Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

RNA-seq03:21

RNA-seq

12.2K
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...
12.2K
Overview Of Cell Separation And Isolation01:20

Overview Of Cell Separation And Isolation

7.7K
Cell separation was first achieved in 1964 by S. H. Seal, who separated large tumor cells from the smaller blood cells using filtration. Two years later, Pohl and Hawk performed experiments on how cells respond differently to a nonuniform electric field based on the cell type. Such observations were the inception of cell separation methods, which allow isolating a single cell type from a heterogeneous sample.
7.7K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Competing programs shape cortical sensorimotor-association axis development.

Nature·2026
Same author

Bonding character and octahedral geometry as key determinants of solute miscibility in Ir-based oxides.

Nature communications·2026
Same author

Post-Synthetic Modification of the C═C Linkage in a Vinylene-Linked COF for ROS-Mediated Enamine Dimerization.

Small (Weinheim an der Bergstrasse, Germany)·2026
Same author

Polyketide synthase-like functionality acquired by plant fatty acid elongase.

Science advances·2026
Same author

scDecorr: feature decorrelation based representation learning enables self-supervised alignment of multiple single-cell experiments.

Scientific reports·2026
Same author

Impact of Transfusion Dependence on Clinical and Economic Burden in Patients with Lower-Risk Myelodysplastic Syndromes: A 28-Year Retrospective Study.

Journal of blood medicine·2026
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: Feb 20, 2026

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells
11:26

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells

Published on: May 22, 2017

14.4K

SwarmMAP: aprendizaje automático en enjambre para la anotación descentralizada de tipos celulares en datos de

Oliver Lester Saldanha1,2, Vivien Goepp3, Kevin Pfeiffer1

  • 1Else Kroener Fresenius Center for Digital Health, Technical University Dresden, Dresden, Saxony, Germany.

NPJ systems biology and applications
|February 18, 2026
PubMed
Resumen

SwarmMAP utiliza el aprendizaje en enjambre para la anotación automatizada y que preserva la privacidad de tipos celulares a partir de datos transcriptómicos de células únicas. Este enfoque descentralizado logra una alta precisión en diversos conjuntos de datos, mejorando la reproducibilidad y la escalabilidad en la investigación de biología celular.

Palabras clave:
aprendizaje automático en enjambreanotación de tipos celularestranscriptómica de células únicasaprendizaje descentralizadoprivacidad de datosbiología computacionalgenómicabioinformática

Más Videos Relacionados

Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues
10:12

Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues

Published on: January 10, 2019

19.1K
Author Spotlight: Isolating and Analyzing Intestinal Cells of Zebrafish Larvae for Investigating Transcriptomic Aspects of Gastrointestinal Development
06:36

Author Spotlight: Isolating and Analyzing Intestinal Cells of Zebrafish Larvae for Investigating Transcriptomic Aspects of Gastrointestinal Development

Published on: November 10, 2023

2.8K

Videos de Experimentos Relacionados

Last Updated: Feb 20, 2026

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells
11:26

Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells

Published on: May 22, 2017

14.4K
Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues
10:12

Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues

Published on: January 10, 2019

19.1K
Author Spotlight: Isolating and Analyzing Intestinal Cells of Zebrafish Larvae for Investigating Transcriptomic Aspects of Gastrointestinal Development
06:36

Author Spotlight: Isolating and Analyzing Intestinal Cells of Zebrafish Larvae for Investigating Transcriptomic Aspects of Gastrointestinal Development

Published on: November 10, 2023

2.8K

Área de la Ciencia:

  • Biología Computacional; Genómica; Bioinformática

Sus antecedentes:

  • El perfilado transcriptómico de células únicas genera grandes conjuntos de datos, cruciales para comprender la heterogeneidad de los tejidos.
  • La anotación manual de tipos celulares es un cuello de botella, que sufre de una pobre reproducibilidad y escalabilidad.
  • Las preocupaciones sobre la privacidad de los datos dificultan el análisis colaborativo de conjuntos de datos de células únicas humanas.

Objetivo del estudio:

  • Desarrollar un método estandarizado, automatizado y que preserve la privacidad para la anotación de tipos celulares.
  • Aprovechar el aprendizaje en enjambre para el entrenamiento descentralizado de modelos de clasificación de tipos celulares.
  • Evaluar el rendimiento y la escalabilidad de SwarmMAP en múltiples tipos de tejido.

Principales métodos:

  • Se desarrolló SwarmMAP, un marco que aplica el aprendizaje en enjambre para el aprendizaje automático descentralizado.
  • Se entrenaron modelos de clasificación de tipos celulares sin intercambio de datos brutos entre los centros participantes.
  • Se validó SwarmMAP en conjuntos de datos de secuenciación de ARN de células únicas de corazón, pulmón y mama.

Principales resultados:

  • SwarmMAP logró altas puntuaciones F1: 0,93 (corazón), 0,98 (pulmón) y 0,88 (mama).
  • Los modelos de aprendizaje en enjambre demostraron un rendimiento promedio de 0,907, comparable al entrenamiento centralizado.
  • El aumento del número de conjuntos de datos mejoró la precisión de la predicción y amplió las capacidades de clasificación de tipos celulares.

Conclusiones:

  • El aprendizaje en enjambre ofrece una solución eficaz y automatizada para la anotación de tipos celulares en genómica de células únicas.
  • SwarmMAP aborda los desafíos de escalabilidad y privacidad, facilitando una mayor integración de datos.
  • El marco SwarmMAP promueve la clasificación de tipos celulares reproducible y escalable en instituciones de investigación.