机为核心控制器,通过肌电电极采集人体骨骼肌表面的 sEMG 信号,经仪表放大、滤波、AD 采样后送入 MCU 进行时域 / 频域特征提取,利用 RMS(均方根)、MPF(中位频率)、MF(平均频率)等指标实时评估肌肉疲劳状态,最终通过 OLED 显示疲劳等级,并支持蓝牙上传至上位机。

weixin_42300449的博客 109

Docker(八):Docker Compose(容器编排) 管理多容器应用—实战案例演示

🟢 Docker(八):Docker Compose(容器编排) 管理多容器应用—实战案例演示

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 6万+

文献阅读 | Nature Communications:使用自适应图注意自动编码器从空间解析的转录组学中解读空间域

文献介绍 文献题目: 使用自适应图注意自动编码器从空间解析的转录组学中解读空间域 研究团队: 张世华(中国科学院数学与系统科学研究院) 发表时间: 2022-04-01 发表期刊: Nature Communications 影响因子: 17.6(2022年) DOI: 10.1038/s41467-022-29439-6 摘要 空间分辨转录组学的最新进展使得能够全面测量基因表达模式,同时保留组织微环境的空间背景。破译组织中 spots 的空间背景需要仔细使用它们的空间信息。为此,作者开发了一个图注

🧑‍🎓 博士研究生在读 🔬 分享生物信息学、神经生物学方面的知识 💬 合作请在后台留言 2853

IgH EtherCAT 从入门到精通:第 19 章 主站状态机(FSM)深度解析

文章摘要:IgH EtherCAT主站采用多层次有限状态机(FSM)架构实现总线管理。核心是Master FSM,负责总线扫描、从站配置和邮箱通信,通过函数指针状态机模式实现异步非阻塞操作。系统包含多个嵌套FSM:Slave FSM管理单个从站请求,Slave Scan FSM处理拓扑变化扫描,Slave Config FSM配置从站状态转换,Change FSM执行AL状态切换。这种设计通过状态函数指针转换实现复杂协议交互,各FSM协同工作完成EtherCAT网络的初始化、配置和实时通信,支持热插拔和错误

从事嵌入式linux android驱动开发,拥有全栈能力 147

文献阅读:SPACEL:基于深度学习的空间转录组结构表征

文献介绍 「文献题目」 SPACEL: deep learning-based characterization of spatial transcriptome architectures 「研究团队」 瞿昆(中国科学技术大学) 「发表时间」 2023-11-22 「发表期刊」 Nature Communications 「影响因子」 16.6 「DOI」 10.1038/s41467-023-43220-3 摘要 空间转录组学(ST)技术可以检测单个 cells/spots 中的 mRNA 表

🧑‍🎓 博士研究生在读 🔬 分享生物信息学、神经生物学方面的知识 💬 合作请在后台留言 2831

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

StarMap:面向类别无关的关键点和视角估计

StarMap:面向类别无关的关键点和视角估计 项目介绍 StarMap 是一个用于类别无关的关键点和视角估计的 PyTorch 实现。该项目由 Xingyi Zhou、Arjun Karpur、Linjie Luo 和 Qixing Huang 在 ECCV 2018 上提出,其核心思想是通过编码关键点在标准对象视图中的 3D 位置,来实现对不同类别对象的关键点和视角的准确估计。与传统方法不同,...

gitblog_00748的博客 558

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

KITTI数据集数据初体验

KITTI简介 数据采集平台 激光数据 填坑中 KITTI简介 KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办,是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo),光流(optical flow),视觉测距(visual odometry),3D物体检测(object detection)和3D跟踪...

LinesYao 4万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

西湖大学宋春青团队开发非经典pegRNA,显著提升先导编辑RNP递送效率

数据表明,在RNP递送条件下,npegRNA的平均编辑产量较标准pegRNA提高26.8倍,较工程化epegRNA提高5.9倍。该团队通过结构导向工程改造,开发了一类非经典pegRNA(npegRNA),将RTT–PBS序列整合到sgRNA环区域,从而在不增加脱靶风险的前提下显著提升先导编辑效率,尤其适用于RNP和RNA等瞬时递送体系。总体而言,该研究证明npegRNA是一种强有力的先导编辑策略,凸显了非经典pegRNA在治疗性PE应用中的潜力,为精准基因编辑的瞬时递送效率瓶颈提供了新的解决思路。

Orange_Yang123的博客 245

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 235

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 153

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 976

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 414
上一篇: 【Triton 教程】triton_language.arange
下一篇: 【vLLM 学习】调试技巧
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值