- 综合排序
- 最热优先
- 最新优先
- 来自专栏Linux基础入门
（4）分子生物学专业名词
4、亚基：一条肽链通过α折叠和β转角形成具有特定构象的蛋白质（称为三级结构）。由两条或两条以上的，具有三级结构的球状蛋白质通过非共价键，彼此配合在一起聚合成的特定的构象称四级结构。
1.5K41发布于 2020-08-26 - 来自专栏生信技能树
生物信息学流程框架的4个流派
Bioinformatics, Volume 18, Issue 3, May 2017, Pages 530–536, https://doi.org/10.1093/bib/bbw020 值得推荐，非常好的整理了目前生物信息学界的各个 主要是下面的4种： 第一个是基于通配符 比如Nextflow、Snakemake等等，这方面的各种教程多如牛毛，我这里就不赘述了，大家根据关键词搜索即可自行学习。 跟着jimmy学docker系列之第4讲：docker容器资源调度问题（MAC版本） 使用阿里云+Docker分析RNA-Seq与ChIP-Seq Docker应用之一键化安装Wordpress(无需代码基础
1.8K50发布于 2020-12-17 - 来自专栏生信技能树
单细胞亚群的生物学命名的4个规则
第一个规则：已知的生物学亚群 一般来说，第一层次降维聚类分群后的各个单细胞亚群的生物学命名问题不大，比较麻烦的地方就是细分亚群啦。 需要背诵尽可能的的基因和细胞亚群对应关系： # T Cells (CD3D, CD3E, CD8A), # B cells (CD19, CD79A, MS4A1 [CD20]), # Plasma 因为历史遗留原因，T细胞主要是区分成为CD8+ T cell 和 CD4+ T cell 两个大类，也可以是按照功能进行划分，naive, memory ，effector，cytotoxic，Exhaustion precursors to tumor-infiltrating CD8+ T cell populations in lung cancer 可以很明显看到，也是首先区分成为CD8+ T cell 和 CD4+ T cell 两个大类，然后是是按照功能进行划分，naive, memory ，effector，cytotoxic，Exhaustion： 7 for CD8+ cells, 11 for CD4+
1.3K10编辑于 2024-04-13 - 来自专栏简说基因
快4倍！新型生物合成基因簇预测工具全解析
、生物材料等。 CRF区域划分：计算后验概率识别BGC边界 4. 随机森林分类：将BGC归类至12个生物合成类别 性能突破 • 速度提升：比深度学习方法快3-4倍。 例如，通过分析土壤微生物的基因组，找到可能合成新型抗生素的基因簇，为解决抗生素耐药性问题提供新的思路。 • 环境微生物研究：在研究环境微生物群落时，GECCO 可以揭示微生物之间的相互作用和生态功能。 • 工业生物技术：在工业生产中，利用微生物合成生物材料、生物燃料等是一个重要的研究方向。GECCO 可以帮助筛选出具有相关合成能力的基因簇，为工业生物技术的发展提供基因资源。 总结 GECCO 作为一款功能强大的生物合成基因簇预测工具，以其速度快、扩展性强和准确性高的特点，在生物医学研究、环境科学、工业生物技术等多个领域展现出巨大的潜力。
63110编辑于 2025-02-18 - 来自专栏全栈程序员必看
生物识别指纹_生物指纹识别技术
mDevice) { ALOGE("Can't open HAL module"); } } 见第4行openHal方法 //这个方法最终会访问到底层了，比如我们熟悉的hw_get_module
5.3K31编辑于 2022-09-22 - 来自专栏生信宝典
万字长文 - Nature 综述系列 - 给生物学家的机器学习指南 4 （生物应用的挑战）
生物应用的挑战 也许建模生物数据的最大挑战是生物数据的多样性。生物学家使用的数据包括基因和蛋白质序列、随时间变化的基因表达水平、进化树、显微图像、3D结构和互作网络等。 上表列出每种类型生物数据的预测任务、适合的机器学习模型和相关的挑战。一些挑战，如维度灾难，影响大多数生物数据类型。 4. 该方法是否与其他方法进行了比较？ 新方法应与已有的、在社区中被使用且表现良好的方法进行比较。理想情况下，应该比较采用各种模型类型的方法，这有助于解释结果。 生物学中机器学习最令人兴奋的前景之一是专门针对生物数据和生物问题的算法。 总的来说，生物数据的多样性使得很难为生物学中的机器学习提供一般指导。因此，我们在这里的目的是向生物学家概述可用的不同方法，并为他们提供如何利用数据进行有效的机器学习的一些想法。
48320编辑于 2023-08-30 - 来自专栏DrugOne
GPT-4 加速合成生物学的知识挖掘和机器学习
从合成生物学期刊文章中挖掘知识以供机器学习（ML）应用是一项耗时的工作。自然语言处理（NLP）工具的发展，比如 GPT-4，可以加速在复杂菌株工程和生物反应器条件下发布的与微生物性能相关的信息的提取。 最近在NLP领域的一个关键时刻是发布了GPT-4，利用GPT-4，我们可以快速提取已发表的论文中的相关生物过程特征和结果以扩增数据库。 此外，GPT-4可以提供有用的生物制造指南，但其对酵母的产量预测可能会给出不切实际的答案。因此，作者的研究旨在将GPT-4与ML结合，以提高酵母发酵产量的预测能力。 通过GPT-4从合成生物学论文中提取ML特征和数据集 表 1 ML方法需要大量的实验数据来将ML输入（特征）与输出（产物）相关联。 GPT-4辅助构建Y. lipolytica生物制造数据库 表 2 图 3 Yarrowia lipolytica是用于生物生产的工业重要酵母。
63720编辑于 2023-10-27 - 来自专栏单细胞天地
4千万科研经费告诉你什么是生物学研究的热点
已经解析的肿瘤微环境免疫细胞图谱有乳腺癌[1]、肺癌[2-3]、肝癌[4]等，让我们一起期待大部分癌种肿瘤微环境免疫细胞图谱解析完成，这将是人类宝贵的知识，通过多种癌种肿瘤微环境免疫细胞的比较，期待肿瘤免疫治疗研究及应用开发进入新阶段 Nat Med. 2018, 24(8):978-985. [4] Zheng C, et al.
52120发布于 2020-03-30 - 来自专栏Y大宽
通过简单数据熟悉Linux下生物信息学各种操作4
原地址 几点说明 1.非简单翻译，所有代码均可运行，为了辅助理解，基本每步代码都有结果，需要比较的进行了整合 2.原文中的软件都下载最新版本 3.原文中有少量代码是错误的，这里进行了修正 4. 对于需要的一些知识背景，在这里进行了注释或链接到他人博客 ---- 一共4部分 通过简单数据熟悉Linux下生物信息学各种操作1 通过简单数据熟悉Linux下生物信息学各种操作2 通过简单数据熟悉 Linux下生物信息学各种操作3 通过简单数据熟悉Linux下生物信息学各种操作4 ---- 20 Pileup和Coverage 上面已经得到的mutation files 需要用到前面的内容 20.1 DP=2;I16=2,0,0,0,34,578,0,0,120,7200,0,0,2,4,0,0;QS=1,0;MQ0F=0 PL 0,6,31 NC_002549 8 DP=4;I16=4,0,0,0,68,1156,0,0,240,14400,0,0,13,75,0,0;QS=1,0;MQ0F=0 PL 0,12,50 NC_002549
97230发布于 2019-07-03 - 来自专栏企鹅号快讯
机器正在生物化＆生物正在工程化
机器，正在生物化；而生物，正在工程化。这并不意味着未来是灰色冰冷的钢铁世界；相反，未来朝向的正是一种新生物的文明。 自然一直在用她的血肉供养着人类，获取食物、衣着和居所。 很不幸，在KK成书之后“生物圈2号”并没有冒出。“生物圈2号”先后迎来两批居民，但是两次实验都以失败告终。 当然，这并不影响KK在20年前对于“生物圈2号”的延伸思考，而且仍然具有现实意义：生命是终极技术。机器技术只不过是生物技术的临时替代品而已。我们大可不必担心，机器技术将替代所有生物物种。 下个世纪将是生物学的世纪，注意不是仿生学，因为有机体和机器的混成物中，在天生和人造缓慢的混合过程中，最终获胜的总是生物逻辑——“机器的未来是生物”。 例如：生物无法将自己的DNA代码向其他生物体“广而告之”，以便它们获取信息并改变其代码，而在计算机环境中，你就能做到这一点。 多细胞生物本质上就是在宇宙尺度上运行大规模的并行代码。
2K00发布于 2017-12-28 - 来自专栏igenome
20220519_生物信息平台搭建及生物信息软件安装
20220519_生物信息平台搭建及生物信息软件安装 01 基础软件安装 基础软件安装 ==================== rstudio.org/desktop/bionic/amd64/rstudio-1.3.1093-amd64.deb dpkg -i rstudio-1.3.1093-amd64.deb 02 常用生物信息软件安装 busco--help 验证安装成功 #-------------------------------------------------------------------------------- #(4) 64/ ./ & #-------------------------------------------------------------------------------- #(80) vnc4server 已安装 # https://www.jianshu.com/p/a64e1bf1ee87 apt-get install vnc4server #---------------------------
1.7K32编辑于 2022-05-19 - 来自专栏人工智能快报
生物识别新面貌
据加拿大市场研究公司Ontario的生物特征研究小组报告，到2015年底，有6.5亿人在移动设备上使用生物识别技术。 美国普渡大学生物特征研究国际中心主任Stephen Elliott解释称：“我们注意到有多种生物识别技术在发展传播。” 当前，有一个很显然的结论是墨水、纸张和密码已经不能胜任安全任务。 银行、零售商和其他机构不需要改装自动取款机来接受指纹或其他生物识别技术。Stephen Elliott指出，基于智能手机的生物识别技术基本上不需要任何学习、培训或知识就可以使用。 如果原始的生物特征数据被窃取，个人将无法生成一个新的指纹或人脸；它将被永久破解。Jain说，当前也存在对隐私和不道德使用生物特征数据的关注。 然而，“如果使用多因素生物识别或行为生物识别技术，也许不需要实用原始数据。”
1.2K70发布于 2018-03-14 - 来自专栏新智元
【远古生物复活】深度学习与生物大数据处理
曙光公司联合中科院计算机所，在生物医学处理方面取得了长足进展，大大加速了生物大数据处理速度。 生物医学大数据独具特色 生物医学领域数据有其自身特点。 1.数据量大：生物医学领域数据量十分庞大。 3.价值高：随着生物信息学的发展，越来越多有价值的信息从生物数据中挖掘出来，这些价值不仅体现在生物科研领域，而且已应用于农业、健康和医学等领域。 4.高速：生物医学数据量急剧增长的速度让人惊叹，而且数据的多样化和价值也必将在快速处理中得以体现。 曙光使用XSharp软件平台，将反卷积过程移植到4颗GPU上并发执行，仅需2天即可完成数据处理，结果令人叹为观止。 深度学习在生物领域取得的进展让人振奋。现阶段XSharp的应用主要集中在高维多模式生物图像分布式数据系统、海量生物图像数据的深度挖掘流程和生物图像处理数据密集型算法加速等项目中。
1.1K50发布于 2018-03-13 - 来自专栏微生态与微进化
Nature：原核生物基因的生物地理学研究
接下来很可能会进入“后组学”时代，系统化分析生物数据以解决核心科学问题为大势所趋。本篇文章系统地整理了全球不同生境的微生物组数据，并以此分析基因的生物地理。 即使不去除低质量的组装，这些MAGs仅包含4千万个unigenes，而全部基因目录有3.03亿个unigenes。 我们发现绝大多数的unigenes并没有显示出正选择的证据（图4b），这表明，近缘物种的基因的演化主要是（净化选择控制下的）中性演化。 作者观察到罕见的unigenes（4%）比普遍的unigenes（高达10%）更不可能具有适应性（图4b），但这一结果可能受进化速度和出现频率的物种间差异以及可能出现的技术问题的干扰，因此作者进一步仅使用了作为 GMGCv1一部分的5126个注释良好的大肠杆菌基因组中的unigenes进行分析，并获得了非常相似的相关性（图4b）。
1K20编辑于 2022-05-05 - 来自专栏生信菜鸟团
植物生物学与生物技术: 聚焦基因组学与生物信息学
植物生物信息学---面向转录组测序数据分析和机器学习方法的应用新趋势 植物生物学与生物技术: 聚焦基因组学与生物信息学 分析植物适应环境变化和胁迫反应的分子机制对植物生物技术至关重要。 其中关键方法包括生物信息学方法、高通量测序和后基因组技术。测序和系统生物学方法提供了从分子到细胞、器官和种群水平的植物生长的全面视图。 通过八个研究阐述其生物信息学解决方案或基因组应用于给定的植物模型，本篇阐述其中前4篇。 在干旱胁迫下，野生型 (WT) 植物中脱落酸 (ABA) 和玉米素 (zeatin) 的含量显著增加，RD22、二氢黄酮醇 4-还原酶 (DFR) 和花青素还原酶 (ANR) 基因的转录表达水平被诱导， 干旱处理下拟南芥幼苗TaPsb28过表达的表型效应 研究4 Wen Duan等人(https://doi.org/10.3390/ijms24087189)分析了水稻(Oryza属)DIR基因家族成员的表达模式
49010编辑于 2024-06-11 - 来自专栏天意云&天意科研云&天意生信云
Tax4Fun2: 更准确的微生物群落功能预测工具
引言 在微生物生态学研究中，了解微生物群落的功能潜力至关重要。然而，直接通过宏基因组测序来分析功能基因往往成本高昂。 因此，研究人员开发了一些计算工具，可以基于16S rRNA基因序列数据来预测微生物群落的功能组成。 其中，PICRUSt、Tax4Fun和Tax4Fun2是三个广泛使用的工具。 独特的预测方法：Tax4Fun2引入了"用户定义的税单元"（User-Defined Taxa, UDT）概念，可以更好地处理未知或罕见的微生物。 4. 例如，在一项土壤微生物群落研究中，研究人员使用16S rRNA测序数据比较了PICRUSt、Tax4Fun和Tax4Fun2的预测结果。 结论 Tax4Fun2作为一个更新和改进的功能预测工具，在准确性、灵活性和功能覆盖范围方面都显示出了明显的优势。 它为研究人员提供了一个强大的工具，可以更准确地推断微生物群落的功能潜力。
1.2K10编辑于 2025-03-06 - 来自专栏AI研习社
青年分享会第 4 期回顾 | 刘凯：解读生物医学图像论文（下）
分享论文：Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation 8 月 4
84750发布于 2018-03-19 - 来自专栏天意云&天意科研云&天意生信云
首个多模态生物序列对话模型，生物版ChatGPT来了！
首个多模态生物AI对话模型来了，用聊天对话的方式就能分析基因序列！ 大语言模型目前正广泛应用在各个领域，然而在生物学领域中，大语言对话模型难以理解DNA、RNA、蛋白质等生物序列。 InstaDeep公司研发的ChatNT能将多个生物学任务整合进一个统一的框架中，通过对话去分析生物序列，无需编程。 随着生物技术进步和研究需求的增加，ChatNT能否应对更复杂的生物学分析任务是众多科研人员关心的问题，为了让大家进一步了解ChatNT，小编整理了一些常见问题和解答： 问：ChatNT在分析不同物种的特定基因变异 问：未来ChatNT能否进一步整合多种生物信息学数据，变为更全面的生物学分析工具？
41910编辑于 2025-06-12 - 来自专栏博文视点Broadview
从生物工程到生物“打印”，3D打印颠覆想象
3D 生物打印开启了大门。 不过最后，在布拉格的建议下，《自然》杂志于1953 年4 月25 日同时发表了三篇论文：首先是沃森与克里克的，然后是威尔金斯的，最后是弗兰克林的【26、27、28】。 所谓生物工程，是以生物学的理论为基础，利用遗传、生物化学及细胞学的各种实验技术，结合机械和电子计算机等现代工程技术，操纵遗传物质，改造生物功能，快速创造新物种。 生物工程包括基因工程、细胞工程、发酵工程、生化工程、生物反应器工程等五大工程类，它们的成果为人类社会提供了巨大的经济效益，而其他各种技术的发展，尤其是计算机技术的发展，又为生物工程手段的研究和应用注入了新的动力 在生物工程发展了几十年之后的今天，我们才有了谈及“3D生物打印”的可能性。 本文摘自《喷头下的世界：漫谈3D打印》
89210发布于 2020-06-11 - 来自专栏生信菜鸟团
系统生物学 | 第01章 生物系统 | 读书笔记
解释系统生物学的目标。 识别还原论与系统生物学的互补作用。 列出那些仅凭直觉无法解决的系统生物学挑战。 讨论跨学科交流的重要性。 为系统生物学领域整理出一份"待办事项"清单。 para 生物系统许多特征的存在已为人所知相当长一段时间，同样地，系统生物学的许多概念和方法也植根于其成熟的母学科，包括生理学、分子生物学、生物化学、数学、工程学和计算机科学。 试想，仅仅几十年前，计算机科学家还使用光学卡片阅读器读取的穿孔卡（图 l.l4）！ signal transduction networks:A dynamic model of guard cellabscisic acid signaling.PLos Biol, 2006. 4( IEEE Contr Syst Mag, 2003.23(4): p.38-48.
53400编辑于 2025-05-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号