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 microarray-based...

Extraction: Advanced Methods

Extraction: Advanced Methods

Metal ions can be separated from one another by complexation with organic ligands–the chelating agent– to form uncharged chelates. Here, the chelating agent must contain hydrophobic groups and behave as a weak acid, losing a proton to bind with the metal. Since most organic ligands used in this process are insoluble or undergo oxidation in the aqueous phase, the chelating agent is initially added to the organic phase and extracted into the aqueous phase. The metal-ligand complex is formed in...

También podría leer

Artículos Relacionados

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

Ordenar por

Same author

CrossSG-DTA: Synergizing Sequence Semantics and Graph Structures via Cross-Attention for Drug-Target Affinity Prediction.

IEEE journal of biomedical and health informatics·2026

Same author

A Novel Framework for Gene Regulatory Network Inference Integrating Bidirectional Mamba and Dual Contrastive Learning.

ACS synthetic biology·2026

Same author

LKB1 inactivation elicits an NNMT-mediated methyl sink and confers dependence on PRMT5 in lung cancer.

Cell reports·2026

Same author

Prediction of gene expression levels in Saccharomyces cerevisiae based on chromatin accessibility using multiple machine learning models.

Computational biology and chemistry·2026

Same author

SLC6A6 imports taurine into mitochondria to sustain mitochondrial translation and tumour growth.

Nature metabolism·2026

Same author

Dopant-free stabilization of ruthenium oxide <i>via</i> metallic Ru-induced d-orbital modulation for acidic water electrolysis.

Chemical science·2026

Same journal

K-attention: a biologically informed attention operator for data-efficient sequence-based omics modeling.

Briefings in bioinformatics·2026

Same journal

Accurate prediction of asparagine deamidation in biologics using advanced machine learning models.

Briefings in bioinformatics·2026

Same journal

scImmuneCo: a compendium of cell-type-specific functional modules for decoding immune responses from single-cell RNA-seq data.

Briefings in bioinformatics·2026

Same journal

scGenoByte: a GenoByte embedding transformer with biological priors for cell type annotation.

Briefings in bioinformatics·2026

Same journal

FerroScore: a statistical approach for quantifying tumor-related ferroptosis based on omics data.

Briefings in bioinformatics·2026

Same journal

METEOR: a data-adaptive Mendelian randomization method for powerful detection of shared and specific exposures underlying multiple outcomes.

Briefings in bioinformatics·2026

Ver todos los artículos relacionados

Search research articles

Video Experimental Relacionado

Updated: Jun 29, 2026

DeepOmicsAE: Representing Signaling Modules in Alzheimer's Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data

DeepOmicsAE: Representing Signaling Modules in Alzheimer's Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data

Published on: December 15, 2023

Un método no supervisado para el análisis de transcriptómica espacial basado en autoencoder adversarial

Wei Lan¹, Guohang He¹, Lingzhi Zhu²

¹Guangxi Key Laboratory of Multimedia Communications and Networks Technology, School of Computer, Electronic and Information, Guangxi University, No. 100 Daxue Road, Nanning, Guangxi 530004, China.

Briefings in bioinformatics

|February 19, 2026

Resumen

Este resumen es generado por máquina.

DACN es un marco novedoso que analiza con precisión los datos de transcriptómica espacial ruidosos. Integra un autoencoder adversarial con una red convolucional de grafos para un análisis robusto de la expresión génica.

Palabras clave:

autoencoder adversarial aprendizaje profundo dominio espacial transcriptómica espacial

Más Videos Relacionados

Comprehensive Spatial Profiling of Species-agnostic Transcriptomes via Stereo-seq

Comprehensive Spatial Profiling of Species-agnostic Transcriptomes via Stereo-seq

Published on: October 31, 2025

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

Videos de Experimentos Relacionados

Last Updated: Jun 29, 2026

DeepOmicsAE: Representing Signaling Modules in Alzheimer's Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data

DeepOmicsAE: Representing Signaling Modules in Alzheimer's Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data

Published on: December 15, 2023

Comprehensive Spatial Profiling of Species-agnostic Transcriptomes via Stereo-seq

Comprehensive Spatial Profiling of Species-agnostic Transcriptomes via Stereo-seq

Published on: October 31, 2025

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

Published on: September 5, 2025

Área de la Ciencia:

Genómica; Bioinformática; Biología Computacional

Sus antecedentes:

La transcriptómica espacial (ST) permite el mapeo de la expresión génica dentro de los tejidos.
Los datos de ST presentan desafíos debido al ruido y la complejidad.
El análisis preciso es crucial para comprender la organización espacial biológica.

Objetivo del estudio:

Desarrollar un marco robusto para el análisis de datos de transcriptómica espacial.
Abordar los desafíos del ruido y las resoluciones de datos variables en el análisis de ST.
Mejorar la precisión y la robustez del análisis de la expresión génica en contextos espaciales.

Principales métodos:

Se desarrolló DACN, un marco unificado que integra un autoencoder adversarial (AAE) y una red convolucional de grafos (GCN).
Se empleó un codificador híbrido con atención de múltiples cabezales y conexiones residuales para capturar patrones de expresión locales y globales.
Se utilizó AAE para la eliminación de ruido y el aprendizaje de representaciones latentes, refinado por GCN utilizando información del vecindario espacial.

Principales resultados:

DACN demostró una precisión y robustez superiores en múltiples conjuntos de datos de ST.
El marco elimina eficazmente el ruido de los perfiles de expresión y aprende representaciones latentes estables.
DACN supera a los métodos existentes en el análisis de datos de ST con diferentes resoluciones y rendimientos.

Conclusiones:

DACN proporciona una solución potente y robusta para el análisis de datos de transcriptómica espacial.
El marco mejora la comprensión de la organización espacial de la expresión génica.
DACN está disponible públicamente, lo que facilita la investigación futura en el campo.