龙葵碱诱导HepG2细胞凋亡的NAT1酶机制研究，高世勇，苏怡君，目的 探讨龙葵碱诱导HepG2细胞凋亡的NAT1酶机制。方法 采用高效液相色谱法（HPLC），以对氨基苯甲酸（PABA）为底物，以PABA被NAT1乙酰化�

生长抑制特异蛋白GAS2促进BCR-ABL恶性转化BaF3细胞 ，瞿伟伟，薛文，目的：生长抑制特异蛋白GAS2在CML患者细胞中表达增高，高表达的GAS2能产生怎样的生物学效应尚不明确。本工作以小鼠前B细胞BaF3为模型�

CMTM3 在肾透明细胞癌中低表达并通过调控EMT影响肾癌细胞迁移能力 ，杜依青，谢京，目的：探讨肾癌组织的人趋化素样因子超家族成员3（CKLF-like MARVEL transmembrane domain containing 3，CMTM3）的表达情况及其生物学活性，以探究C

载ATM反义寡核苷酸纳米粒对小鼠SCCⅦ细胞放射增敏实验研究，邹剑，叶惠平，本文旨在研究纳米粒作为基因治疗载体的可行性，并探讨载ATM反义寡核苷酸纳米粒抑制ATM基因表达对小鼠SCCⅦ细胞放射敏感性的影响。首

k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

康诺斯 Conos：在样本网络上聚类 什么是conos？ Conos是一个R包，用于将大量单细胞RNA-seq数据集组合在一起，从而既可以识别复发性细胞簇，又可以在多样本或Atlas规模集合中的数据集之间传播信息。 它着重于跨异构样本集合的同源细胞类型的均匀映射。 例如，用户可以研究来自癌症患者的数十种外周血样本的收集以及数十种对照，其中可能包括相关组织（如淋巴结）的样本。 它是如何工作的？ Conos应用了许多容易出错的方法中的一种来对齐集合中的每对样本，从而建立了加权的样本间单元间链接。 然后可以分析所得的联合图，以识别不同样品之间的亚群。 相同类型的单元格将倾向于在许多此类成对比较中相互映射，从而形成可以识别为簇（图社区）的集团。 Conos处理可以分为三个阶段： 阶段1：过滤和归一化使用标准软件包对样本面板中的每个单独的数据集进行过滤和归一化，以进行单数据集处理： pag

细胞凋亡、MOMP与Bcl-2家族蛋白，陈春，崔隽，凋亡是细胞的一种自发性死亡过程，它在胚胎发育、生物体内环境的稳定等方面起着非常重要的作用。当细胞受压力胁迫时，线粒体外膜

在医疗领域，许多疾病的诊断依赖高倍数显微镜对细胞等微观物体的观测，但由于高倍数显微镜价格昂贵，操作复杂，且高倍数细胞显微图像重建工作存在低、高倍数显微图像之间图片风格不统一、细胞图像清晰度不致和训练数据不匹配等问题。为此，提出高倍数细胞显微图像生成式对抗网络。将全新激活函数引入Cyclean网络，在生成器中添加新的残差密集块并去掉BN层。同时为确保生成图像真实可信，在生成器训练过程中考虑细节感知损失。实验结果表明，该方法在保留低倍数显微图像基本信息的基础上，能够对高倍数显微图像细节进行有效的还原。

数字识别是扫描文档并将其转换为电子格式的过程中必不可少的元素。 在这项工作中，正在提出一种新的多像元大小（MCS）方法，以利用定向梯度直方图（HOG）特征和基于支持向量机（SVM）的分类器对手写数字进行有效分类。 基于HOG的技术对在相关特征提取计算中使用的像元大小选择很敏感。 因此，一种新的MCS方法已用于执行HOG分析和计算HOG功能。 该系统已经在基准MNIST手写数字基准数据库上进行了测试，使用独立测试集策略已达到99.36％的分类精度。 还使用10折交叉验证策略对分类系统进行了交叉验证分析，并且获得了10折分类精度为99.26％。 所提出的系统的分类性能优于使用复杂过程的现有技术，因为在特征空间和分类器空间中使用简单的操作已达到了同等或更好的结果。 该系统的混淆矩阵图和接收器工作特性（ROC）图显示了所提出的基于MCS HOG和SVM的新型数字分类系统的优越性能。

剑桥大学2018年单细胞转录组分析教程，包含数据过滤、序列比对、差异基因计算等R语言包、代码