本数据库通过收集和整理最新科研文献信息而得,供了解领域前沿进展之用。数据源自 PubMed Data ,每日自动更新,已收录文献数量参见 统计表格。表格内容由 GPT 自动整理,可能存在错误或遗漏,请使用时务必注意核实!
如有建议或合作意向,欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布,欢迎下载 源码 自行修改使用。如觉得不错,还请不吝 给我打赏,你的支持是我继续创新的重要动力!
除通过在线浏览外,为方便用户离线查阅,本站也提供 付费下载(定价10元)。之所以考虑收费,是因为批量扫描这些文献并整理也是有一定成本的,还请理解并多多支持。本站数据会持续更新,而仅需一次付费,未来就可以随时重新下载到最新版本数据。
序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
141 | 2024-08-09 |
Single cell RNA-sequencing reveals cellular heterogeneity and trajectories of lineage specification during murine embryonic limb development
2020-07, Matrix biology : journal of the International Society for Matrix Biology
IF:4.5Q2
DOI:10.1016/j.matbio.2019.12.004
PMID:31874220
|
研究论文 | 本研究利用单细胞RNA测序技术分析了小鼠胚胎后肢发育过程中的细胞异质性和谱系指定轨迹 | 首次在单细胞水平上揭示了小鼠胚胎后肢发育过程中的细胞转录程序和细胞成熟连续性 | NA | 识别小鼠胚胎后肢发育过程中的细胞谱系指定轨迹 | 小鼠胚胎后肢发育过程中的细胞类型和细胞轨迹 | 数字病理学 | NA | 单细胞mRNA测序(scRNA-seq) | NA | 基因表达数据 | 小鼠胚胎后肢在胚胎日11.5至18.5的样本 |
142 | 2024-08-09 |
Genomic and transcriptomic profiling of carcinogenesis in patients with familial adenomatous polyposis
2020-07, Gut
IF:23.0Q1
DOI:10.1136/gutjnl-2019-319438
PMID:31744909
|
研究论文 | 本研究通过全外显子测序、全基因组测序和单细胞RNA测序,探讨了家族性腺瘤性息肉病(FAP)患者从癌前腺瘤到腺癌的遗传改变和转录组转变 | 首次全面分析了FAP患者从腺瘤到腺癌的基因组和转录组变化,揭示了代谢重编程在癌前阶段的发生 | 研究样本量较小,仅包括六名FAP患者和一名MUTYH相关息肉病患者 | 探讨FAP患者从癌前腺瘤到腺癌的遗传改变和转录组转变 | FAP患者的正常组织、多区域采样的不同阶段腺瘤和腺癌 | 数字病理学 | 结直肠癌 | 全外显子测序、全基因组测序、单细胞RNA测序 | NA | 基因组数据、转录组数据 | 56个外显子、56个基因组和8,757个单细胞 |
143 | 2024-08-09 |
deepMc: Deep Matrix Completion for Imputation of Single-Cell RNA-seq Data
2020-07, Journal of computational biology : a journal of computational molecular cell biology
IF:1.4Q2
DOI:10.1089/cmb.2019.0278
PMID:31657645
|
研究论文 | 本文提出了一种基于深度矩阵分解的方法deepMc,用于填补单细胞RNA测序数据中的缺失值 | 利用深度学习技术解决单细胞RNA测序数据中的缺失值问题 | NA | 解决单细胞RNA测序数据中的缺失值问题 | 单细胞RNA测序数据中的基因表达数据 | 机器学习 | NA | 深度矩阵分解 | 深度学习模型 | 基因表达数据 | NA |
144 | 2024-08-09 |
Clustering and classification methods for single-cell RNA-sequencing data
2020-07-15, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbz062
PMID:31271412
|
review | 本文系统回顾了针对单细胞RNA测序(scRNA-seq)数据的集成方法和工具,重点讨论了聚类和分类方法及其优缺点 | 介绍了新兴的非线性和线性方法以及降维方法作为强大的替代方案 | NA | 探讨和评估处理scRNA-seq数据的不同集成方法和工具 | 单细胞RNA测序数据 | bioinformatics | NA | scRNA-seq | NA | scRNA-seq data | NA |
145 | 2024-08-09 |
Machine learning and statistical methods for clustering single-cell RNA-sequencing data
2020-07-15, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbz063
PMID:31243426
|
综述 | 本文综述了近年来用于单细胞RNA测序数据聚类的机器学习和统计方法 | 介绍了如何修改或定制传统聚类技术以应对scRNA-seq数据分析中的独特挑战,如低表达基因的丢失、转录本覆盖率低且不均匀、单细胞总mRNA高度变异以及存在技术偏差和无关生物变异时的细胞标记模糊等问题 | NA | 揭示细胞亚型并基于细胞间关系推断细胞谱系 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 神经网络 | 转录组数据 | 大规模单细胞 |
146 | 2024-08-09 |
(Differential) Co-Expression Analysis of Gene Expression: A Survey of Best Practices
2020 Jul-Aug, IEEE/ACM transactions on computational biology and bioinformatics
DOI:10.1109/TCBB.2019.2893170
PMID:30668502
|
综述 | 本文综述了基因表达数据分析的最佳实践,包括共表达分析、共表达网络、差异网络和差异连接性分析,并比较了微阵列和RNA-seq数据 | 强调了RNA-seq数据分析中使用微阵列方法的障碍,并讨论了单细胞RNA-seq数据分析的预处理和工具 | NA | 旨在提供基因表达数据分析的指南,并探讨相关研究问题和挑战 | 基因表达数据,包括微阵列和RNA-seq数据,以及单细胞RNA-seq数据 | 基因组学 | NA | RNA-seq | NA | 基因表达数据 | NA |