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

Selected Data About Geographic Locations01:25

Selected Data About Geographic Locations

270
Geographic Information Systems (GIS) rely on two core types of data: spatial data and attribute data.Spatial DataSpatial data defines the physical location of features within a coordinate system, typically expressed in terms of latitude and longitude. It provides precise positioning for elements like roads, rivers, or buildings.Attribute DataAttribute data complements spatial data by adding descriptive information about these features. For example, a road's spatial data includes its start and...
270
Frequency-dependent Selection01:21

Frequency-dependent Selection

23.6K
When the fitness of a trait is influenced by how common it is (i.e., its frequency) relative to different traits within a population, this is referred to as frequency-dependent selection. Frequency-dependent selection may occur between species or within a single species. This type of selection can either be positive—with more common phenotypes having higher fitness—or negative, with rarer phenotypes conferring increased fitness.
23.6K
Antibiotic Selection00:57

Antibiotic Selection

59.9K
Overview
59.9K
Fixed Action Patterns01:06

Fixed Action Patterns

17.6K
A fixed action pattern (FAP) is a specific, hard-wired sequence of behaviors that occurs in response to an external stimulus, called a sign stimulus. The behavior is “fixed” because it is essentially unchangeable—proceeding similarly across individuals of a species every time it occurs.
17.6K
Machines01:19

Machines

573
Machines are complex structures consisting of movable, pin-connected multi-force members that work together to transmit forces. One example of a machine is the cutting plier, which is used to cut wires by applying forces to its handles. When equal and opposite forces are exerted on the handles of the cutting plier, they cause the cutting edges to come together and apply equal and opposite reaction forces on the wire, which are greater than the applied forces.
A free-body diagram of the...
573
Machines: Problem Solving II01:30

Machines: Problem Solving II

661
Machines are complex structures consisting of movable, pin-connected multi-force members that work together to transmit forces. Consider a lifting tong carrying a 100 kg load. It comprises movable sections DAF and CBG linked together with member AB.
661

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

iCARDIO Alliance global implementation guidelines for the management of obesity 2025 focus on prevention and treatment of cardiometabolic disease.

American journal of preventive cardiology·2026
Same author

A gene signature derived from leukemia associated macrophages provides a compelling risk stratification for human AML patients.

Biomarker research·2026
Same author

The Enigma Called Health for All.

The Journal of the Association of Physicians of India·2026
Same author

Chemotherapy-induced reactive myelopoiesis promotes expansion of immunosuppressive neutrophil-like monocytes in mice and humans.

JCI insight·2026
Same author

Munc13-4-STX7 inhibitors impair endosomal TLR activation and systemic inflammation.

Nature chemical biology·2026
Same author

Editor-in-Chief's Message.

The Journal of the Association of Physicians of India·2026

Video Experimental Relacionado

Updated: Jan 28, 2026

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
09:34

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

Published on: September 25, 2021

4.5K

Desvelando patrones: una exploración de técnicas de aprendizaje automático para la selección de características no

Nandini Chatterjee1, Aleksandr Taraskin2, Hridya Divakaran2

  • 1La Jolla Institute for Immunology, 9420 Athena Cir, La Jolla, CA 92037, United States.

Briefings in bioinformatics
|January 26, 2026
PubMed
Resumen

Los métodos de aprendizaje automático (AM) no supervisados ofrecen un enfoque potente y sin sesgos para analizar datos complejos de células únicas. Estas técnicas identifican características clave, mejorando el descubrimiento biológico y superando las limitaciones de los métodos tradicionales.

Palabras clave:
inteligencia artificialbioinformáticaaprendizaje automáticoreconocimiento de patronesdatos de una sola célulaselección de características no supervisada

Más Videos Relacionados

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

7.9K
Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

447

Videos de Experimentos Relacionados

Last Updated: Jan 28, 2026

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
09:34

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

Published on: September 25, 2021

4.5K
A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

7.9K
Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

447

Área de la Ciencia:

  • Biología de células únicas; Biología computacional; Bioinformática

Sus antecedentes:

  • Las tecnologías de células únicas generan enormes conjuntos de datos multimodales (genómicos, transcriptómicos, proteómicos, espaciales).
  • La alta dimensionalidad, el ruido y los costos computacionales desafían el análisis de datos.
  • Los métodos tradicionales de selección de características (por ejemplo, la selección de genes altamente variables) pueden introducir sesgos.

Objetivo del estudio:

  • Revisar las técnicas de aprendizaje automático (AM) no supervisadas para el análisis de datos de células únicas.
  • Destacar cómo el AM no supervisado minimiza el sesgo y captura patrones biológicos complejos.
  • Discutir el potencial de estos métodos para mejorar los análisis posteriores y el descubrimiento biológico.

Principales métodos:

  • Revisión de algoritmos de AM no supervisados aplicables a datos de células únicas.
  • Discusión de estrategias de selección de características dentro de los marcos de AM no supervisados.
  • Exploración de aplicaciones en agrupamiento, reducción de dimensionalidad, visualización y eliminación de ruido.

Principales resultados:

  • El AM no supervisado identifica características informativas sin etiquetas predefinidas, lo que reduce el sesgo.
  • Estos métodos pueden revelar módulos genéticos biológicamente relevantes.
  • La aplicación exitosa mejora diversos análisis posteriores de células únicas.

Conclusiones:

  • El AM no supervisado es crucial para el análisis imparcial de datos complejos de células únicas.
  • Los desafíos incluyen la escasez de datos, la optimización de parámetros y la escalabilidad.
  • El trabajo futuro debe centrarse en la integración multiómica, el conocimiento del dominio y los algoritmos escalables.