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

Mining Spatial Transcriptomics Datasets using DeepSpaceDB10:16

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

665
This article introduces a protocol for using DeepSpaceDB, a dynamic, interactive database for spatial transcriptomics, offering analysis workflows and examples to explore tissue organization and disease-related gene...
665
Using R, Seurat, and CellChat to Analyze a Single-Cell Transcriptomics Dataset of Mouse Skin Wound Healing08:58

Using R, Seurat, and CellChat to Analyze a Single-Cell Transcriptomics Dataset of Mouse Skin Wound Healing

2.9K
Here, we present a step-by-step, visual workflow for analyzing a single-cell time-course transcriptomics dataset of mouse skin wound healing using R. The protocol includes a standard pipeline for dataset download, quality control, visualizations, and cell type annotations using Seurat, and cell-cell interaction analysis using...
2.9K
Spatially Compact Arrangement of Larval Zebrafish Sections for Spatial Transcriptomic Analysis07:40

Spatially Compact Arrangement of Larval Zebrafish Sections for Spatial Transcriptomic Analysis

911
Here, we present a method for aligning and cryosectioning multiple Zebrafish (Danio rerio) larvae samples and collecting them on a single slide for spatial transcriptomic analysis.
911
Methods to Enable Spatial Transcriptomics of Bone Tissues07:43

Methods to Enable Spatial Transcriptomics of Bone Tissues

4.3K
Here, we describe a method that allows for the decalcification of freshly obtained bone tissues and the preservation of high-quality RNA. A method is also illustrated for sectioning Formalin Fixed Paraffin Embedded (FFPE) samples of non-demineralized bones to obtain good quality results if fresh tissues are not available or cannot be collected.
4.3K
Analyzing Gene Expression from Marine Microbial Communities using Environmental Transcriptomics13:51

Analyzing Gene Expression from Marine Microbial Communities using Environmental Transcriptomics

12.9K
We present a method for generating cDNA from environmental mRNA. In general, total RNA is first collected from the environment, rRNA is selectively removed, mRNA is selectively amplified, and cDNA synthesized from the enriched mRNA pool is sequenced. Recovered sequences can be annotated using standard bioinformatics techniques to identify the expressed...
12.9K
Using an Automated Cell Counter to Simplify Gene Expression Studies: siRNA Knockdown of IL-4 Dependent Gene Expression in Namalwa Cells10:34

Using an Automated Cell Counter to Simplify Gene Expression Studies: siRNA Knockdown of IL-4 Dependent Gene Expression in Namalwa Cells

16.0K
This procedure describes a quick and easy workflow to introduce siRNA into difficult to transfect cell lines and follow gene expression by real-time PCR. Use of an automated cell counter, multi-well electroporation plate, and automated electrophoresis station provide quick and reliable results without the need for expensive robotic...
16.0K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Visualizing and Braking Protein Ring Flips with Difluorotyrosines.

Analytical chemistry·2026
Same author

GliomaDeconv Maps Glioma-Specific Cellular Programs from Bulk Transcriptomic Profiles and Reveals Spatiotemporal Associations with Progression and Treatment Response.

Cancer letters·2026
Same author

Targeting CCR7-KMT2D enhances CAR-T cell efficacy by suppressing therapy-induced senescence in B-cell non-Hodgkin lymphoma.

BMC medicine·2026
Same author

Biomimetic Macrophage Cell Membrane-Based Nanoparticles for Effective Treatment of Glioblastoma Through Boron Neutron Capture Therapy Combined With Immunotherapy.

Advanced science (Weinheim, Baden-Wurttemberg, Germany)·2026
Same author

Neuron-Derived MIF Engages VCAM1 to Fuel a Self-Amplifying CXCL8 Loop That Drives Perineural Invasion and Metastasis in Gastric Cancer.

Advanced science (Weinheim, Baden-Wurttemberg, Germany)·2026
Same author

Temperature- and Light-Regulated Liquid Crystal Smart Window for Dynamic Control of Daylight and Solar Heat in All-Weather Conditions.

Angewandte Chemie (International ed. in English)·2026

Video Experimental Relacionado

Updated: Jan 20, 2026

Mining Spatial Transcriptomics Datasets using DeepSpaceDB
10:16

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

665

STimage-1K4M: Un conjunto de datos de imágenes de histopatología y expresión génica para transcriptómica espacial

Jiawen Chen1, Muqing Zhou1, Wenrong Wu1

  • 1University of North Carolina at Chapel Hill.

Advances in neural information processing systems
|January 19, 2026
PubMed
Resumen

Un nuevo conjunto de datos, STimage-1K4M, proporciona datos detallados de expresión génica para subregiones de imágenes de patología. Esto permite un análisis multimodal más profundo en la investigación de patología computacional.

Palabras clave:
Patología ComputacionalBioinformáticaAnálisis de Datos MultimodalesTranscriptómica EspacialDatos GenómicosImágenes de Histopatología

Más Videos Relacionados

Using R, Seurat, and CellChat to Analyze a Single-Cell Transcriptomics Dataset of Mouse Skin Wound Healing
08:58

Using R, Seurat, and CellChat to Analyze a Single-Cell Transcriptomics Dataset of Mouse Skin Wound Healing

Published on: August 1, 2025

2.9K
Spatially Compact Arrangement of Larval Zebrafish Sections for Spatial Transcriptomic Analysis
07:40

Spatially Compact Arrangement of Larval Zebrafish Sections for Spatial Transcriptomic Analysis

Published on: May 16, 2025

911

Videos de Experimentos Relacionados

Last Updated: Jan 20, 2026

Mining Spatial Transcriptomics Datasets using DeepSpaceDB
10:16

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

665
Using R, Seurat, and CellChat to Analyze a Single-Cell Transcriptomics Dataset of Mouse Skin Wound Healing
08:58

Using R, Seurat, and CellChat to Analyze a Single-Cell Transcriptomics Dataset of Mouse Skin Wound Healing

Published on: August 1, 2025

2.9K
Spatially Compact Arrangement of Larval Zebrafish Sections for Spatial Transcriptomic Analysis
07:40

Spatially Compact Arrangement of Larval Zebrafish Sections for Spatial Transcriptomic Analysis

Published on: May 16, 2025

911

Área de la Ciencia:

  • Patología Computacional
  • Bioinformática
  • Análisis de Datos Multimodales

Sus antecedentes:

  • Los conjuntos de datos existentes de imágenes médicas y texto carecen de detalles granulares para las regiones de sub-teselas.
  • Los resúmenes de texto de alto nivel en los conjuntos de datos actuales limitan el análisis en profundidad de las imágenes de patología.
  • Existe la necesidad de conjuntos de datos que vinculen características detalladas de la imagen con información genómica.

Objetivo del estudio:

  • Presentar STimage-1K4M, un novedoso conjunto de datos diseñado para proporcionar características genómicas para imágenes de patología de sub-teselas.
  • Cerrar la brecha en los conjuntos de datos actuales ofreciendo datos de transcriptómica espacial de alta resolución.
  • Facilitar la investigación avanzada multimodal en patología computacional.

Principales métodos:

  • Se utilizó la transcriptómica espacial para capturar la expresión génica a nivel de puntos espaciales individuales.
  • Se desarrolló STimage-1K4M que comprende 1149 imágenes de datos de transcriptómica espacial.
  • Se emparejó cada tesela de sub-imagen con datos de expresión génica de 15.000 a 30.000 dimensiones, creando 4.293.195 pares.

Principales resultados:

  • STimage-1K4M contiene un gran número de pares de imágenes de sub-teselas y expresión génica.
  • El conjunto de datos ofrece una granularidad sin precedentes para analizar imágenes de patología.
  • Vinculó con éxito información espacial detallada con perfiles completos de expresión génica.

Conclusiones:

  • STimage-1K4M mejora significativamente el potencial para el análisis de datos multimodales en patología computacional.
  • El conjunto de datos allana el camino para aplicaciones innovadoras que requieren correlaciones detalladas a nivel de sub-tesela entre imagen y genoma.
  • Este recurso acelerará la investigación en áreas que exigen información detallada a nivel de sub-tesela.