- 综合排序
- 最热优先
- 最新优先
Rust CGP 通用泛型编程 - 概念、原理与演进
本文依据 CGP Book 加上笔者个人理解写就，并非照搬原文翻译，感兴趣的读者可以从官方渠道了解 CGP。 在 CGP 中，并非将所有类型都视为 Context。我们使用 Context 的目的主要是期望实现一定的“模块化（modularity）”。 CGP 的目标是打破这种差异，使 Context-Generic Provider 更容易实现。2. 在 CGP 中，“开发”属于 Provider。绑定方案：是从候选“方案”中选定一个，将其封装到 Context 内，使其成为功能的“最终逻辑”。在 CGP 中，“绑定”属于 Consumer。 CGP 中，这里的 Provider 属于 Context-Generic Provider。
7510编辑于 2025-11-03- 来自专栏生信技能树
使用CGP数据库的表达矩阵进行药物反应预测
cell lines 发表时间是：Genome Biology 2014https://doi.org/10.1186/gb-2014-15-3-r47 了解 Cancer Genome Project (CGP ) 数据库 主页： CGP website 是 Genomics of Drug Sensitivity of Cancer (GDSC)计划的数据 The CGP gene expression data The IC50 data for the drugs is available from the CGP website Curve fitting code is now available as 作者选取了Cancer Genome Project (CGP) 数据库里面收录的 700多种细胞系的 138 种药物的作用情况，开发了算法，而且在 4 个符合要求的数据集里面验证了可靠性。 ?
3.3K10发布于 2018-07-27 - 来自专栏机器之心
前沿 | 不使用深度学习，进化算法也能玩Atari游戏！
CGP-IP 能够创建图像滤波器，用于去噪、目标检测和质心定位（centroid determination）。 在强化学习任务中使用 CGP 的研究相对较少，本论文将展示首次使用 CGP 作为游戏智能体的研究。 简单而言，笛卡尔遗传规划是遗传规划的一种形式，其中程序表征为有向的、通常由笛卡尔坐标索引的非循环图。 ALE 提供了 CGP 和其他方法之间的定量对比。直接将 Atari 游戏分数与之前研究中的不同方法结果进行对比，以对比 CGP 与其他方法在该领域的能力。 CGP 的独特优势使得其应用在 ALE 上非常合适。通过定长的基因组，小型程序能通过进化生成并被读取以理解。 ，CGP）之前已被证明在图像处理任务中具备使用计算机视觉专用的函数集来进化程序的能力。
58520发布于 2018-07-26 - 来自专栏生物信息云
pRRophetic：从肿瘤基因表达水平预测临床化疗反应
Response Portal (CTRP) 和 Genomics of Drug Sensitivity in Cancer (GDSC) 两个数据库资源，而是使用 Cancer Genome Project (CGP sensDataCcle$Primary.Cell.Line.Name)) 24种药物： unique(sensDataCcle$Compound) Cancer Genome Project (CGP data(cgp2016ExprRma) dim(cgp2016ExprRma) data(PANCANCER_IC_Tue_Aug_9_15_28_57_2016) length(unique(drugData2016 = 10, selection = -1, printOutput = TRUE, removeLowVaringGenesFrom = "homogenizeData", dataset = "cgp2014 ") 我们这里以CGP2014的数据来演示，药物选择紫杉醇（Paclitaxel）。
1.6K30编辑于 2023-09-06 - 来自专栏生信技能树
药物预测R包之pRRophetic
Response Portal (CTRP) 和 Genomics of Drug Sensitivity in Cancer (GDSC) 两个数据库资源，而是使用 Cancer Genome Project (CGP ) 可以看到 Cancer Genome Project (CGP)里面的也是一千多个细胞系的2万个基因的表达量矩阵，关键是它药物超过了200种。 library(pRRophetic) # exprMatCcle (ccleData) data(cgp2016ExprRma) dim(cgp2016ExprRma) data = 10, selection = -1, printOutput = TRUE, removeLowVaringGenesFrom = "homogenizeData", dataset = "cgp2014 ") 我们首先使用 默认的 cgp2014数据集，来预测 前面的 硼替佐米（Bortezomib）药物信息，看看是否一致。
13.8K71发布于 2021-10-12 - 来自专栏医学和生信笔记
药物敏感性分析之pRRophetic
已知的信息就是从直接从上面介绍的数据库下载的，pRRophetic包使用的是CGP和CCLE的数据，但是CCLE的药敏数据只有24种药物和500多个细胞系，数据量比较少，所以通常大家使用的都是CGP的数据 除了cgp2014，你还可以选择cgp2016作为训练数据，cgp2016有251种药物，cgp2014只有138种。 CGP的官网：https://www.cancerrxgene.org/。 ) dim(cgp2016ExprRma) ## [1] 17419 1018 cgp2016ExprRma[1:4,1:4] ## CAL-120 DMS-114 CAL drugData2016 data(cgp2016ExprRma) # cgp2016ExprRma data(bortezomibData) #提取cgp2016的所有药物名字 possibleDrugs2016
2.5K40编辑于 2023-11-01 - 来自专栏ytkah
解决后台无法进入提示DedeCMS Error: (PHP 5.3 and above) Please set 'request_order' ini value
Error: (PHP 5.3 and above) Please set 'request_order' ini value to include C,G and P (recommended: 'CGP 这里我们建议用户将配置更改为“CGP”，然后建议我们修改php.ini 因为安装的是新版本，默认是CGP，所以我们要进行相应的修改。 打开文件include/common.inc.php，大概34行左右找到 if(strtoupper(ini_get('request_order')) == 'CGP') 改为
1.5K50发布于 2018-03-06 - 来自专栏单细胞天地
手把手带你复现NC图表之Figure 2
= msigdbr(species = "human", category = "C2") CGP_pathwaysH = split(x = CGP_gene_sets$human_gene_symbol , f = CGP_gene_sets$gs_name) All.Markers$NABA_Matrisome <- All.Markers$gene %in% CGP_pathwaysH$NABA_MATRISOME $NABA_BASEMENT_MEMBRANES, CGP_pathwaysH$NABA_COLLAGENS, CGP_pathwaysH$NABA_ECM_GLYCOPROTEINS, CGP_pathwaysH$NABA_PROTEOGLYCANS, CGP_pathwaysH$NABA_COLLAGENS[! CGP_pathwaysH$NABA_COLLAGENS %in% CGP_pathwaysH$NABA_BASEMENT_MEMBRANES] ), assay = "RNA" ) names
51210编辑于 2023-09-26 - 来自专栏生信技能树
药物预测之差异基因为什么不行
file.exists('Bortezomib_in_cgp2016.Rdata')){ # pRRophetic的安装方式 见 ；https://mp.weixin.qq.com/s/avETGVE8 data(cgp2016ExprRma) dim(cgp2016ExprRma) data(PANCANCER_IC_Tue_Aug_9_15_28_57_2016) length(unique (drugData2016$Drug.name)) unique(drugData2016$Drug.name) cgp2016ExprRma[1:4,1:4] drugData2016[ ) ) Bort_ExprRma=cgp2016ExprRma[,pos] identical(colnames(Bort_ExprRma),Bort_drugs$Cell.line.name ) save(Bort_ExprRma,Bort_drugs,file = 'Bortezomib_in_cgp2016.Rdata') } load(file = 'Bortezomib_in_cgp2016
1.6K20发布于 2021-10-12 - 来自专栏生信技能树
根据基因表达数据预测药物作用
转录组数据+药物 我仔细看了看参考文献，这个就是我三年前介绍过的：使用CGP数据库的表达矩阵进行药物反应预测 发表这个算法的文章是：Clinical drug response can be predicted lines 发表时间是：Genome Biology 2014 https://doi.org/10.1186/gb-2014-15-3-r47 作者选取了Cancer Genome Project (CGP ) 数据库里面收录的 700多种细胞系的 138 种药物的作用情况，开发了用CGP数据库的表达矩阵进行药物反应预测算法，而且在 4 个符合要求的数据集里面验证了其算法的可靠性。 算法概况起来就是5个步骤： 第一步，把两个表达矩阵（CGP数据库以及自己待预测的表达矩阵）合并，就是Training (cell lines) and test (clinical trial) datasets R包的人已经了无音讯了吧，也不可能是有人来维护它，我看了看包的介绍，重点就是一个pRRopheticPredict函数： Thus, as a proof-of-concept we applied CGP
2.7K41发布于 2020-06-03 - 来自专栏生信技能树
学徒作业-在CCLE数据库里面根据指定基因在指定细胞系里面提取表达矩阵
5 其它细胞系药物作用数据库 提到细胞系药物作用数据库，最出名的是 Cancer Cell Line Encyclopedia (CCLE) 和 Cancer Genome Project (CGP ) / Genomics of Drug Sensitivity in Cancer (GDSC) 这两个： CCLE (www.broadinstitute.org/ccle/) GDSC/CGP ( 其中 GDSC 也就是 CGP，包含着4种数据。
1.9K50发布于 2020-03-18 - 来自专栏DrugOne
BioNet: 基于深度图卷积的大规模异质生物信息网络关系预测模型
然后，将这些子图重新整合为三个组合图：① CGP 图、② CGD 图和 ③ CGPD 图。 3 结果和讨论 BioNet在CGP、CGD和CGPD三个数据集上的所有性能指标（包AUROC、AUPRC和AP@20）的表现优于其他方法。 与基于GCN的模型相比，BioNet-CGP在AUROC上比GCN-Total提高了12.5%，在AUPRC上提高了17.1%，在AP@20上提高了31.5%。 图4显示了使用不同数量的GPU训练BioNet-CGP、BioNet-CGD和BioNet-CGPD所花费的时间。随着GPU 数量的增加，时间成本显着降低。 例如，当使用相同大小的数据集（BioNet-CGP）时，BioNet并行模型单个Epoch的计算时间减少了近7个小时。
74910编辑于 2022-03-25 - 来自专栏芯智讯
为降低成本，苹果A17处理器明年将改用台积电N3E工艺
虽然，N3的接触式栅极间距（Contacted Gate Pitch, CGP）为 45nm，是迄今为止最密集的工艺，领先于Intel 4的50nm CGP、三星4LPP的54nm CGP和台积电 N5 的51nm CGP。
33320编辑于 2023-08-09 - 来自专栏生信技能树
药物预测之相关性为什么不行
rm(list = ls()) library(pRRophetic) # exprMatCcle (ccleData) data(cgp2016ExprRma) dim(cgp2016ExprRma 57_2016) length(unique(drugData2016$Drug.name)) unique(drugData2016$Drug.name) 如下所示的表达量矩阵和药物信息 ： > cgp2016ExprRma drugData2016$Drug.name=='Bortezomib',] dim(Bort_drugs) kp = Bort_drugs$Cell.line.name %in% colnames(cgp2016ExprRma ) table(kp) Bort_drugs=Bort_drugs[kp,] pos=match( Bort_drugs$Cell.line.name ,colnames(cgp2016ExprRma ) ) Bort_ExprRma=cgp2016ExprRma[,pos] 可以看到 Genomics of Drug Sensitivity in Cancer (GDSC) 这个数据库里面虽然是有
1.5K20发布于 2021-10-12 - 来自专栏生信菜鸟团
使用R语言获取特定关键词的通路 （msigdb数据库）
方法一 ：假设我们对小鼠数据集感兴趣 点击小鼠的M2 这里面有subcategory的详细分类，比如 CGP CP:BIOCARTA CP:KEGG CP:REACTOME control+F网页搜索 # get all human gene sets msigdbr(species = "Homo sapiens") # get mouse C2 (curated) CGP genetic perturbations) gene sets msigdbr(species = "Mus musculus", category = "C2", subcategory = "CGP
1.8K10编辑于 2024-11-23 - 来自专栏生信技能树
为什么一定要是预后相关基因呢
在两个细胞系药物数据库找共有差异基因 提到细胞系药物作用数据库，最出名的是 Cancer Cell Line Encyclopedia (CCLE) 和 Cancer Genome Project (CGP ) / Genomics of Drug Sensitivity in Cancer (GDSC) 这两个： CCLE (www.broadinstitute.org/ccle/) GDSC/CGP ( 很简单，把两个数据库里面的乳腺癌细胞系区分 成为干性与否，进行差异分析即可： 干性与否的分组后差异分析 大家可以自己去下 GSE36139 (CCLE).和E-MTAB-783 (CGP).
51640编辑于 2021-12-27 - 来自专栏iOS 备忘录
Git分支管理对比
Cgp9HWBF-eaARQ3lAACY5uUYZq0336.png Cgp9HWBK-BSAHpViAAapoc7YA9U941.png 后续GitHub Pull Request的流程和Github
2K62发布于 2021-03-22 - 来自专栏闪电gogogo的专栏
IEEE Trans 2008 Gradient Pursuits论文学习
接下来解释一下CGP和ACGP的主要代码，CGP的代码没有看太懂。 CGP（代码名称为greed_omp_cgp） while~done DR(IN)=0; [v I]=max(abs(DR)); IN=[IN I]; k=k+1;
89790发布于 2018-01-08 - 来自专栏机器学习算法与Python学习
YouTube推荐！动画版机器学习过程 How Machines Learn ?
@CGP GREY发布了一个叫做 "How Machines Learn"的动画短视频，在短短几天被翻译成九种语言。
47460发布于 2018-06-25 - 来自专栏机器之心
让手机待机一周、性能两倍提升，IBM联合三星提出革命性新芯片架构
这种适合所有组件的物理空间被称为接触式栅极间距（Contacted Gate Pitch, CGP）。 一旦达到 CGP 的极限，也就没有扩展的空间了。 在晶圆上水平排列层的 FET 配置。需要使用图中蓝色虚拟隔离门来隔离浪费空间分离相邻电路。 由于垂直定向电流、栅极、空间和触点不再受传统方式的限制，我们有了更多空间扩展 CGP，同时保证了健康晶体管、触点和隔离（隔离和浅沟槽隔离，STI）的位置。
41010编辑于 2021-12-15
腾讯云开发者
