m0_58293236的博客

原创 Seurat v4 RPCA） Integrated analysis of multimodal single-cell data

WNN 通过 “模态预测 - 亲和力计算 - Softmax 归一化” 三步实现自适应权重：首先对每个细胞，基于各模态的 KNN 图进行模态内（用同模态邻居预测自身）与跨模态（用 A 模态邻居预测 B 模态）预测；这一特性的意义在于：①无需人工设定模态重要性，避免主观偏差（如蛋白模态对 CD8+T 细胞更有效，RNA 模态对树突状细胞更有效，权重可自动适配）；WNN 通过学习每个细胞中各模态的 “权重”（反映该模态对细胞状态定义的贡献），构建统一的近邻图，实现多模态数据整合，无需人工指定模态重要性。

原创 Linux 命令

【代码】Linux 命令。

原创 《Computational Methods for Single-Cell Multi-Omics Integration andAlignment》review

原创 Pamona）《Manifold alignment for heterogeneous single-cellmulti-omics data integration using Pamona》

单细胞多组学测序数据（如单细胞RNA-seq和ATAC-seq）能提供细胞的全面分子视图，但整合这些数据的有效方法仍具挑战性。现有流形对齐方法在单细胞多组学数据整合中表现出色，但受限于要求数据集具有相同的底层细胞结构。本研究提出Pamona，一种基于部分Gromov-Wasserstein距离的流形对齐框架，旨在整合异质单细胞多组学数据，辨识并表示跨模态的共享和数据集特异性细胞结构。

原创 sciCAN）single-cell chromatin accessibility and gene expressiondata integration via cycle-consistent

本文介绍了一种名为sciCAN（单细胞染色质可及性和基因表达数据整合通过循环一致对抗网络）的深度学习方法，用于无监督整合单细胞染色质可及性（scATAC-seq）和基因表达（scRNA-seq）数据。研究由杨旭（Yang Xu）、Edmon Begoli 和 Rachel Patton McCord 等人完成，发表在 2022 年《npj 系统生物学与应用》期刊上（DOI: 10.1038/s41540-022-00245-6）。

原创 《SCIM: universal single-cell matching with unpaired feature sets》

想象有两组人：一组说英语，一组说法语。他们描述同一个风景，但用词和语法不同（技术差异）。自编码器就像翻译机，把他们的描述压缩成一个“风景印象”（潜在空间），但英语和法语的“印象”可能还带点口音（技术痕迹）。现在加个“语言侦探”（判别器），它的任务是听“印象”猜是英语还是法语。编码器（翻译机）得偷偷调整，抹掉口音，让侦探猜不出来。这就是对抗目标：让“印象”只反映风景本身，不反映语言。训练完后，英语和法语描述同一个山峰的“印象”靠得很近，可以配对（匹配）。

原创 Glue）《Multi-omics single-cell data integration and regulatory inference with graph-linked embedding》

论文引入GLUE框架，通过知识引导图（guidance graph）显式建模跨层调控交互，桥接特征空间，实现准确、鲁棒、可扩展的整合。近年来，单细胞测序技术（如scATAC-seq用于染色质可及性、snmC-seq用于DNA甲基化、scRNA-seq用于转录组）允许同时探测多个组学层，揭示细胞异质性和调控机制。GLUE优于现有方法：桥接特征空间，避免信息丢失，支持多组学和调控推断。用于整合未配对的单细胞多组学数据（如scRNA-seq、scATAC-seq和snmC-seq），并同时进行调控交互推断。

原创 《Benchmarking single-cell multi-modal data integrations》

背景：单细胞多模态组学提供复杂组织洞见，包括unpaired（单独测序）、paired（同时测序）和mosaic（混合）数据集。快速发展的整合工具需要全面基准。方法：基准测试40个算法，涉及DNA（染色质开放性，scATAC）、RNA（基因表达，scRNA）、蛋白（ADT）和空间组学模态。生成101个基准数据集，评估可用性（usability）、准确性（accuracy）和鲁棒性（robustness）。结果。

原创 MISO）《Resolving tissue complexity by multimodal spatial omics modeling with MISO》

简单来说，就是同时研究生物组织里的多种分子信息（比如基因表达、蛋白质、代谢物、表观遗传标记等），而且这些信息还带有空间位置。是这篇论文提出的一种算法，专门用来分析这些复杂的多模态空间组学数据。它的目标是把不同类型的数据（比如基因表达和组织切片的显微镜图像）整合起来，找出组织里不同的功能区域（叫“空间域”），而且还能处理超大规模的数据，比如亚细胞级别的精细数据。

原创 Tangram官网教程

如果我们像下面这样将单细胞`AnnData`对象也传递给`compare_spatial_geneexp`函数，返回的数据框将包含额外的稀疏性列——`sparsity_sc`（单细胞数据的稀疏性）和`sparsity_diff`（空间数据稀疏性与单细胞数据稀疏性的差值）。我们想要检查映射得分较低的训练基因的表达情况，以此了解映射的质量。其结果是一个体素（voxel）-基因形式的AnnData对象，形式上与`ad_sp`类似，但包含的是映射后的单细胞数据的基因表达，而非Slide-seq数据的基因表达。

原创 《A sandbox for prediction and integration of DNA, RNA, and proteins in single cells》

CTF是个结构化的竞赛框架，常见于机器学习领域（比如图像识别、自然语言处理），但在生命科学里用得少。公开训练数据集：给研究者提供数据和真实答案（ground truth），让他们训练算法。私有测试数据集：答案不公开，用来测试算法的真实表现。公开挑战：邀请全球的研究者提交算法，解决特定任务（比如上面三个任务）。评分流程：用标准化的指标（像误差、相关性、AUPR）评估算法的好坏。正控制（Positive Controls, PC）

原创 《Graph machine learning for integrated multi-omics analysis》

GNN在单细胞组学分析中展现了强大潜力，特别是在处理复杂图结构和整合多模态数据方面。论文回顾了50种GNN-based方法的成功应用，涵盖细胞类型识别、数据插补、通信推断和多组学整合等任务。

原创 《Single-cell multi-omics integration for unpaired data by a siamese network with graph-based contras

然而，现有计算方法（如基于典型相关分析CCA或互近邻MNN的算法）常使用线性降维，可能扭曲数据间的真实关系。它先用配对的拼图（正样本）学习怎么拼，然后把所有拼图拼成一幅完整的画，同一个细胞的拼图块重叠在一起，不同类型的细胞分得很清楚。比如，它会算细胞之间的“最短路径距离”，确保相似细胞（比如同一类型的细胞） 在缩略图里靠得近，不同类型的细胞靠得远。通过将不同模态的细胞投影到统一的嵌入空间，MinNet 能够实现模态间的对齐和批次效应的去除，支持跨模态的细胞类型一致性分析。

原创 《Computational principles and challenges in single-cell data integration》

目标是把来自不同来源（比如不同实验室、不同患者、不同时间点）的同一种单细胞数据（通常是 scRNA-seq，也可能是 scATAC-seq 或 CITE-seq）整合到一个统一的表示空间（embedding space）。这个空间里，相同类型的细胞（比如 T 细胞）应该聚在一起，不管它们来自哪个实验，而不同类型的细胞（比如 T 细胞和 B 细胞）应该分开。即将不同来源的同一个类型的东西放在一起。注：处理同一种模态的数据。工作原理输入数据。

原创 单细胞转录组学+空间转录组的整合及思路

在《》发表综述文章，回顾了整合scRNA-seq与空间转录组学技术研究的尝试和努力，包括新兴的整合计算方法，并提出了有效结合当前方法的途径。参考文献整合scRNA-seq和空间转录组学研究的流程模式。

原创 7-4 根据后序和中序遍历输出前序遍历

第一行给出正整数 n (≤30)，是树中结点的个数。随后两行，每行给出 n 个整数，分别对应后序遍历和中序遍历结果，数字间以空格分隔。题目保证输入正确对应一棵二叉树。本题要求根据给定的一棵二叉树的后序遍历和中序遍历结果，输出该树的前序遍历结果。以及该树的前序遍历结果。数字间有1个空格，行末不得有多余空格。

原创 7-3 PAT排名汇总

计算机程序设计能力考试（Programming Ability Test，简称PAT）旨在通过统一组织的在线考试及自动评测方法客观地评判考生的算法设计与程序设计实现能力，科学的评价计算机程序设计人才，为企业选拔人才提供参考标准（网址http://www.patest.cn）。随后输出汇总的排名表，每个考生的信息占一行，顺序为：考号、最终排名、考点编号、在该考点的排名。其中考点按输入给出的顺序从1到N编号。考生的输出须按最终排名的非递减顺序输出，获得相同分数的考生应有相同名次，并按考号的递增顺序输出。

原创 7-2 银行业务队列简单模拟

设某银行有A、B两个业务窗口，且处理业务的速度不一样，其中A窗口处理速度是B窗口的2倍 —— 即当A窗口每处理完2个顾客时，B窗口处理完1个顾客。给定到达银行的顾客序列，请按业务完成的顺序输出顾客序列。假定不考虑顾客先后到达的时间间隔，并且当不同窗口同时处理完2个顾客时，A窗口顾客优先输出。输入为一行正整数，其中第1个数字N(≤1000)为顾客总数，后面跟着N位顾客的编号。编号为奇数的顾客需要到A窗口办理业务，为偶数的顾客则去B窗口。按业务处理完成的顺序输出顾客的编号。

原创 PTA——7-1 栈操作的合法性

构成的序列，对一个空堆栈进行操作，相应操作均可行（如没有出现删除时栈空）且最后状态也是栈空，则称该序列是合法的堆栈操作序列。输入第一行给出两个正整数 n 和 m，其中 n 是待测序列的个数，m（≤50）是堆栈的最大容量。随后 n 行，每行中给出一个仅由。序列保证不为空，且长度不超过100。分别表示入栈和出栈操作。2.出栈 : 总出栈次数 < 已入栈次数。如果该序列是合法的堆栈操作序列，或。序列，判断该序列是否合法。对每个序列，在一行中输出。3.空栈：入栈==出栈。

原创 PTA——6-7 另类循环队列

其中Queue结构定义如下：/* 存储元素的数组 *//* 队列的头指针 */int Count;/* 队列中元素个数 *//* 队列最大容量 */注意：如果队列已满，AddQ函数必须输出“Queue Full”并且返回false；如果队列是空的，则DeleteQ函数必须输出“Queue Empty”，并且返回ERROR。循环队列是一种线性数据结构，它使用数组来存储元素，并通过取模运算实现队列的循环使用。

原创 PTA——6-6 在一个数组中实现两个堆栈

其中Tag是堆栈编号，取1或2；MaxSize堆栈数组的规模；Stack结构定义如下：注意：如果堆栈已满，Push函数必须输出“Stack Full”并且返回false；如果某堆栈是空的，则Pop函数必须输出“Stack Tag Empty”（其中Tag是该堆栈的编号），并且返回ERROR。双栈是指在一个数组中同时实现两个栈，两个栈分别从数组的两端向中间生长，以此来更高效地利用数组空间。下面这段代码就定义了一个双栈：//在双栈结构中，Position。

原创 PTA——6-5 两个有序链表序列的合并

其中List结构定义如下：/* 存储结点数据 *//* 指向下一个结点的指针 *//* 定义单链表类型 */L1和L2是给定的带头结点的单链表，其结点存储的数据是递增有序的；函数Merge要将L1和L2合并为一个非递减的整数序列。应直接使用原序列中的结点，返回归并后的带头结点的链表头指针。

原创 PTA——6-4 单链表逆转

其中List结构定义如下：/* 存储结点数据 *//* 指向下一个结点的指针 *//* 定义单链表类型 */L是给定单链表，函数Reverse要返回被逆转后的链表。

原创 PTA——6-3 带头结点的链式表操作集

其中List结构定义如下：PtrToLNode;//是自定义的数据类型，它代表节点中存储的数据//Next是一个指向结构体的指针，它用于指向下一个节点//这里把PtrToLNode类型重命名为Position//同样是把PtrToLNode类型重命名为Listtypedef属于 C 语言的关键字，其作用是为已有的数据类型创建新的别名。是一个结构体类型，不过此时还未对其具体内容进行定义。代表指向结构体的指针类型。PtrToLNode就是为这个指针类型所定义的新别名。

原创 PTA——6-2 顺序表操作集

其中List结构定义如下：;/* 保存线性表中最后一个元素的位置 */各个操作函数的定义为：（以下蓝色部分为题眼：创建并返回一个空的线性表；：返回线性表中X的位置。若找不到则返回ERROR；：将X插入在位置P并返回true。若空间已满，则打印“FULL”并返回false；否则，如果参数P指向非法位置，则打印“ILLEGAL POSITION”并返回false；：将位置P的元素删除并返回true。

原创 游戏开发常见功能

这篇文章讲解一些常见功能怎么实现，（贴图什么的请参考另一篇文章）功能有1.贴图排序2.敌人追赶3.发射子弹4.加速度5.摩擦力对于每一个功能，我打算从几个角度来分析：1.实现什么效果？2.怎么实现的？（代码思路）3.写在哪个大函数中（MyPaint(HDC hdc)；WinMain（）；WndProc（））

原创 GDI游戏开发原理及代码示例

如下图所示：最终呈现：注意：前景图即上图最终呈现效果：代码示例：下面两块代码是MyTransferparentBIt（）函数打包的内容： 完整代码如下： 以下是两张图片资源： 以下代码是比较简陋的消息循环：下面这段代码进行了一定的优化： 在游戏循环中，自然也要用到画图函数和WndProc

原创 空间转录组数据分析指南笔记

比如在研究肿瘤微环境时，确定肿瘤细胞、免疫细胞、成纤维细胞等是否在空间上共定位，与肿瘤共定位的这些细胞是否会发生“浩劫”？由于技术的局限性，所以检测到的部分基因他的峰度偏低，或者部分基因由于峰度较低，无法检测到，因此我们需要算法，来整合RNA-seq数据，来预测基因在空间上的真实分布。但空间共定位的功能以及对我们疾病发展的影响，还是要通过下游分析确定这种空间共定位有没有意义。1.空间共定位：指细胞和细胞，细胞类型和细胞类型之间的空间共定位。3.结合细胞状态和空间位置，揭示空间位置对细胞功能的影响。

原创 Dev c++ windows 位图以及工程文件创建讲解

这篇文章是我在经过了沉痛的ddl截止前几个小时摸出来的东西，AI，呵呵~~ 反正我只能说，“小老弟，你还得练~~”我以为这次作业很简单，但实际......要学的很多，这篇就来讲讲以下几个点：1.Dev c++项目文件的创建2.rc文件，cpp文件还有h文件之间的关系以及创建顺序3.显示位图图像4.操作位图图像。

原创 PTA作业刷题——6-1 二分查找

其中List/* 保存线性表中最后一个元素的位置 */L是用户传入的一个线性表，其中元素可以通过>、==、<进行比较，并且题目保证传入的数据是递增有序的。函数要查找X在Data中的位置，即数组下标（注意：元素从下标1开始存储找到则返回下标，否则返回一个特殊的失败标记NotFound。

原创 Deep learning and alignment of spatially resolvedsingle-cell transcriptomes with Tangram浅读

首先对大脑组织感兴趣区域（ROI）进行 sc/snRNA-seq 测序获取单细胞数据，同时获取空间数据（如 smFISH、Visium、MERFISH、SHARE-seq 等）。Tangram，一个深度学习框架，以解决两个挑战:在单细胞分辨率下学习空间基因表达图谱转录组，并将其与来自相同标本的组织学和解剖学信息联系起来。最终输出结果包括扩展基因通量、细胞类型空间定位、校正低质量数据、单细胞反卷积和空间染色质可及性分析等。接着将单细胞数据与空间数据进行空间对齐，通过。基因表达来找到合适的映射。

原创 Windows Visual C++框架解析

以下代码通过 Window API 创建了一个简单的窗口程序，包括窗口类的设置、注册、窗口的创建、显示和更新，以及消息循环和窗口处理函数的实现。

原创 类与对象。

【代码】类与对象。

原创 OpenVLA: An Open-Source Vision-Language-Action Model[2406.09246]（论文浅读）

OpenVLA在WidowX和谷歌机器人实施例的29个评估任务中，其绝对成功率比之前最先进的VLA (55b参数RT-2-X模型[1,7])高出16.5%。

原创 强化学习（RL）之GPU简单介绍

因为GPU和CPU的内部结构不同导致处理任务方式不同，下面这张图上面是CPU，下面是GPU，可以看出CPU：穿行计算，可处理复杂的问题；GPU：并行计算，解决批量简单问题。由此可见GPU在处理图像问题的时候，会更加的有优势（计算量大但是简单的运算）2.为什么训练AI是用GPU，而不是CPU？1.GPU和CPU的区别是什么？1.GPU和CPU的区别是什么？2.接下来是GPU原理部分。

原创 DP[模版](01背包、完全背包)

1.0 1 背包如上图，将背包的体积变成了可循环的数组二维数组背包：int n,m;i<=n;i<=n;i++)j<=m;j++)//只有当所剩体积j>=v[i]时,才能够装下return 0;int n,m;int f[N];i<=n;i<=n;i++) //直接用循环的时候判断体积是否够j>=v[i];

原创 二分...

【代码】二分...

原创 Flood Fill

【代码】Flood Fill。

原创 回溯...

【代码】回溯...