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

2.7K
2.7K
Gene Conversion02:08

Gene Conversion

2.4K
2.4K
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
RNA-seq03:21

RNA-seq

10.4K
RNA sequencing, or RNA-Seq, is a high-throughput sequencing technology used to study the transcriptome of a cell. Transcriptomics helps to interpret the functional elements of a genome and identify the molecular constituents of an organism. Additionally, it also helps in understanding the development of an organism and the occurrence of diseases. 
Before the discovery of RNA-seq, microarray-based methods and Sanger sequencing were used for transcriptome analysis. However, while...
10.4K
lncRNA - Long Non-coding RNAs02:39

lncRNA - Long Non-coding RNAs

2.9K
2.9K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Interleukin-18 as a Potential Biomarker for Radiotherapy-Related Pain in Breast Cancer: Implications for Personalized Pain Management.

Cancers·2026
Same author

Wastewater SARS-CoV-2 and COVID-19 Hospital Admission and Mortality - A Controlled Experimental Study.

medRxiv : the preprint server for health sciences·2026
Same author

Whole-Genome DNA Methylation Analysis in Age-Related Hearing Loss.

Genes·2025
Same author

Genome-wide methylome modeling via generative AI incorporating long- and short-range interactions.

Science advances·2025
Same author

Comprehensive Profiling of Computational Techniques for Sequencing-Based HLA Immune Signatures Extraction.

HLA·2025
Same author

RecGOBD: accurate recognition of gene ontology related brain development protein functions through multi-feature fusion and attention mechanisms.

Bioinformatics advances·2024
Same journal

Distinct repeat architecture landscapes in the proteomes of protozoan parasites.

NAR genomics and bioinformatics·2026
Same journal

Long non-coding RNA triplex-dependent regulation of melanoma gene networks.

NAR genomics and bioinformatics·2026
Same journal

Challenges in predicting chromatin accessibility differences between species.

NAR genomics and bioinformatics·2026
Same journal

Power-law penalties correct distance bias in single-cell co-accessibility and deep-learning chromatin interaction predictions.

NAR genomics and bioinformatics·2026
Same journal

LORA: a polymorphic multi-sample long read assembly pipeline.

NAR genomics and bioinformatics·2026
Same journal

Correction to 'Genome sequence assembly and annotation of <i>MATA</i> and <i>MATB</i> strains of <i>Yarrowia lipolytica'</i>.

NAR genomics and bioinformatics·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

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms
10:41

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms

Published on: May 9, 2017

9.3K

ST-deconv: un enfoque de deconvolución preciso para datos de transcriptomas espaciales que utiliza la

Shurui Dai1, Jiawei Li1, Zhiliang Xia1

  • 1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, 518005 Guangdong, China.

NAR genomics and bioinformatics
|September 2, 2025
PubMed
Resumen
Este resumen es generado por máquina.

ST-deconv, un nuevo modelo de aprendizaje profundo, integra información espacial con datos de secuenciación de ARN de una sola célula. Mejora la resolución y la precisión de la transcriptómica espacial para el mapeo del tipo de célula y el análisis de la interacción intercelular.

Más Videos Relacionados

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: Advancing Alzheimer's Research &#8211; 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

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms
10:41

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms

Published on: May 9, 2017

9.3K
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: Advancing Alzheimer's Research &#8211; 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:

  • Biología computacional
  • La genómica
  • La bioinformática

Sus antecedentes:

  • La secuenciación de ARN de una sola célula (scRNA-seq) ofrece información sobre la heterogeneidad celular, pero carece de contexto espacial.
  • Los datos de transcriptómica espacial (ST) existentes a menudo carecen de resolución de una sola célula, lo que limita el mapeo celular preciso.
  • El análisis de la comunicación intercelular se ve obstaculizado por las limitaciones de las técnicas transcriptómicas espaciales y unicelulares actuales.

Objetivo del estudio:

  • Desarrollar un modelo de aprendizaje profundo, ST-deconv, que integre información espacial para un análisis transcriptómico mejorado.
  • Mejorar la resolución y la precisión de la transcriptómica espacial mediante la desconvolución de la composición celular.
  • Permitir la generación de datos transcriptómicos espaciales a gran escala y de alta resolución a partir de la entrada de una sola célula para el aprendizaje de la composición del tipo de célula espacial.

Principales métodos:

  • Desarrolló ST-deconv, un modelo de desconvolución basado en el aprendizaje profundo que incorpora información espacial.
  • Aprendizaje contrastante utilizado para mejorar la representación espacial de puntos adyacentes y mejorar la inferencia de la relación espacial.
  • Redes de dominio-adversario empleadas para una mejor generalización y deconvolución en diversos conjuntos de datos.

Principales resultados:

  • ST-deconv supera significativamente a los métodos tradicionales, reduciendo el error cuadrado de la raíz media (RMSE) del 13% al 60%.
  • Se obtuvieron valores bajos de RMSE (0,03-0,07) en conjuntos de datos con diferentes correlaciones espaciales.
  • Estructura de tejido reconstruida con éxito con alta pureza (0,68 en MOB) y correlación de tipo celular (0,76 en PDAC).

Conclusiones:

  • ST-deconv proporciona una herramienta poderosa para mejorar la transcriptómica espacial y permitir el mapeo celular de alta resolución.
  • El modelo facilita el aprendizaje de la composición espacial del tipo de célula y mejora los análisis posteriores de las interacciones intercelulares.
  • Este avance cierra la brecha entre la resolución de una sola célula y el contexto espacial en los estudios transcriptómicos.