生物信息學/基因組學 – NVIDIA 技術博客

借助 RAPIDS 單細胞技術推動十億細胞分析和生物學突破

Thu, 12 Jun 2025 07:56:29 +0000

細胞生物學和虛擬細胞模型的未來取決于大規模測量和分析數據。在過去 10 年里，單細胞實驗一直以驚人的速度增長，從數百個細胞開始，現在轉向使用數十億個細胞進行新的數據生成工作。虛擬細胞模型還生成了數十億個虛擬細胞。大量數據和新開發的模型將幫助科學家發現新的生物學、開發新的療法，以及研究和闡明疾病和衰老的進展。數據處理和分析是下游生物解釋和模型構建的關鍵。隨著數據的極端增長，出現了兩個關鍵的數據處理挑戰，極大地限制了對這些大規模數據集的科學認識和解釋：歸一化、降維、聚類和批量集成等分析步驟對于單細胞數據分析、解釋和模型開發至關重要。RAPIDS-singlecell 是一款經MIT許可的開源工具，由scverse開發，可應對數據規模和分析速度方面的挑戰。它通過CuPy和NVIDIA RAPIDS利用GPU加速，直接在社區標準AnnData數據結構上運行。

Source

]]>

聚焦：Atgenomix SeqsLab 提升健康組學分析以支持精準醫療

Mon, 19 May 2025 05:31:48 +0000

在傳統的臨床醫學實踐中，治療決策通常基于一般準則、以往經驗和試錯方法。如今，隨著電子病歷 (EMRs) 和基因組數據的訪問，精準醫療的新時代正在興起，即以前所未有的準確性為單個患者量身定制治療方法。精準醫療是一種創新的醫療保健方法，通過考慮基因組中的個體可變性來定制疾病預防和治療。本文將探討 Atgenomix SeqsLab 平臺如何使用 NVIDIA Parabricks 和 RAPIDS Accelerator for Apache Spark (Spark-RAPIDS) 來集成健康組學見解或大規模生物數據。這種集成使精準醫療的應用范圍更廣，超越理論，走向實用、廣泛的臨床應用。 EMR 與基因組測序和其他健康組學數據的集成具有極高的計算要求。單個全基因組測序 (WGS) 數據集的每個患者容量可超過 300 GB，并且與蛋白質組學、

Source

]]>

借助 NVIDIA Parabricks 和 NVIDIA AI Blueprints，將基因組學和單細胞分析時間縮短至幾分鐘

Fri, 21 Mar 2025 09:13:19 +0000

NVIDIA Parabricks 是一款可擴展的基因組學分析軟件套件，通過加速計算和深度學習解決 omics 挑戰，實現新的科學突破。 NVIDIA Parabricks v4.5 在 NVIDIA GTC 2025 上發布，通過支持最新的 NVIDIA GPU 架構，并通過結合使用 Giraffe 和 DeepVariant 來改進對齊和變體識別，從而支持不斷增長的數據量。該版本還包括改進的功能，并縮短了跨多個行業領先工具 (包括 STAR、FQ2BAM 和 Minimap2) 的分析時間。 Parabricks v4.5 隨附用于基因組學和單細胞分析的全新 NVIDIA AI Blueprints，使生物信息學家和基因組學平臺提供商能夠輕松部署和測試 NVIDIA Parabricks 和 NVIDIA RAPIDS，而無需本地 GPU 或自管理云配置。通過擴展可訪問性，

Source

]]>

利用 Oracles 和實驗反饋指導生成式分子設計

Wed, 19 Mar 2025 08:56:53 +0000

AI 生成化學有可能徹底改變科學家在藥物研發、健康以及材料科學和工程領域的工作方式。研究人員無需借助“化學直覺”手動設計分子或篩選數百萬種現有化學物質，而是可以訓練神經網絡來提出適合所需特性的新型分子結構。這種能力開辟了廣闊的化學空間，這是以前無法系統探索的。雖然一些早期成功表明，生成式 AI 有望通過提出化學家可能沒有考慮過的創造性解決方案來加速創新，但這些成功只是一個開始。生成式 AI 還不是分子設計的靈丹妙藥，將 AI 建議的分子轉化為現實世界通常比一些標題所顯示的困難得多。虛擬設計與現實世界影響之間的差距是當今 AI 驅動的分子設計面臨的核心挑戰。計算生成式化學模型需要實驗反饋和分子模擬來確認其設計的分子是否穩定、可合成且具有功能性。與自駕駛汽車一樣，AI 必須經過真實駕駛數據或高保真模擬的訓練和驗證，才能在不可預測的道路上行駛。

Source

]]>

借助 AI 驅動的細胞分析技術推進罕見疾病檢測

Wed, 29 Jan 2025 05:31:21 +0000

由于傳統基因組測序的局限性，罕見疾病很難診斷。哥倫比亞大學助理教授 Wolfgang Pernice 正在使用 AI 驅動的細胞分析來彌合這些差距，并推動個性化醫療的發展。在 NVIDIA GTC 2024 大會上，Pernice 分享了他的實驗室對 Charcot-Marie-Tooth (CMT) 和線粒體疾病等疾病的研究成果。他的團隊開發了 CellNet，這是一種 AI 驅動的系統，使用患者細胞的高分辨率圖像來識別與疾病相關的細微模式，從而實現準確診斷并制定新的治療策略。基因組醫學一直致力于將診斷轉化為個性化的治療或治療方法。雖然取得了一些進展，但許多患有 7,000 種已知罕見遺傳病之一的患者仍然需要有效的治療方法。Pernice 的實驗室正在利用計算機視覺和深度學習來解決罕見疾病診斷和治療中的主要障礙，從而致力于更快速、更可擴展的基因組醫學方法。

Source

]]>

用于空間組學的細胞成像特征提取和形態聚類

Wed, 24 Jul 2024 07:43:47 +0000

VISTA-2D 是 NVIDIA 的新基礎模型，可以快速準確地執行細胞分割，這項基本任務在細胞成像和空間組學工作流程中至關重要，對所有下游任務的準確性至關重要。 VISTA-2D 模型使用圖像編碼器創建圖像嵌入，然后將其轉換為分割蒙版（圖 1）。這些嵌入必須包含每個細胞的形態信息。如果可以為每個細胞分割生成嵌入，則可以在所有嵌入上運行聚類，以自動將具有類似形態的細胞分組。在本文中，我將帶您深入了解隨附的 Jupyter Notebook，以展示如何使用這些工具首先分割細胞并使用 VISTA-2D 提取其空間特征，然后使用 RAPIDS。這將創建一個自動化流程來快速分類細胞類型。要學習本教程，您需要以下資源：此 Jupyter Notebook 的代碼位于 /clara-parabricks-workflows/

Source

]]>

借助 Geneformer AI 模型，有限數據也能解鎖基因網絡

Mon, 15 Jul 2024 05:20:21 +0000

Geneformer 是最近推出的和功能強大的 AI 模型，可以通過從大量單細胞轉錄組數據中進行遷移學習來學習基因網絡動力學和相互作用。借助此工具，研究人員可以在數據有限的情況下準確預測基因行為和疾病機制，從而加速藥物目標的發現，并提高對各種生物學背景下復雜基因網絡的理解。 AI 模型 Geneformer 由麻省理工學院和哈佛大學博德研究所的研究人員及其合作者開發，該模型使用 sc-RNA 表達數據中表達最高的基因生成每個細胞的密集表示，這些表示可以用作各種下游預測任務的特征。然而，Geneformer 的獨特之處在于其架構所支持的功能，即使在使用很少的數據進行訓練時也是如此。 Geneformer 具有類似 BERT 的 Transformer 架構，并基于來自各種人體組織中大約 3000 萬個單細胞轉錄組的數據進行了預訓練。

Source

]]>

借助 NVIDIA AI 基礎模型 VISTA-2D 推進細胞分割和形態分析

Mon, 22 Apr 2024 04:39:27 +0000

基因組學研究人員使用不同的測序技術來更好地理解生物系統，包括單細胞和空間組學。與從細胞層面查看數據的單細胞不同，空間組學考慮了數據的位置，并考慮到用于分析的空間環境。隨著基因組學研究人員尋求在組織層面跨多個組學對生物系統進行建模，空間組學領域正在推動一種新的范式，即在空間環境中詢問細胞的方法。大多數這些空間組學方法都依賴于成像，以便在不分離細胞與組織的情況下查看標記 (如光標記)。這些標簽可以應用于不同的分子 (例如 RNA 和蛋白質)，并保留其起源細胞的空間信息以及細胞在組織中的位置。這種成熟的細胞動力學建模方法正在推動對發展和疾病的新理解，并標志著研究人員激動人心的范式轉變。 NanoString 等空間組學提供商利用 NVIDIA GPU 并加速其 CosMx SMI 設備上的計算，以應對這些挑戰。空間組學技術 (CosMx 空間分子成像)…

Source

]]>