上期我们介绍了 TCGA 数据库上的癌种、缩写以及中文名称，下面我们来了解 TCGA 所有样本的存储，对于我们数据的筛选至关重要。

在Seurat v5中，引入了对空间数据进行‘生态位’分析的支持，这将组织区域（‘生态位’）划分为由不同相邻细胞类型组成的区域。FindTransferAnchors 可用于整合空间转录组数据集中的点级别数据，而 Seurat v5 还包括对鲁棒细胞类型分解（RCTD）的支持，这是一种计算方法，用于从空间数据集中解卷积点级别数据，当提供单细胞 RNA 测序参考时。结果的Seurat对象将包含每个细

简介单细胞RNA测序(scRNA-seq)是一种发现和注释细胞类型和状态的通用工具，但细胞亚型的确定和注释往往是主观的和任意的。通常甚至不清楚给定的群集是否均匀。在这里提出了一个基于熵的统计，ROGUE以准确地量化鉴定细胞团的纯度并证明ROGUE指标是广泛适用的，并且能够在广泛的模拟和真实数据集上对聚类纯度进行准确，敏感和稳健的评估。将这一指标应用于成纤维细胞、B细胞和大脑数据，确定了额外...

简介偏最小二乘回归（Partial Least Squares Regression，PLS Regression）是一种常用的统计建模方法，用于解决多元线性回归中自变量间高度相关的问题。在偏最小二乘回归中，通过将原始自变量转换为一组新的综合变量（称为主成分或潜在变量），然后再使用这些主成分进行回归分析，从而减少自变量之间的共线性，并且提高模型的稳定性和预测能力。偏小二乘回归提供...

简 介Akritas生存估计是更常见的Kaplan-Meier估计的条件近邻方法。常见的用法包括IPCW生存模型和度量，不需要假设删失是独立于协变量的。软件包安装survivalmodels包使用reticulate从Python实现模型。为了使用这些模型，必须按照reticulate::py_install安装所需的Python包。Survivalmodels包含一个辅助函数，用于安装所需的..

简 介蛋白质亚细胞定位的预测对蛋白质组学研究具有重要意义。在这里，我们建议对流行的工具 DeepLoc 进行更新，以进行多定位预测并改进性能和可解释性。为了进行训练和验证，我们整理了具有严格同源性分区的真核和人类多位置蛋白质数据集，并丰富了从文献中汇编的排序信号信息。我们通过使用预训练的蛋白质语言模型在 DeepLoc 2.0 中实现了最先进的性能。它的另一个优点是它使用序列输入而不是依赖较慢的.

基于机器学习构建临床预测模型。

我们的模型还支持针对代谢脆弱亚群的机器学习指导型药物发现。D-F. 箱线图展示了GSVA推导的代谢和β-羟基丁酰化相关基因集评分在RNA测序和微阵列数据集的肿瘤亚型中的分布。B-E. 多个队列的Kaplan-Meier生存曲线，展示了Coxboost+GBM模型生成的风险评分的预后效果。C-E. 箱线图展示了BisqueRNA推导的细胞类型组成评分在RNA测序和微阵列数据集的每种肿瘤亚型中的分布。

我们的模型还支持针对代谢脆弱亚群的机器学习指导型药物发现。D-F. 箱线图展示了GSVA推导的代谢和β-羟基丁酰化相关基因集评分在RNA测序和微阵列数据集的肿瘤亚型中的分布。B-E. 多个队列的Kaplan-Meier生存曲线，展示了Coxboost+GBM模型生成的风险评分的预后效果。C-E. 箱线图展示了BisqueRNA推导的细胞类型组成评分在RNA测序和微阵列数据集的每种肿瘤亚型中的分布。

简 介条件推理树（Conditional inference trees）。条件推断树的算法如下：(1) 对输出变量与每个预测变量间的关系计算p值。(2) 选取p值最小的变量。(3) 在因变量与被选中的变量间尝试所有可能的二元分割（通过排列检验），并选取最显著的分割。(4) 将数据集分成两群，并对每个子群重复上述步骤。(5) 重复直至所有分割都不显著或已到达最小节点为止。条件推理树与决策树有什..