Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Overview Of Cell Separation And Isolation01:20

Overview Of Cell Separation And Isolation

5.9K
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.
5.9K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

MARVELD1 regulates hepatocyte transformation via maintaining NF-κB signaling homeostasis mediated by the CCL5/CCR5 axis between hepatic stellate cells and hepatocytes.

Cell communication and signaling : CCS·2026
Same author

Multi-layer molecular profiling defines an immune-active colorectal cancer subtype with therapeutic relevance.

Molecular therapy. Nucleic acids·2026
Same author

AI-driven computational methods and benchmarking for T-cell antigen identification.

Briefings in bioinformatics·2026
Same author

Pan-cancer neural regulation pattern with implications for patient stratification and immunotherapy.

Molecular therapy. Nucleic acids·2025
Same author

Charting the spatial transcriptome of the human cerebral cortex at single-cell resolution.

Nature communications·2025
Same author

TriCLFF: a multi-modal feature fusion framework using contrastive learning for spatial domain identification.

Briefings in bioinformatics·2025
Same journal

STED: flexible cross-modal topic modeling infers cell-type-specific regulatory landscapes from bulk epigenomics.

Briefings in bioinformatics·2026
Same journal

A knowledge-guided deep learning framework for quantitative nucleic acid testing.

Briefings in bioinformatics·2026
Same journal

Optimal transport for label transfer in single-cell multi-omics integration.

Briefings in bioinformatics·2026
Same journal

Continuous multi-omics pathway enrichment analysis resolves hidden functional heterogeneity.

Briefings in bioinformatics·2026
Same journal

Evaluating completeness, coherence, and consistency of genome-scale function annotations.

Briefings in bioinformatics·2026
Same journal

Transformers for single-cell RNA sequencing: a survey.

Briefings in bioinformatics·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: May 4, 2026

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
12:08

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Published on: August 13, 2014

25.1K

Evaluación sistemática de métodos computacionales para la segmentación celular

Rongrong Yang1, Guangfu Xue1, Zuxiang Wang2

  • 1Center for Bioinformatics, School of Life Science and Technology, Harbin Institute of Technology, 92 Xidazhi Street, Nangang District, Harbin 150001, Heilongjiang Province, China.

Briefings in bioinformatics
|February 24, 2026
PubMed
Resumen
Este resumen es generado por máquina.

El aprendizaje profundo mejora significativamente la segmentación celular, especialmente al combinar datos de imágenes y secuenciación. Nuestro marco clasifica los métodos por tarea y tipo de datos, ofreciendo una evaluación integral del rendimiento.

Palabras clave:
segmentación celularaprendizaje profundoprocesamiento de imágenessegmentación nucleartranscriptoma espacial

Más Videos Relacionados

Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures
07:05

Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures

Published on: February 15, 2022

3.0K
Analysis of Multidimensional Microscopy Data Using Cell-ACDC
06:17

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Published on: November 7, 2025

610

Videos de Experimentos Relacionados

Last Updated: May 4, 2026

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
12:08

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Published on: August 13, 2014

25.1K
Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures
07:05

Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures

Published on: February 15, 2022

3.0K
Analysis of Multidimensional Microscopy Data Using Cell-ACDC
06:17

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Published on: November 7, 2025

610

Área de la Ciencia:

  • Biología Computacional
  • Análisis de Bioimagen
  • Aprendizaje Automático en Ciencias de la Vida

Sus antecedentes:

  • La segmentación celular es vital para comprender la biología celular, los mecanismos de las enfermedades y el diagnóstico.
  • Las revisiones existentes categorizan los métodos por evolución técnica, sin capturar completamente el impacto del aprendizaje profundo.
  • Las evaluaciones actuales a menudo descuidan el potencial de los datos multimodales para mejorar la segmentación.

Objetivo del estudio:

  • Proponer un marco de clasificación bidimensional para métodos de segmentación celular basados en aprendizaje profundo.
  • Realizar una revisión sistemática y categorización de métodos basada en la tarea (semántica/instancia) y los datos (unimodal/multimodal).
  • Establecer un punto de referencia para evaluar algoritmos de segmentación utilizando diversos conjuntos de datos y modalidades.

Principales métodos:

  • Desarrolló un marco de clasificación bidimensional: orientado a tareas y orientado a datos.
  • Realizó una revisión sistemática y clasificación de métodos de segmentación de aprendizaje profundo.
  • Creó una prueba de referencia utilizando cinco conjuntos de datos (datos de microscopía y secuenciación-imagen integrados).
  • Evaluó siete algoritmos en cuanto a efectividad, robustez y eficiencia.

Principales resultados:

  • Los modelos de aprendizaje profundo generalmente superan a los algoritmos tradicionales de segmentación celular.
  • La ventaja de rendimiento del aprendizaje profundo se amplifica con datos multimodales, particularmente al integrar información de secuenciación.
  • El marco propuesto proporciona un enfoque estructurado para comprender y evaluar las técnicas de segmentación celular.

Conclusiones:

  • El aprendizaje profundo, especialmente con la integración de datos multimodales, representa un avance significativo en la segmentación celular.
  • La clasificación bidimensional y el punto de referencia ofrecen información valiosa para la selección y el desarrollo de métodos.
  • La investigación futura debería aprovechar los datos multimodales para mejorar la precisión y la robustez en el análisis celular.