单细胞RNA-Seq分析 这个为期2天的课程将讨论从scRNA-seq实验获得的数据的计算分析。 贡献 我们欢迎您为改进本课程而做出的所有贡献！ 如果您在此过程中有任何疑问，疑虑或遇到任何困难，维护人员将竭尽所能为您提供帮助。 我们想请您熟悉我们的《 ，并查看有关正确格式，在本地呈现课程的方式，甚至如何编写新剧集的。 请参阅当前列表，以获取有关对此存储库做出贡献的想法。 为了做出您的贡献，我们使用GitHub流，这在一章中有很好的解释。 维护者 本课程的当前维护者是 作者 可以在“找到该课程的参与者列表 引文 要引用本课程，请向咨询

新课改专用2020版高考一轮复习课下达标检测九ATP与细胞呼吸（生物 解析版）.docx

层次分析matlab代码路径 scEpath软件包（用于分析单细胞RNA-seq数据的新型工具） 概述 这是scEpath（“单细胞能量路径”）的MATLAB软件包。 scEpath是一种新颖的计算方法，用于定量测量单细胞的发育能力和可塑性以及细胞状态之间的转移概率，并从单细胞基因表达数据推断谱系关系和伪时间顺序。 此外，scEpath还可以进行许多下游分析，包括针对给定的细胞簇或伪时间识别最重要的标记基因或转录因子。 scEpath推断细胞轨迹的合理性是基于著名的Waddington的景观隐喻来描述发育过程中的细胞动力学。 下面是一篇论文的概念图（Takahashi等人，开发，2015年） 查看详细的方法和应用程序。 以下是scEpath的概述。 系统要求 scEpath独立于操作系统，因为它是用Matlab编写的。 运行scEpath的基本要求包括MATLAB和统计工具箱。 伪时间估计步骤需要使用R包“ princurve”进行主曲线分析。 在这种情况下，运行scEpath时需要R和Matlab。 该软件包已在Mac OS / 64位Windows上使用MATLAB 2016a /

这本教材是北京师范大学出版的关于流式细胞仪的原理与应用的很实用的教科书。

【细胞分割】基于形态学算法实现红细胞计数matlab源码含 GUI.md

功能强大的细胞自动机 内置数百种规则和演化图景。具体操作可参考百度词条生命游戏

用卷积滤波器matlab代码细胞追踪 使用具有多任务学习功能的深度神经网络进行细胞跟踪 版权所有（C）陶和，华茂和张艺。 版权所有。 该代码基于王乃炎，感谢他分享了他的代码。 CNN源代码来自matlab工具箱。 抽象的 细胞跟踪在生物医学和计算机视觉领域起着至关重要的作用。 由于细胞通常在显微镜图像中具有频繁的变形活动和较小的尺寸，因此在实践中跟踪非刚性和非重要细胞非常困难。 传统的视觉跟踪方法在跟踪刚性和重要视觉对象方面具有良好的性能，但是，它们不适合用于单元跟踪问题。 在本文中，提出了一种使用卷积神经网络（CNN）以及多任务学习（MTL）技术的新型细胞跟踪方法。 CNN可学习可靠的信元功能，而MTL可提高跟踪的泛化性能。 提出的细胞跟踪方法包括粒子过滤器运动模型，多任务学习观察模型和优化的模型更新策略。 在训练过程中，使用MTL技术将细胞跟踪分为在线跟踪任务和伴随的分类任务。 观察模型是通过构建CNN来学习鲁棒的细胞特征而进行训练的。 通过在显微镜图像序列的第一帧中分配细胞位置来启动跟踪过程。 然后，将粒子过滤器模型应用于在后续帧中生成一组候选边界框。 训练后的观察模型提供对应于

系统功能优点： 　 便捷的工作流程，高效简洁的操作步骤，较同类工作站效率提高2-3倍以上。 　 高分辨率同步显示实时影像，数字化捕获图像，确保图片清晰、逼真。 　 图像支持脚踏开关、鼠标二种采集方式。 　 可对各种超声影像进行动态采集，动态录像品质卓越，达到DVD品质。 　 系统预置十六种伪彩处理功能，同时支持自定义。 　 支持对图像进行放大、缩小、镜像、旋转、亮度对比度调整、文字与区域标注等操作。 　 诊断报告支持多种模式，尊重医生工作习惯，可点击录入、文字直接录入。 　 报告单上的某些项目内容，如检查医师姓名等项目可以预先初始化，以后用鼠标点选即可． 　 打印纸张大小不限，可选择A4、A5等多种尺寸纸张，以便与医院标准病历夹通用。 详细功能说明

异丙酚抑制血管紧张素Ⅱ诱导的大鼠心肌成纤维细胞增.docx

聚类马氏距离代码MATLAB 从细胞计数数据学习单细胞距离 该存储库随附有，，，N. Boon，B。De Baets和W. Waegeman撰写的手稿“从细胞计数数据学习单细胞距离”。 它通过针对不同的细胞计数应用（合成微生物生态学和CyTOF）最大化Jeffrey散度（DMLMJ），探索了距离度量学习的功能。 抽象的： 用于自动识别细胞群的数据分析技术在细胞计数领域的兴趣日益浓厚。 这些技术通常依赖于距离度量来测量单个单元之间的相似性。 在这项研究中，我们探索使用距离度量学习来自动确定欧氏距离度量的广义形式，即所谓的马哈拉诺比斯距离度量。 在单细胞标签可用的情况下，可以使用这种方法。 我们以各种方式评估学习距离度量的潜力。 首先，我们表明可以通过实施适当的Mahalanobis距离度量来改进当前基于距离的方法。 然后，为了评估这种距离度量的鲁棒性，我们评估了Mahalanobis距离度量在样本之间的可传递性。 此外，我们表明，可以将学习的距离度量与无监督方法（例如聚类或降维）集成在一起。 特别地，示出了用于来自两个不同来源的细胞计数数据的方法，即应用于微生物细胞的流式细胞计数和用于人