计算平台和环境

这个角度看lipidomics数据分析和讨论了可用的软件工具提供了一个基于web的lipidomics工具指南帮助指导这些工具的选择,为lipidomics研究组织的主要任务。

深度学习(DL)已经在大规模spectrometry-based蛋白质组学常用但仍有很多潜力。在这里,作者开发一个框架,使建筑DL模型预测任意肽属性只有几行代码。

传统的散装测序数据缺乏细胞类型特异的基因表达信息。在这里,作者开发Tissue-AdaPtive autoEncoder(磁带),深度学习方法连接散装RNA-seq和单细胞RNA-seq,并把它应用到分析细胞类型的细胞类型特异的基因表达分数和在临床数据。

Cellpose 2.0提高细胞分割提供pretrained模型,可以使用human-in-the-loop训练调整管道和不到1000 user-annotated感兴趣的区域。

scPipeline是一个单细胞的数据分析工具箱,建立在现有方法和为多层细胞注释提供了模块化的工作流和用户友好的分析报告。