MATLAB荧光光谱数据三维荧光光谱处理

基于罗丹明6G 的分子荧光原理，通过对比不同实验条件下得到的罗丹明6G 荧光光谱，得出pH 为1条件下的相对荧光强度最大。罗丹明6G 试剂中加入钼酸铵、磷酸二氢钾、硫酸试剂生成络合物后，罗丹明6G 的相对荧光强度值有所下降，在一定范围内表现出线性关系，罗丹明6G 荧光峰的位置没有发生变化。基于遗传算法-逆向误差传播(GA-BP)神经网络构建了输入节点数为36×18的矩阵、输出节点数为1×18的矩阵、以检测磷酸盐浓度为目的的非线性模型。网络训练中，误差精度为10-3，输出与期望的相关系数为0.998，网络预测中，平均回收率为99%，平均标准偏差值为1.79%，达到了理想的检测效果。证明此网络适用于检测0~2.00 mg/L 的磷酸盐溶液。提供了一种快速、有效检测磷酸盐浓度的方法，有助于环境检测技术的发展和应用。

FLIM分析仪 用于分析荧光寿命成像显微镜（FLIM）数据的Python软件包。 要求： Python 3.7（或更高版本） 大熊猫 numpy的（1.18） matplotlib 海生的 火炬 scikit学习 xlsxwriter wxpython（4.0.7） pypubsub python.app（对于Mac OSX） Windows安装： 安装VS代码 安装： git clone https://github.com/uvaKCCI/flimanalyzer.git cd flimanalyzer conda env create -f environment.yml 这将创建一个Conda环境flimenv ，其中包含运行FLIM Analyzer应用程序所需的所有Python软件包。 运行应用程序 从命令行 在Windows和Linux上，运行此命令 conda

比较实时荧光定量 PCR 的三种数据分析方法 (2原吟吟CT尧REST2009 和 REST MCS) 的 异同遥 方法 以正常小鼠来源的 cDNA 混合物阳性对照为模板袁5 倍系列稀释袁分别做 miRNA-181a 和 Sn RNA U6 的标准曲线遥 实时荧光定量 PCR 检测正常组和哮喘组小鼠脾脏 CD4+T 细胞 miRNA-181a 和 Sn RNA U6 表达水平袁以 Sn RNA U6 为内参基因袁采用 2原吟吟CT尧REST2009 和 REST MCS 方法袁对正 常组和哮喘组 miRNA-181a 进行相对定量分析遥

ThreeDeconv.jl是用Julia编写的用于荧光显微镜的 3D 反卷积软件。目前，它支持 Julia v.1.6.0，但在未来的版本中可能不会被支持。如果有兴趣，请随时进行 PR。该算法的详细信息可在我们的论文和我们的网站中找到。虽然反卷积算法与论文中描述的相同，但我们对软件进行了一些改进，同时对 Julia 和相关软件包进行了重大更新。多亏了这次更新，这个包比纸上报告的速度要快得多，并且可以在 5 秒内解卷积 256 x 256 x 57 的图像

小波变换去除图像离焦背景噪声，源码+文章

matlab 求解代码FLIMfit 用于快速分析大型 FLIM 数据集的开源包。 如需更多信息，请参阅： Warren SC、Margineanu A、Alibhai D、Kelly DJ、Talbot C 等。 (2013) 大型荧光寿命成像显微镜数据集的快速全局拟合。 公共科学图书馆一 8(8)：e70687。 最新版本和二进制可执行文件 有关最新版本、二进制可执行文件和更多文档，请访问 二进制可执行文件不需要 MATLAB。 源代码存储库位于： 支持 如果您在安装或运行此软件时遇到问题，请通过 FLIMfit 用户邮件列表与我们联系： 编译和运行 FLIMfit 该软件已使用 Visual Studio 2012 在带有 Matlab 2014b 的 Windows 7 上进行了广泛测试，它已被证明可以在 MacOS X 下使用 XCode 4 和 Homebrew GCC4.7 以及在 Linux 下使用 GCC 4.7 进行编译。 如果您希望从源代码编译包，请按照这些说明进行操作，假设使用的是 Windows 平台。 所需的包 CMake 2.8.10 视觉工作室 2014

基于深度学习的荧光显微成像技术及应用

北京宏剑公司出品,基于高斯03,包括分子轨道的介绍,电子组态的概念,单激发态,活化空间,基态和激发态的势能面,势能面的简并,高斯03的激发态计算方法,性质,输入和输出,例子,激发态结构优化,三重态的计算,轨道调节,计算发射光谱.

超分辨荧光成像实验的分辨率和成像质量与实验过程中收集到的荧光分子光子数和背景噪声有着密切的关系。为了实现低光子数、高背景光下的快速超分辨荧光显微成像,利用所提卷积神经网络算法实现了对极低信噪比信号的恢复,并结合重构网络进行了超分辨成像。结果表明:利用该方法可以实现荧光信号在低信噪比下的有效恢复,峰值信噪比可达27 dB,明显优于同类的其他两种算法。该方法还可以配合Deep-STORM重构网络在低信噪比下实现快速的超分辨成像。重构结果的归一化均方误差为7.5%,分辨率相较其他算法有明显提升。实验条件下的重构结果验证了该方法的能力,为弱信号下的荧光快速超分辨成像提供了可行方案。