Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Immunocytochemistry and Immunohistochemistry01:22

Immunocytochemistry and Immunohistochemistry

11.9K
Immunocytochemistry (ICC) and immunohistochemistry (IHC) are techniques that use antibodies to check for specific proteins or antigens in a sample. The technique was first published by Albert Coons in 1941 to detect the presence of pneumococcal antigen in tissue sections from mice infected with Pneumococcus. Immunocytochemistry helps localization of proteins or antigens in individual cells like blood cells, stem cells, etc., while immunohistochemistry does the same for tissue samples.
These...
11.9K
Overview Of Cell Separation And Isolation01:20

Overview Of Cell Separation And Isolation

6.2K
Cell separation was first achieved in 1964 by S. H. Seal, who separated large tumor cells from the smaller blood cells using filtration. Two years later, Pohl and Hawk performed experiments on how cells respond differently to a nonuniform electric field based on the cell type. Such observations were the inception of cell separation methods, which allow isolating a single cell type from a heterogeneous sample.
6.2K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

PANA-Surv: A Pathway-Guided Adaptive Neighborhood Augmentation Framework Using KEGG Pathways for Multi-Omics Cancer Prognosis.

Genes·2026
Same author

Large scale plasma proteomics: opening up new frontiers of biomarker and therapeutic target discoveries in COPD.

The European respiratory journal·2026
Same author

Bayesian adaptive design for clinical trials with potential subgroup effects.

Statistical methods in medical research·2026
Same author

A Bayesian Multilevel Joint Modeling of Longitudinal and Survival Outcomes in Cluster Randomized Controlled Trial Studies.

Statistics in medicine·2026
Same author

Evaluating the Effectiveness of a Family-Based Lifestyle Intervention for Managing Childhood Overweight: Protocol for a Randomized Controlled Trial.

JMIR research protocols·2025
Same author

Adjustment for Inconsistency in Adaptive Phase 2/3 Designs With Dose Optimization.

Pharmaceutical statistics·2025

Video Experimental Relacionado

Updated: Sep 10, 2025

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells
11:26

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells

Published on: May 22, 2017

13.9K

HiCat: un enfoque semi-supervisado para la anotación del tipo de celda

Chang Bi1, Kailun Bai1, Xuekui Zhang1

  • 1Department of Mathematics and Statistics, University of Victoria, 3800 Finnerty Road, Victoria, BC V8P 5C2, Canada.

Briefings in bioinformatics
|August 20, 2025
PubMed
Resumen

HiCat, una nueva tubería semi-supervisada, mejora el análisis de secuenciación de ARN de una sola célula (scRNA-seq) mediante la anotación precisa de tipos celulares conocidos y el descubrimiento de nuevos. Este método supera las limitaciones de los enfoques supervisados y no supervisados existentes para mejorar la identificación celular.

Palabras clave:
anotación de la celdaaprendizaje semisupervisadosecuenciación de ARN de una sola célulaEmbebidos transformativos

Más Videos Relacionados

Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
11:38

Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging

Published on: October 4, 2024

686
Automated Quantification of Hematopoietic Cell – Stromal Cell Interactions in Histological Images of Undecalcified Bone
09:31

Automated Quantification of Hematopoietic Cell – Stromal Cell Interactions in Histological Images of Undecalcified Bone

Published on: April 8, 2015

11.7K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells
11:26

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells

Published on: May 22, 2017

13.9K
Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
11:38

Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging

Published on: October 4, 2024

686
Automated Quantification of Hematopoietic Cell – Stromal Cell Interactions in Histological Images of Undecalcified Bone
09:31

Automated Quantification of Hematopoietic Cell – Stromal Cell Interactions in Histological Images of Undecalcified Bone

Published on: April 8, 2015

11.7K

Área de la Ciencia:

  • La genómica
  • La bioinformática
  • Biología computacional

Sus antecedentes:

  • Los métodos de anotación de tipo celular supervisados luchan con nuevos tipos celulares.
  • Los métodos no supervisados se enfrentan a desafíos con la pureza del racimo y la distinción de poblaciones celulares desconocidas.
  • Existe una brecha en la anotación robusta de los tipos celulares conocidos y nuevos simultáneamente.

Objetivo del estudio:

  • Desarrollar HiCat, una tubería semi-supervisada que aborda las limitaciones en las técnicas actuales de anotación de celdas.
  • Mejorar la precisión en la identificación de tipos celulares conocidos y mejorar el descubrimiento de nuevos tipos celulares.
  • Proporcionar una solución robusta, escalable y transferible para el análisis de datos de secuenciación de ARN de una sola célula (scRNA-seq).

Principales métodos:

  • HiCat integra datos genómicos de referencia (etiquetados) y de consulta (no etiquetados).
  • La tubería incluye la eliminación del efecto de lote, la reducción de dimensionalidad, el agrupamiento sin supervisión, la fusión de características, la clasificación supervisada y la resolución de inconsistencias.
  • Un proceso estructurado de seis pasos refina las anotaciones del tipo de célula.

Principales resultados:

  • HiCat demostró un rendimiento superior en la clasificación de tipos celulares conocidos e identificación de nuevos tipos celulares en 10 conjuntos de datos públicos.
  • La tubería se destacó en la distinción de múltiples nuevos tipos de células en las evaluaciones de referencia.
  • Un estudio de caso en el atlas molecular de células pulmonares humanas validó la eficacia de HiCat.

Conclusiones:

  • HiCat ofrece un marco robusto para la anotación de células scRNA-seq, mejorando tanto la precisión de la clasificación como la identificación de nuevos tipos.
  • El método aborda efectivamente los desafíos clave en la anotación automática de celdas.
  • HiCat proporciona una solución escalable y transferible para la investigación biomédica.