- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信修炼手册
GWAS中的genotype imputation简介
genotype imputation，称之为基因型填充，基本思想是利用单倍型来推断芯片未覆盖到的SNP位点的分型结果，在家系数据和独立样本的分析中都适用。家系样本基因型填充的过程示意如下 ? 以上示意图来自下列文献 Genotype Imputation https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2925172/ 从以上示意图可以看出，基因型填充有两个必要条件
1.9K20发布于 2019-12-19 - 来自专栏科技记者
Imputation会不会改变原来芯片的结果
最近测试illumina SNP芯片数据填充的时候发现，原来的数据是会被改变的，觉得这是一个小坑，在这里分享一下。当然，对于看整体的话，应该是影响不大的，毕竟它基本上是按照基因型频率和单倍体型的结果来给的。不过，对于个别比较重要的点，还是影响比较大的，在这里提醒大家注意下。先来看一下几个最主流流程中的版本中的参数情况。
70810发布于 2021-11-02 - 来自专栏Sentieon：文献解读
文献解读-Genome-wide imputation using the practical haplotype graph in the heterozyg
关键词：农业；基因测序；变异检测；文献简介标题（英文）：Genome-wide imputation using the practical haplotype graph in the heterozygous
25210编辑于 2024-09-03 - 来自专栏GWAS
基因型填充(Genotype-Imputation)：从原理到操作
Best Practices 2.3. 1000 Genomes Imputation Cookbook 2.3.1. Before Imputation 2.3.2. Imputation 1. 基因型填充 1.1. 常见imputation的基本逻辑包括两步： 1. 从目标位点/区域非缺失的位点中，总结这个区域的基因型规律，并分类。其实就是分析各个区域的单体型组成； 2. 填充后 (post-imputation) 质控 质控方法可以参照： Verma, S.S. et al. Genet. 5, 370 (2014). 2.3. 1000 Genomes Imputation Cookbook 2.3.1. Before Imputation (1).
3.4K00编辑于 2022-02-05 - 来自专栏生信修炼手册
Michigan Imputation Server:基因型填充的在线工具
得益于分析软件运行速度的不断提高，硬件资源消耗的不断优化，基因型填充这一计算量巨大的任务也出现了web服务，Michigan Imputation Server就是其中之一，网址如下 https://imputationserver.sph.umich.edu 3. pre-phasing and imputation 对于每个chunks, 进行pre-phasing和imputation ?
2.3K10发布于 2019-12-19 - 来自专栏科技记者
在线snp imputation网站知多少（三个中国人参考）
最近又搜索了下SNP imputation，发现随着中国人多个万人基因组项目的完成，我们自己的参考也已经建立，但是一般只局限在课题组内部，不公开，只提供了在线填充服务。 不过，这也是极好的，如果样本不多可以考虑用一下，暂时发现有3个，基本上都类似于Michigan Imputation Server的模式。 3.10万人汉族基因组计划（The Han100K Initiative） https://www.hanchinesegenomes.org/HCGD/analysis/imputation/introduction
1.4K20发布于 2021-08-20 - 来自专栏拓端tecdat
R语言分析协变量之间的非线性关系
variables: " [1] "Partially obs. variables: x2" [1] "Fully obs. substantive model variables: x1" [1] "Imputation 1" [1] "Imputing: x2 using x1,x1sq plus outcome" [1] "Imputation 2" [1] "Imputation 3" [1] "Imputation 2" [1] "Imputation 3" [1] "Imputation 4" [1] "Imputation 5" Warning message: In smcfcs.core(originaldata 1" [1] "Imputing: x2 using x1,x1sq plus outcome" [1] "Imputation 2" [1] "Imputation 3" [1] "Imputation 2" [1] "Imputation 3" [1] "Imputation 4" [1] "Imputation 5" Warning message: In smcfcs.core(originaldata
89610发布于 2020-07-17 - 来自专栏拓端tecdat
R语言用多重插补法估算相对风险
variables: " [1] "Partially obs. variables: x2" [1] "Fully obs. substantive model variables: x1" [1] "Imputation missing outcomes using specified substantive model." [1] "Imputing: x2 using x1 plus outcome" [1] "Imputation 2" [1] "Imputation 3" [1] "Imputation 4" [1] "Imputation 5" [1] "Imputation 6" [1] "Imputation 7" [1] "Imputation 8" [1] "Imputation 9" [1] "Imputation 10" Warning message: In smcfcs.core(originaldata
56120发布于 2020-07-17 - 来自专栏DeepHub IMBA
如何应对缺失值带来的分布变化？探索填充缺失值的最佳插补算法
实现这一点的著名的方法称为链式方程多重插补（Multiple Imputation by Chained Equations, MICE）：首先使用简单的插补方法填充值，例如均值插补。 is.na(X[,1]),c("X2","X1")], main=paste("Regression Imputation"), cex=0.8, col="darkblue", cex.main=1.5 is.na(X[,1]),c("X2","X1")], main=paste("Gaussian Imputation"), col="darkblue", cex.main=1.5) points( (impnorm))$coefficients["X1"],2) ## beta= 0.71 ## Truth imputation estimate round(lm(X2~X1, data 最后本文引用的论文: What Is a Good Imputation Under MAR Missingness?
1.5K10编辑于 2024-06-17 - 来自专栏生信补给站
空转|CARD-结合scRNA解决空间转录组spot注释，还能增强空间精度？！
= NULL) # if not provide, we will use the default colors p4 四 提升空间图谱精度 开头提到过CARD注释spot外，还提供了CARD.imputation 4.1，imputation 函数推断精度 #1. Imputation on the newly grided spatial locations # CARD_obj = CARD.imputation(CARD_obj,NumGrids = 2000 If not, the user can provide the row names of the excluded spatial location data into the CARD.imputation function location_imputation = cbind.data.frame(x=as.numeric(sapply(strsplit(rownames(CARD_obj@refined_prop
2.3K20编辑于 2023-08-25 - 来自专栏时空探索之旅
IJCAI 2025 | 时间序列(Time Series)论文总结
Causal View of Time Series Imputation: Some Identification Results on Missing Mechanism 8. MMNet: Missing-Aware and Memory-Enhanced Network for Multivariate Time Series Imputation 19. General Incomplete Time Series Analysis via Patch Dropping Without Imputation Survey Track 23. Deep Learning for Multivariate Time Series Imputation: A Survey 25. Qi, Zirui Zhuang, Lei Zhang, Jianxin Liao, Jingyu Wang 关键词：预测，多模态，LLM 7 Causal View of Time Series Imputation
1.2K10编辑于 2025-07-24 - 来自专栏单细胞
单细胞scMetabolism代谢相关通路分析学习和整理
load("scRNA.Rdata") # V5 data2.V5版本(需修改代码)sc.metabolism.SeuratV5 <- function (obj, method = "VISION", imputation "REACTOME") { gmtFile <- signatures_REACTOME_metab cat("Your choice is: REACTOME\n") } if (imputation == F) { countexp2 <- countexp } if (imputation == T) { cat("Start imputation... Zero-preserving imputation of scRNA-seq data using low-rank approximation. bioRxiv. doi: https://doi.org method = "AUCell", # VISION、AUCell、ssgsea和gsva imputation
1.1K10编辑于 2024-10-02 - 来自专栏生物信息学、python、R、linux
缺失值的处理方法(基于sklearn)
Imputation Imputation就是用每一列的均值/中位数/最大频率的数等去补充缺失值。值得注意的是对于valid的数据而言，fit的时候仍然要用train的数据。
1.5K20发布于 2020-10-26 - 来自专栏技术学习
单细胞代谢分析scMetabolism包
# 自定义sc.metabolism.SeuratV5函数 sc.metabolism.SeuratV5 <- function (obj, method = "VISION", imputation REACTOME") { gmtFile <- signatures_REACTOME_metab cat("Your choice is: REACTOME\n") } if (imputation == F) { countexp2 <- countexp } if (imputation == T) { cat("Start imputation... Zero-preserving imputation of scRNA-seq data using low-rank approximation. bioRxiv. doi: https://doi.org VISION\AUCell \ssgsea \gsva ●imputation允许用户选择在新陈代谢评分前输入数据。 ●ncores是并行计算线程的数量。
31810编辑于 2026-01-26 - 来自专栏深度学习|机器学习|歌声合成|语音合成
R建立一个临床预测分类
"Time_death", "Status_death", "haz_os") clomns <- colnames(data) # create a new dataset for imputation factor(data.impu$Va) data.impu$LaaVa <- factor(data.impu$LaaVa) # see all the default settings for imputation method meth <- impu_default$meth meth # imputation method can be changed manually # imputation # single imputation (m=1) imputation <- mice(data.impu, maxit = 25, m = 1, seed = 1234, pred = pred, meth = meth, print = TRUE) data_single <- mice::complete(imputation, 1) nrow(data_single) summary(data_single
92610发布于 2021-01-14 - 来自专栏科技记者
全球生物样本库荟萃分析倡议 (GBMI)+整理的一个github的repo
Biobanks_summary_statistics[6] 这是我最近收集的一个可用的 PheWeb 网站和生物样本库项目，在以下文件中列出： Datasets.md [7]生物样本库 summary_statistics Imputation_refer_server.md [7] Datasets.md : https://github.com/zd200572/Biobanks_summary_statistics/blob/main/Datasets.md [8] Imputation_refer_server.md : https://github.com/zd200572/Biobanks_summary_statistics/blob/main/Imputation_refer_server.md
73911编辑于 2024-01-02 - 来自专栏北野茶缸子的专栏
102-R数据整理12-缺失值的高级处理：用mice进行多重填补
参考： amices/mice: Multivariate Imputation by Chained Equations (github.com)[1] R学习笔记 | mice包：缺失值插补 (qq.com 比如multivariate imputation by chained equations (MICE) 方法： 1-查看缺失值 1.1-基本方法 这里首先利用自带数据集airquality 制造假数据 Flexible Imputation of Missing Data. Chapman & Hall/CRC, Boca Raton, FL. Chapters 1–6, 10. http://www.crcpress.com/product/isbn/978143986824 4-多重填补法 多重填补法（Multiple Imputation Flexible Imputation of Missing Data. Chapman & Hall/CRC, Boca Raton, FL.
9.3K30编辑于 2022-04-05 - 来自专栏深度学习|机器学习|歌声合成|语音合成
R语言实战：心血管病分析实例
init_data.csv') data <- data_exercise summary(data) clomns <- colnames(data) # create a new dataset for imputation factor(data.impu$Va) data.impu$LaaVa <- factor(data.impu$LaaVa) # see all the default settings for imputation method meth <- impu_default$meth meth # imputation method can be changed manually # imputation # single imputation (m=1) imputation <- mice(data.impu, maxit = 25, m = 1, seed = 1234, pred = pred, meth = meth, print = TRUE) data_single <- mice::complete(imputation, 1) nrow(data_single) summary(data_single
1K30发布于 2021-01-14 - 来自专栏生信技能树
单细胞转录组可以这样简单计算相关性吗
数据插补（Imputation）： 对于dropout导致的零值，可以使用不同的插补方法来估计基因的真实表达水平。 如果大家的单细胞数量足够多，其实比较推荐Metacells方法，备选项就是Imputation啦，但是Imputation算法实在是太多了。 而且面对10x这样的单细胞转录组技术有95%的0值，大多数Imputation算法表现差强人意。
71810编辑于 2024-07-05 - 来自专栏时空探索之旅
VLDB 2024 | 时空数据（Spatial-temporal）论文总结
Trajectory Recovery with Irregular Time Intervals KAMEL: A Scalable BERT-based System for Trajectory Imputation Measurement: An Efficiency Perspective Nuhuo: An Effective Estimation Model for Traffic Speed Histogram Imputation Chen, Gao Cong, Cuauhtemoc Anda 关键词：轨迹恢复，不规则采样 TERI KAMEL: A Scalable BERT-based System for Trajectory Imputation Jensen, Jianzhong Qi 关键词：轨迹相似度计算，效率评估 Nuhuo: An Effective Estimation Model for Traffic Speed Histogram Imputation
42710编辑于 2024-12-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号