Питон жгут из бисера: Жгут «Python» | biser.info — всё о бисере и бисерном творчестве

Упряжь
– Магазин Charmskool

  • Дом
  • Привязь

ЗАКРЫТЬ

ПОКУПКИ:

    УДАЛИТЬ ВСЕ

    Тип товара

    • АКСЕССУАРЫ + УКРАШЕНИЯ
    • МУЖСКАЯ ОДЕЖДА
    • ОДЕЖДА УНИСЕКС
    • ЖЕНСКАЯ ОДЕЖДА

    Местоположение

    • Франция
    • ГБ
    • Германия
    • Нидерланды
    • Великобритания

    Торговая марка

    • 7 грехов в латексе
    • 8-е творение греха
    • Связанная Великобритания
    • Сломанный бутик
    • Чисенга
    • Кристаллы N Couture
    • Грязная французская девушка
    • Рисунок А
    • Габриэлла Марина Гонсалес
    • Прилив
    • Дом эротики
    • Керрис Спенсер
    • Kraken Counter Couture
    • Лох
    • Нижнее белье от Velveteena Leigh
    • Лорна Джейн запрягает
    • Неоновая пряжа
    • нижнее белье нонос
    • ПЕРЛЕНСАУ
    • Персефония Ncredible
    • Первобытная кожа
    • царство суверенитета
    • Sex Stitch Paint Нижнее белье
    • Studio fclx

    ФИЛЬТР

    FeaturedName По возрастаниюИмя по убываниюДата по возрастаниюДата по убываниюЦена по возрастаниюЦена по убываниюЛучшие продажи

    Продажа

    45 фунтов стерлингов

    Продажа

    £52,99

    Продажа

    249,00 фунтов стерлингов

    Продажа

    175,07 фунтов стерлингов

    Продажа

    145,00 фунтов стерлингов

    Продажа

    75 фунтов стерлингов

    Продажа

    36,99 фунтов стерлингов

    Продажа

    45 фунтов стерлингов

    Продажа

    160,00 фунтов стерлингов

    Продажа

    35 фунтов стерлингов

    Продажа

    28 фунтов стерлингов

    Продажа

    170,00 фунтов стерлингов

    Продажа

    210,00 фунтов стерлингов

    Продажа

    £132,00

    Продажа

    112,00 фунтов стерлингов

    Продажа

    112,00 фунтов стерлингов

    Продажа

    200,00 фунтов стерлингов

    Продажа

    £450,00

    НАВЕРХ

    Добавлено в корзину!

    ПОСМОТРЕТЬ КОРЗИНУ ПЕРЕЙТИ К ОФОРМЛЕНИЮ

    Добавлено в корзину!

    ИТОГО:

    В вашей корзине есть товары

    ВСЕГО:

    ПОСМОТРЕТЬ КОРЗИНУ ПЕРЕЙТИ К ОФОРМЛЕНИЮ


    С этим товаром также можно купить:

    Больше не показывать это всплывающее окно

    Пожалуйста, войдите, чтобы добавить продукты в список желаний

    ВОЙТИ
    РЕГИСТРАЦИЯ

    Используйте машинное обучение для очистки данных scRNA-seq

    Стивен Флеминг — специалист по машинному обучению в группе методов платформы наук о данных в Институте Броуда. В составе команды Мехрташа Бабади он работает над разработкой инструментов для анализа данных секвенирования одноклеточной РНК (scRNA-seq) и анализирует наборы данных scRNA-seq в группе Патрика Эллинора в рамках лаборатории точной кардиологии. В этом гостевом сообщении в блоге Стивен представляет CellBender, программный пакет для устранения технических артефактов из высокопроизводительных секРНК-секвенций и других мультиомных данных. Доступен препринт рукописи Cellbender на biorxiv .


     

    Технологии исследования содержимого отдельных клеток на основе микрофлюидики произвели революцию в нашем подходе к клеточной биологии. Менее чем за десятилетие секвенирование одноклеточной РНК превратилось из новой крутой концепции с большим потенциалом в массовый метод, который уже позволил сделать важные открытия (например, Montoro et al. , 2018; Delorey et al. ., 2021), и в настоящее время вдохновляет на создание побочных продуктов, таких как протеомика одиночных клеток и пространственная транскриптомика.

    Тем не менее, как и любая технология генерации данных, существовавшая до этого, процесс преобразования биологического материала в цифровой сигнал сохраняет некоторую неразбериху. Что касается влажных лабораторий, то даже самый строгий протокол не может полностью устранить ферментативные побочные процессы, которые производят ложные фрагменты библиотеки, загрязнение экзогенными или эндогенными внешними транскриптами, потенциальное загрязнение шариков штрих-кода и подмену штрих-кода во время амплификации и/или секвенирования.

     

    Диссоциация клеток и извлечение ядер приводят к присутствию в растворе внеклеточной РНК. ( б ) Схематическая диаграмма предлагаемого источника подсчета фоновой РНК окружающей среды. В растворе, содержащем клетки, присутствуют бесклеточные «окружающие» РНК (черные линии) и другие клеточные остатки, и эти РНК упакованы в ту же каплю, что и клетка (красные), или в другую пустую каплю, содержащую только шарик захвата олиго со штрих-кодом (зеленый шестиугольник).

     

    В сгенерированных данных эти проблемы проявляются как систематический фоновый шум. Например, маркерный ген с высокой экспрессией может выглядеть так, как будто он экспрессируется во всех типах клеток на низком уровне, а не специфичен для определенного типа клеток. Этот вид фонового шума маскирует истинную специфичность экспрессии генов к типу клеток — и неправильно проявляется как ложные сигналы дифференциальной экспрессии — в последующих анализах. Систематический фоновый шум зависит от набора данных и может вызывать пакетный эффект, который препятствует интеграции набора данных и усилиям по атласизации (см. Дополнительный рисунок S1 в Eraslan et al., 2022).

     

    Идентификация и удаление фонового шума с помощью машинного обучения

    Чтобы решить эту широко распространенную проблему, мы сначала исследовали феноменологию подсчета фоновой РНК в различных экспериментах с секРНК-секвенированием и мяРНК-секвенированием, а затем разработали подход к моделированию с использованием машинного обучения. научиться определять и вычитать эти фоновые значения, что приводит к более чистому и надежному набору данных.

     

    Удаление фоновой РНК из опубликованного атласа snRNA-seq сердца человека из Чаффин и др. , 2022 . а) Точечный график, показывающий несколько генов с высокой экспрессией в наборе необработанных данных; б) Тот же точечный график после удаления шума с помощью CellBender.

     

    Мы реализовали этот подход на Python, используя популярную среду Pytorch и вероятностный язык программирования Pyro. Наш программный пакет под названием Cellbender имеет полностью открытый исходный код и доступен на Github.

    Когда мы впервые сообщили о наших результатах в препринте 2019 года, CellBender был единственным действительно неконтролируемым вариантом для удаления фонового шума в наборах данных с одной ячейкой. В качестве бонуса, в дополнение к созданию чистого набора данных, CellBender вычисляет несколько других представляющих интерес количественных показателей, включая вероятность того, что каждая капля в эксперименте содержит ячейку (поскольку многие капли в этих экспериментах пусты, и может быть трудно сказать, ). Мы обнаружили, что наш подход превосходит ранее существовавшие инструменты для звонков по сотовым, включая CellRanger и EmptyDrops.

    После препринта 2019 года CellBender применялся в ряде реальных исследований нашими сотрудниками, а также независимыми группами. Некоторые известные работы включают исследования человеческого сердца в здоровом и болезненном состоянии (Tucker et al. , 2020; Chaffin et al. , 2022;), человеческого кишечника (Holloway et al. , 2021), человека и адипоциты мыши (Sun et al. , 2020; Dong et al. , 2022), ткани человека, инфицированные SARS-CoV-2 (Xu et al. , 2020; Делори и др. , 2021; Циглер и др. , 2021; Мелмс и др. , 2021) и большой атлас перекрестных тканей человека (Eraslan et al. , 2022).

    Все эти дорожные испытания привели к дальнейшим улучшениям и новому обновленному препринту, который мы представляем для публикации. В новом препринте мы дополнительно демонстрируем, что наш подход превосходит метод удаления шума 2020 года под названием DecontX и может применяться к другим типам данных омики, таким как характеристики захвата антител, которые измеряются вместе с РНК в эксперименте CITE-seq.

     

    Удаление фоновых подсчетов из мультимодального набора данных CITE-seq, экспрессия генов показана синим цветом, а захват антител — красным. ( а ) Необработанные данные из общедоступного набора данных 10x геномики PBMC показывают, что большинство антител измеряется во всех типах клеток. (b) После CellBender количество антител становится гораздо более специфичным для типа клеток.

     

    Начните работу с CellBender сегодня

    Средство удаления фона Cellbender разработано как встраиваемый этап предварительной обработки, который можно выполнять как отдельную операцию или интегрировать в существующий рабочий процесс.

    Для удобства мы предоставляем рабочий процесс WDL, который предварительно настроен для запуска инструмента удаления фона с ускорением графического процессора (Tesla K80) на виртуальной машине в Google Cloud. Мы также создали общедоступное рабочее пространство Terra, демонстрирующее рабочий процесс вместе с некоторыми тестовыми данными, чтобы вы могли просматривать детали конфигурации, просматривать выходные данные инструмента и даже опробовать его самостоятельно, не устанавливая ничего на свой компьютер.

    Если вы не знакомы с запуском рабочих процессов в Terra, ознакомьтесь с Быстрый запуск рабочих процессов и сопровождающее его видео .

    Средство удаления фона CellBender создает HTML-отчет, включающий показатели качества, а также автоматически генерируемые комментарии, предназначенные для интерпретации этих показателей. Вы можете увидеть пример этого в общедоступной рабочей области, как описано ниже.

     

     

    Чтобы просмотреть отчет о запуске удаления фона CellBender, перейдите на вкладку ДАННЫЕ рабочей области, нажмите «sample_set» в левом меню ТАБЛИЦЫ, а затем прокрутите представление таблицы по горизонтали, пока не увидите значок «html_report_array». Нажмите на одно из имен файлов в этом столбце и нажмите кнопку загрузки; это должно открыть html-файл в вашем браузере. Прокрутите отчет, чтобы просмотреть показатели, графики и сопровождающие комментарии.

     

    Один из нескольких разделов в отчете о качестве удаления фона Cellbender, состоящий из графика, сводной статистики и инструкции для интерпретации.

    Питон жгут из бисера: Жгут «Python» | biser.info — всё о бисере и бисерном творчестве
Scroll to top