Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

RNA-seq

RNA-seq

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...

DNA Microarrays

DNA Microarrays

Microarrays are high-throughput and relatively inexpensive assays that can be automated to analyze large quantities of data at a time. They are used in genome-wide studies to compare gene or protein expression under two varied conditions, such as healthy and diseased states. Microarrays consist of glass or silica slides on which probe molecules are covalently attached through surface functionalization. Most commonly, the slides are prepared through the chemisorption of silanes to silica...

Cluster Sampling Method

Cluster Sampling Method

Appropriate sampling methods ensure that samples are drawn without bias and accurately represent the population. Because measuring the entire population in a study is not practical, researchers use samples to represent the population of interest.
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...

También podría leer

Artículos Relacionados

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

Ordenar por

Same author

CMA-Nano: A DNA Methylation Detection Method for Nanopore Sequencing Data Based on a Cross-Modal Attention Mechanism.

ACS omega·2026

Same author

Size-dependent reliability of empirical potentials for global optimization of Pt-Cu bimetallic clusters.

Nanoscale·2026

Same author

Nuclear basket localized proteasomes maintain circadian period through nuclear TOC1 proteolysis.

bioRxiv : the preprint server for biology·2026

Same author

The gut-bone axis: impact of diet on gut microbiome and osteoporosis.

Bone research·2026

Same author

CataCon: a contrastive graph representation learning framework for catalyst prediction.

Journal of cheminformatics·2026

Same author

Downregulation of SELENOS Suppresses the Progression of Renal Cell Carcinoma by Activating Ferroptosis.

Biological trace element research·2026

Search research articles

Video Experimental Relacionado

Updated: Jan 8, 2026

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

TOGAR: Refinamiento generativo basado en tokens para transcriptómica espacial de alta fidelidad y agrupamiento

Dachen Liu¹, Hua Shi¹, Yihang Lin¹

¹School of Optoelectronic and Communication Engineering, Xiamen University of Technology, Xiamen, 361024, Fujian, China.

|December 21, 2025

Resumen

TOGAR, un novedoso modelo generativo, mejora la transcriptómica espacial unificando la eliminación de ruido, el refinamiento espacial y el agrupamiento. Delimita con precisión los dominios espaciales, incluso las estructuras pequeñas, mejorando los conocimientos biológicos a partir de datos de expresión génica.

Palabras clave:

Análisis posteriores Mejora espacial Transcriptómica espacial TOGAR

Más Videos Relacionados

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

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

Published on: July 6, 2022

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

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

Published on: May 3, 2024

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

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

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

Published on: July 6, 2022

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

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

Published on: May 3, 2024

Área de la Ciencia:

Biología Computacional
Genómica
Bioinformática

Sus antecedentes:

La transcriptómica espacial permite el mapeo de la expresión génica en tejidos.
La escasez y el ruido de los datos dificultan la delimitación precisa de los dominios espaciales.
Los métodos existentes tienen dificultades para modelar las dependencias a largo plazo.

Objetivo del estudio:

Presentar TOGAR, un modelo de refinamiento generativo basado en tokens para transcriptómica espacial.
Unificar la eliminación de ruido, la mejora espacial y el agrupamiento.
Mejorar la delimitación de dominios espaciales y la interpretabilidad biológica.

Principales métodos:

Combina la pérdida de la red convolucional gráfica y la pérdida de binomial negativa con inflación cero para la eliminación de ruido de datos de recuento dispersos.
Emplea una arquitectura de difusión basada en UGate con token gating, atención lineal con compuerta y embedding posicional rotatorio para el refinamiento espacial generativo.
Utiliza promediado guiado por similitud y agrupamiento para obtener estimaciones estables a nivel de punto y límites de dominio nítidos.

Principales resultados:

TOGAR logra o supera la precisión del agrupamiento y demuestra una estabilidad superior en tres plataformas de transcriptómica espacial y doce cortes.
Recupera eficazmente la organización de las capas corticales y delimita subdominios tumorales de grano fino.
Sobresale en la detección de estructuras espaciales pequeñas y raras que otros métodos pasan por alto, manteniendo la integridad de los límites.

Conclusiones:

TOGAR ofrece una solución robusta para el análisis de datos de transcriptómica espacial, mejorando la delimitación de dominios espaciales.
El modelo mejora la interpretabilidad biológica al generar límites de dominio más claros y biológicamente relevantes.
La capacidad de TOGAR para detectar estructuras raras avanza en el descubrimiento de regiones biológicas críticas.