Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Deconvolution01:20

Deconvolution

247
Deconvolution, also known as inverse filtering, is the process of extracting the impulse response from known input and output signals. This technique is vital in scenarios where the system's characteristics are unknown, and they must be inferred from the observable signals.
Deconvolution involves several mathematical techniques to derive the impulse response. One common approach is polynomial division. In this method, the input and output sequences are treated as coefficients of...
247
Improving Translational Accuracy02:07

Improving Translational Accuracy

11.8K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
11.8K
Extraction: Advanced Methods00:56

Extraction: Advanced Methods

526
Metal ions can be separated from one another by complexation with organic ligands–the chelating agent– to form uncharged chelates. Here, the chelating agent must contain hydrophobic groups and behave as a weak acid, losing a proton to bind with the metal. Since most organic ligands used in this process are insoluble or undergo oxidation in the aqueous phase, the chelating agent is initially added to the organic phase and extracted into the aqueous phase. The metal-ligand complex is...
526

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

A Post-Pandemic Surge: Sustained High Prevalence and Epidemiological Shift in Pediatric Epstein-Barr Virus Infection.

Pathogens (Basel, Switzerland)·2026
Same author

MT2A buffering exhaustion marks cuproptosis in severe COVID-19: Multi-omics integration, computational modeling, and experimental validation.

Free radical biology & medicine·2026
Same author

CellMap: precision mapping of cellular landscape in spatial transcriptomics.

Nucleic acids research·2026
Same author

Comparison of the triglyceride-glucose index and its modified indices for predicting mortality in advanced CLKM syndrome.

Journal of health, population, and nutrition·2025
Same author

Cell2Spatial is a computational framework that maps single cells to spatial transcriptomic spots to reconstruct tissue architecture.

PLoS biology·2025
Same author

Machine learning enables early risk stratification of hymenopteran stings: evidence from a tropical multicenter cohort.

Frontiers in public health·2025
Same journal

Chromosomal scale genome assembly of medicinal plant Sophora tonkinensis.

BMC genomics·2026
Same journal

Variant-specific RNA testing resolves variants of uncertain significance in exome testing.

BMC genomics·2026
Same journal

Kaiso overexpression promotes an interferon immune response in murine intestines.

BMC genomics·2026
Same journal

Genomic evidence of ecological flexibility and cross-niche CRISPR spacerome targeting phage-plasmid hybrids in Latilactobacillus curvatus.

BMC genomics·2026
Same journal

Fgf evolution in vertebrates: insights from cyclostomes.

BMC genomics·2026
Same journal

Metabolic reprogramming, oxidative stress, and mitophagy in JSRV Env-transformed BEAS-2B cells: insights from integrated transcriptomics and metabolomics.

BMC genomics·2026
Ver todos los artículos relacionados
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

Video Experimental Relacionado

Updated: Sep 9, 2025

Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection
09:19

Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection

Published on: July 6, 2022

5.0K

Spatialsmooth: un marco de autoencoder convolucional consciente del espacio para mejorar la desconvolución de datos

Xiao Yang1, Jinjin Xiang2, Yanbin Feng1

  • 1School of Mathematics and Computer Science, Yunnan Minzu University, Kunming, Yunnan Province, 650500, China.

BMC genomics
|September 1, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Spatialsmooth mejora la desconvolución espacial mediante la integración de múltiples herramientas y el uso de un autoencoder convolucional para un mapeo de tipo celular más suave y preciso en los tejidos. Este método mejora la consistencia espacial y la plausibilidad biológica en el análisis de datos de transcriptómica espacial.

Palabras clave:
Codificador automático convolucionalDesconvoluciónCodificación posicionalTranscriptomía espacial

Más Videos Relacionados

Author Spotlight: Exploring Advanced Therapeutic Targets in Osteosarcoma Through Spatial Transcriptomics
07:43

Author Spotlight: Exploring Advanced Therapeutic Targets in Osteosarcoma Through Spatial Transcriptomics

Published on: May 3, 2024

3.2K
Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.2K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection
09:19

Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection

Published on: July 6, 2022

5.0K
Author Spotlight: Exploring Advanced Therapeutic Targets in Osteosarcoma Through Spatial Transcriptomics
07:43

Author Spotlight: Exploring Advanced Therapeutic Targets in Osteosarcoma Through Spatial Transcriptomics

Published on: May 3, 2024

3.2K
Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.2K

Área de la Ciencia:

  • Transcriptomía espacial
  • Biología computacional
  • La bioinformática

Sus antecedentes:

  • La transcriptómica espacial proporciona expresión génica con contexto espacial, pero a menudo captura múltiples tipos de células por ubicación debido a la resolución limitada.
  • Los métodos de desconvolución espacial existentes pueden producir resultados ruidosos e inconsistentes desde el punto de vista espacial.

Objetivo del estudio:

  • Introducir Spatialsmooth, un nuevo método de alisado espacial para mejorar la inferencia de la composición del tipo de célula en la transcriptómica espacial.
  • Mejorar la precisión y la coherencia espacial de los resultados de la desconvolución integrando múltiples herramientas de desconvolución y aprovechando la información espacial.

Principales métodos:

  • Desarrolló Spatialsmooth, un método basado en autoencoder convolucional que integra múltiples herramientas de desconvolución espacial.
  • Utilizó la codificación posicional para incorporar completamente la información de ubicación espacial.
  • Se aplicó un autoencoder convolucional para suavizar las composiciones de tipo celular inferidas para una distribución espacial optimizada.

Principales resultados:

  • Spatialsmooth demostró mejoras significativas en las métricas espaciales (I de Moran, C de Geary, Variación Total) en los adenocarcinomas ductales pancreáticos (PDAC) y los conjuntos de datos de referencia.
  • Logró un 92% más de puntuación de Moran I y una reducción del 45% en Geary C en comparación con los métodos existentes.
  • Identificó múltiples tipos de células y marcadores moleculares con localizaciones espaciales precisas, superando a otras herramientas de desconvolución.

Conclusiones:

  • Spatialsmooth integra efectivamente múltiples algoritmos de desconvolución e información espacial para producir distribuciones de tipo celular suaves y biológicamente plausibles.
  • El método ofrece un avance significativo en el análisis de datos de transcriptómica espacial, lo que lleva a ideas más confiables sobre la heterogeneidad de los tejidos.