Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Correlation of Experimental Data01:23

Correlation of Experimental Data

470
Dimensional analysis simplifies complex physical problems and guides experimental investigations, but it does not provide complete solutions. It identifies the dimensionless groups that influence a phenomenon, but experimental data is needed to establish the specific relationships and validate theoretical predictions.
For example, a spherical particle moving through a viscous fluid experiences drag. Dimensional analysis shows that the drag force depends on the particle's diameter, velocity,...
470
Comparing the Survival Analysis of Two or More Groups01:20

Comparing the Survival Analysis of Two or More Groups

548
Survival analysis is a cornerstone of medical research, used to evaluate the time until an event of interest occurs, such as death, disease recurrence, or recovery. Unlike standard statistical methods, survival analysis is particularly adept at handling censored data—instances where the event has not occurred for some participants by the end of the study or remains unobserved. To address these unique challenges, specialized techniques like the Kaplan-Meier estimator, log-rank test, and...
548

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Doubly regularized generalized linear models for spatial observations with high-dimensional covariates.

Journal of the Royal Statistical Society. Series C, Applied statistics·2026
Same author

Intraindividual cognitive variability predicts amyloid beta, tau PET, and dementia conversion in Down syndrome: a potential marker of cognitive resilience.

Alzheimer's & dementia : the journal of the Alzheimer's Association·2026
Same author

Building an Interoperable Rare Disease Multi-omic Resource: The GREGoR Data Model and Dataset.

bioRxiv : the preprint server for biology·2026
Same author

Plasma Proteins Associated with Whole Grains and Fiber Intake in the Cardiovascular Health Study (CHS) and the Atherosclerosis Risk in Communities (ARIC) Study.

The Journal of nutrition·2026
Same author

Covariate-Adjusted Inference for Differential Analysis of High-Dimensional Networks.

Sankhya. Series A. (2008)·2026
Same author

Spinal Manipulation and Clinician-Supported Self-Management for Preventing Chronic Low Back Pain Impact: The PACBACK Randomized Clinical Trial.

JAMA internal medicine·2026
Same journal

UK Biobank whole-genome sequencing reveals robust contributions of rare variants to complex-trait heritability.

Genome biology·2026
Same journal

A one-week automated genome-wide optical pooled screen using OttoSeq.

Genome biology·2026
Same journal

Integrated lipidomic and transcriptomic profiling of the host response in human malaria.

Genome biology·2026
Same journal

Centromeric satellite expansion drives genome evolution in the snowy owl.

Genome biology·2026
Same journal

Mapping the landscape of allele-specific expression in porcine genomes.

Genome biology·2026
Same journal

Genomic sequence evolution underlying human neocortical interareal diversification.

Genome biology·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: Jan 13, 2026

Mining Spatial Transcriptomics Datasets using DeepSpaceDB
10:16

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

632

Análisis de expresión diferencial para datos espacialmente correlacionados utilizando smiDE

Ana Gabriela Vasconcelos1, Daniel McGuire2, Noah Simon1

  • 1Department of Biostatistics, University of Washington, Seattle, USA.

Genome biology
|January 10, 2026
PubMed
Resumen
Este resumen es generado por máquina.

El análisis de transcriptómica espacial para la expresión diferencial de genes enfrenta desafíos por errores de segmentación y correlación celular. Ignorar estos problemas conduce a descubrimientos falsos, pero el paquete R smiDE ofrece soluciones.

Palabras clave:
Expresión diferencialMitigación de errores de segmentaciónCorrelación espacialModelo de efectos aleatorios espacialesTranscriptómica espacial

Más Videos Relacionados

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress
05:22

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress

Published on: July 29, 2022

4.0K
High-Throughput Transcriptome Analysis for Investigating Host-Pathogen Interactions
14:58

High-Throughput Transcriptome Analysis for Investigating Host-Pathogen Interactions

Published on: March 5, 2022

4.7K

Videos de Experimentos Relacionados

Last Updated: Jan 13, 2026

Mining Spatial Transcriptomics Datasets using DeepSpaceDB
10:16

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

632
Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress
05:22

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress

Published on: July 29, 2022

4.0K
High-Throughput Transcriptome Analysis for Investigating Host-Pathogen Interactions
14:58

High-Throughput Transcriptome Analysis for Investigating Host-Pathogen Interactions

Published on: March 5, 2022

4.7K

Área de la Ciencia:

  • Genómica
  • Bioinformática
  • Biología Computacional

Sus antecedentes:

  • La transcriptómica espacial de imágenes permite el análisis de las respuestas del estado celular dentro de los microambientes.
  • Los métodos estándar de expresión diferencial enfrentan desafíos con datos espaciales, incluidos errores de segmentación y correlación espacial.
  • Ignorar estos problemas de datos espaciales puede conducir a una alta tasa de hallazgos falsos positivos en el análisis de expresión diferencial.

Objetivo del estudio:

  • Abordar los desafíos fundamentales en el análisis de expresión diferencial de genes para datos de transcriptómica espacial de imágenes.
  • Desarrollar métodos robustos que tengan en cuenta los errores de segmentación y las correlaciones entre células.
  • Proporcionar una implementación accesible en el paquete R para estas soluciones.

Principales métodos:

  • Desarrollo de métodos estadísticos para corregir el sesgo introducido por errores de segmentación en la transcriptómica espacial.
  • Implementación de modelos que tienen en cuenta la correlación espacial entre células vecinas.
  • Integración de estas soluciones en un paquete R fácil de usar llamado smiDE.

Principales resultados:

  • Demostración de que ignorar los errores de segmentación y la correlación espacial infla la significancia estadística y conduce a numerosos descubrimientos falsos.
  • Validación de los métodos propuestos para corregir estos sesgos.
  • Implementación exitosa de los métodos corregidos dentro del paquete R smiDE.

Conclusiones:

  • El análisis preciso de la expresión diferencial de genes en la transcriptómica espacial requiere abordar los errores de segmentación y la correlación espacial.
  • El paquete R smiDE proporciona un marco robusto para un análisis confiable de la expresión diferencial en la transcriptómica espacial de imágenes.
  • Los métodos desarrollados mitigan los descubrimientos falsos, mejorando la precisión de las ideas biológicas de los datos de transcriptómica espacial.