將加速基因組分析擴(kuò)展到RNA 、基因面板和注釋
NVIDIA Clara Parabricks v3 的發(fā)布。 6 去年夏天，在 全基因組和全外顯子組測序分析綜合工具包 中添加了多個(gè)加速體細(xì)胞變異調(diào)用者和用于注釋和質(zhì)量控制 VCF 文件的新工具。
在 2022 年 1 月發(fā)布的 Clara Parabricks v3 中。 7.NVIDIA 將工具包的范圍擴(kuò)展到新的數(shù)據(jù)類型，同時(shí)繼續(xù)改進(jìn)現(xiàn)有工具：
增加了對 RNASeq 分析的支持
通過加速實(shí)施 Fulcrum Genomics 的fgbio管道，增加了對基于 UMI 的基因面板分析的支持
增加了對mutect2正常面板（ PON ）過濾的支持，使加速mutectcaller符合 GATK 調(diào)用腫瘤正常樣本的最佳實(shí)踐
合并了一個(gè)bam2fq方法，該方法可以加速讀取到新引用的重新對齊
使用ExpansionHunter增加了對短串聯(lián)重復(fù)分析的支持
將呼叫后 VCF 分析步驟加快 15 倍
更新了HaplotypeCaller以匹配 GATK v4.1 ，并將DeepVariant更新為 v1.1
Clara Parabricks v3.7 顯著拓寬了 Clara Parabricks 的功能范圍，同時(shí)繼續(xù)投資于領(lǐng)先的全基因組和全外顯子組管道領(lǐng)域。
使參考基因組與 bam2fq 和 fq2bam 重新對齊
為了解決人類參考基因組的最新更新問題，并使重新排列讀數(shù)便于大型研究， NVIDIA 開發(fā)了一種新的bam2fq工具。 Parabricks bam2fq可以從 BAM 文件中提取 FASTQ 格式的讀取數(shù)據(jù)，為 GATK SamToFastq或bazam等工具提供了一個(gè)加速的替代品。
與 Parabricks fq2bam相結(jié)合，您可以使用八個(gè) NVIDIA V100 GPU 在 90 分鐘內(nèi)將一個(gè) 30 倍 BAM 文件從一個(gè)引用（例如 hg19 ）完全重新對齊到一個(gè)更新的引用（ hg38 或 CHM13 ）。內(nèi)部基準(zhǔn)測試表明，與僅依賴 hg19 相比，重新調(diào)整到 hg38 并重新運(yùn)行變體調(diào)用可以在一瓶 HG002 真值集中捕獲基因組中數(shù)千個(gè)真正的陽性變體。
重新調(diào)整后的變體調(diào)用的改進(jìn)幾乎與最初與 hg38 一致。雖然這個(gè)工作流程以前是可行的，但它的速度非常慢。 NVIDIA 最終將參考基因組更新應(yīng)用于 Clara Parabricks 中最大的 WGS 研究。
| ############# | |
| ## Download the 30X hg19-aligned bam from Google's public sequencing of HG002 | |
| ## and the respective BAI file. | |
| ############# | |
| wget https://storage.googleapis.com/brain-genomics-public/research/sequencing/grch37/bam/hiseqx/wgs_pcr_free/30x/HG002.hiseqx.pcr-free.30x.dedup.grch37.bam | |
| wget https://storage.googleapis.com/brain-genomics-public/research/sequencing/grch37/bam/hiseqx/wgs_pcr_free/30x/HG002.hiseqx.pcr-free.30x.dedup.grch37.bam.bai | |
| ############# | |
| ## Prepare the references so we can realign reads | |
| ############# | |
| ## Download the original hg19 / hsd37d5 reference | |
| ## and create and FAI index | |
| wget ftp://ftp-trace.ncbi.nih.gov/1000genomes/ftp/technical/reference/phase2_reference_assembly_sequence/hs37d5.fa.gz | |
| gunzip hs37d5.fa.gz | |
| samtools faidx hs37d5.fa | |
| ## Download GRCh38 | |
| wget ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCA/000/001/405/GCA_000001405.15_GRCh38/seqs_for_alignment_pipelines.ucsc_ids/GCA_000001405.15_GRCh38_no_alt_analysis_set.fna.gz | |
| gunzip GCA_000001405.15_GRCh38_no_alt_analysis_set.fna.gz | |
| ## Make a .fai index using samtools faidx | |
| samtools faidx GCA_000001405.15_GRCh38_no_alt_analysis_set.fna | |
| ## Create the BWA indices | |
| bwa index GCA_000001405.15_GRCh38_no_alt_analysis_set.fna | |
| ## Download the Gold Standard indels from 1kg to use as your known-sites file. | |
| wget https://storage.googleapis.com/genomics-public-data/resources/broad/hg38/v0/Mills_and_1000G_gold_standard.indels.hg38.vcf.gz | |
| ## Also grab the tabix index for the file | |
| wget https://storage.googleapis.com/genomics-public-data/resources/broad/hg38/v0/Mills_and_1000G_gold_standard.indels.hg38.vcf.gz.tbi | |
| ############ | |
| ## Run the bam2fq tool to extract reads from the BAM file | |
| ## Adjust the --num-threads argument to reflect the number of cores on your system. | |
| ## With 8 GPUs and 64 vCPUs this should take ~45 minutes. | |
| ############ | |
| time pbrun bam2fq \ | |
| --ref hs37d5.fa \ | |
| --in-bam HG002.hiseqx.pcr-free.30x.dedup.grch37.bam \ | |
| --out-prefix HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq \ | |
| --num-threads 64 | |
| ############## | |
| ## Run the fq2bam tool to align reads to GRCh38 | |
| ############## | |
| time pbrun fq2bam \ | |
| --in-fq HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq_1.fastq.gz HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq_1.fastq.gz \ | |
| --ref Homo_sapiens_assembly38.fasta \ | |
| --knownSites Mills_and_1000G_gold_standard.indels.hg38.vcf.gz \ | |
| --out-bam HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.bam \ | |
| --out-recal-file HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.BQSR-REPORT.txt |
?by?RNASeq 轉(zhuǎn)錄本定量和融合調(diào)用 Clara Parabricks 的更多選項(xiàng)
在 3.7 版中， Clara Parabricks 還添加了兩個(gè)用于 RNASeq 分析的新工具。
轉(zhuǎn)錄本定量是對 RNASeq 數(shù)據(jù)進(jìn)行的最有效的分析之一。 Kallisto 是一種基于偽比對的快速表達(dá)量化方法。雖然 Clara Parabricks 已經(jīng)將 STAR 納入了 RNASeq 比對，但 Kallisto 添加了一種補(bǔ)充方法，可以運(yùn)行得更快。
融合調(diào)用是另一種常見的 RNASeq 分析。在 Clara Parabricks 3.7 中， Arriba 提供了第二種方法，用于根據(jù)星形對齊器的輸出調(diào)用基因融合。與恒星聚變相比，阿里巴可以調(diào)用更多類型的事件，包括：
病毒整合位點(diǎn)
內(nèi)部串聯(lián)復(fù)制
全外顯子重復(fù)
環(huán)狀 RNA
涉及免疫球蛋白和 T 細(xì)胞受體位點(diǎn)的增強(qiáng)子劫持事件
內(nèi)含子和基因間區(qū)域中的斷點(diǎn)
Kallisto 和 Arriba 的加入使 Clara Parabricks 成為許多轉(zhuǎn)錄組分析的綜合工具包。
簡化和加速基因面板和 UMI 分析
雖然全基因組和全外顯子組測序在研究和臨床實(shí)踐中越來越普遍，但基因面板在臨床領(lǐng)域占據(jù)主導(dǎo)地位。
基因小組工作流程通常使用獨(dú)特的分子標(biāo)識符（ UMI ）連接到讀取，以提高低頻突變的檢測極限。NVIDIA 加速了 Fulcrum Genomics fgbio UMI 管道，并將八步管道整合到 v3 中的單個(gè)命令中。 7 ，支持多種 UMI 格式。
圖 1 。 Fulcrum Genomics Fgbio-UMI 管道通過對 Clara Parabricks 的一個(gè)命令加速
使用 ExpansionHunter 檢測短串聯(lián)重復(fù)序列中的變化
短串聯(lián)重復(fù)序列（ STR ）是某些神經(jīng)系統(tǒng)疾病的公認(rèn)原因，也是法醫(yī)學(xué)和群體遺傳學(xué)研究中指紋樣本的重要標(biāo)記。
NVIDIA 通過在 3.7 版中添加對ExpansionHunter的支持，在 Clara Parabricks 中實(shí)現(xiàn)了這些位點(diǎn)的基因分型?，F(xiàn)在完全使用 Clara Parabricks 命令行界面就可以輕松地從原始讀取轉(zhuǎn)換為基因型 STR 。
利用 PON 支持改善靜音體細(xì)胞突變通話
根據(jù)已知正常樣本中的一組突變篩選體細(xì)胞突變調(diào)用是一種常見做法，也稱為正常組（ PON ）。 NVIDIA 在mutectcaller工具中增加了對公共 PON 集和自定義 PON 的支持，該工具現(xiàn)在為體細(xì)胞突變呼叫提供了 GATK 最佳實(shí)踐的加速版本。
加速呼叫后 VCF 注釋和質(zhì)量控制
在 v3 中。在第 6 版中， NVIDIA 添加了vbvm、vcfanno、frequencyfiltration、vcfqc和vcfqcbybam工具，使呼叫后 VCF 合并、注釋、過濾、過濾和質(zhì)量控制更易于使用。
v3 。 7 版本通過完全重寫vbvm、vcfqc和vcfqcbybam的后端對這些工具進(jìn)行了改進(jìn)，所有這些工具現(xiàn)在都更加健壯，速度提高了 15 倍。
| #!/bin/bash | |
| ######################## | |
| ## In this gist, we'll reuse the commands from our 3.6 tutorial to align reads and generate BAM files. | |
| ## Check out the full post at https://medium.com/@johnnyisraeli/accelerating-germline-and-somatic-genomic-analysis-of-whole-genomes-and-exomes-with-nvidia-clara-e3deeae2acc9 | |
| and Gists at: | |
| ## https://gist.github.com/edawson/e84b2785db75d3c0aea9cc6a59969d45#file-full_pipeline_and_data_prep_parabricks3-6-sh | |
| ## and | |
| ## https://gist.github.com/edawson/e84b2785db75d3c0aea9cc6a59969d45#file-step_1_align_reads_parabricks3-6-sh | |
| ########### | |
| ########### | |
| ## We'll run this tutorial on a GCP VM with 64 vCPUs, 240GB of RAM, and 8x NVIDIA V100 GPUs | |
| ## To save costs, you can also run this on a GCP VM with 32 vCPUS, 120GB of RAM, and 4x V100 GPUs | |
| ########### | |
| ## After aligning our reads, we'll rerun the variant calling stages of our past gist | |
| ## since we've updated the haplotypecaller and DeepVariant tools. We'll | |
| ## also run Strelka2 as an additional variant caller. | |
| ## | |
| ## After that, we'll merge our VCFs to generate a union callset and an intersection VCF | |
| ## with variants called by all three variant callers, annotate our new intersection VCF, | |
| ## and remove variants that fail certain criteria for population frequency. | |
| ## Finally, we'll run our vcfqc and vcfqcbybam tools to generate simple quality control reports. | |
| ############# | |
| ################ | |
| ## HaplotypeCaller | |
| ## This step should take roughly 15 minutes on our 8xV100 VM. | |
| ################ | |
| time pbrun haplotypecaller \ | |
| --ref ~/refs/Homo_sapiens_assembly38.fasta \ | |
| --in-bam HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.bam \ | |
| --in-recal-file HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.BQSR-REPORT.txt \ | |
| --out-variants HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.haplotypecaller.vcf | |
| ################ | |
| ## DeepVariant | |
| ## This step should take approximately 20 minutes on an 8xV100 VM | |
| ################ | |
| time pbrun deepvariant \ | |
| --ref Homo_sapiens_assembly38.fasta \ | |
| --in-bam HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.bam \ | |
| --out-variants HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.deepvariant.vcf | |
| ############### | |
| ## Strelka | |
| ## This step should take ~10 minutes on a 64-core VM. | |
| ############### | |
| time pbrun strelka \ | |
| --ref Homo_sapiens_assembly38.fasta \ | |
| --in-bams HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.bam \ | |
| --out-prefix HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.strelka \ | |
| --num-threads 64 | |
| ## Copy strelka results to current directory. | |
| cp HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.strelka.strelka_work/results/variants/variants.vcf.gz* . | |
| ## BGZIP and tabix-index the deepvariant VCFs | |
| bgzip -@16 HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.deepvariant.vcf | |
| tabix HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.deepvariant.vcf.gz | |
| ## BGZIP and tabix index the haplotypecaller VCFs | |
| bgzip -@16 HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.haplotypecaller.vcf | |
| tabix HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.haplotypecaller.vcf.gz | |
| ## Run the votebasedvcfmerger tool to generate a union and intersection VCF. | |
| time pbrun votebasedvcfmerger \ | |
| --in-vcf strelka:variants.vcf.gz \ | |
| --in-vcf deepvariant:HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.deepvariant.vcf.gz \ | |
| --in-vcf haplotypecaller:HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.pb.haplotypecaller.vcf.gz \ | |
| --min-votes 3 | |
| --out-dir HG002.realign.vbvm | |
| ## The HG002.realign.vbvm directory should now contain a | |
| ## unionVCF.vcf file with the union callset of HaplotypeCaller, Strelka, and DeepVariant | |
| ## and aa filteredVCF.vcf file with only calls produced by all three callers. | |
| ## Annotate the intersection VCF with gnomAD, ClinVar, 1000 Genomes | |
| ## Download our annotation VCFs and tabix indices | |
| wget https://ftp.ncbi.nlm.nih.gov/pub/clinvar/vcf_GRCh38/clinvar.vcf.gz | |
| wget https://ftp.ncbi.nlm.nih.gov/pub/clinvar/vcf_GRCh38/clinvar.vcf.gz.tbi | |
| wget https://storage.googleapis.com/gcp-public-data--gnomad/release/2.1.1/liftover_grch38/vcf/exomes/gnomad.exomes.r2.1.1.sites.liftover_grch38.vcf.bgz | |
| wget https://storage.googleapis.com/gcp-public-data--gnomad/release/2.1.1/liftover_grch38/vcf/exomes/gnomad.exomes.r2.1.1.sites.liftover_grch38.vcf.bgz.tbi | |
| wget http://ftp.1000genomes.ebi.ac.uk/vol1/ftp/data_collections/1000_genomes_project/release/20181203_biallelic_SNV/ALL.wgs.shapeit2_integrated_v1a.GRCh38.20181129.sites.vcf.gz | |
| wget http://ftp.1000genomes.ebi.ac.uk/vol1/ftp/data_collections/1000_genomes_project/release/20181203_biallelic_SNV/ALL.wgs.shapeit2_integrated_v1a.GRCh38.20181129.sites.vcf.gz.tbi | |
| ## Download an Ensembl GTF to annotate the VCF file with gene names | |
| wget http://ftp.ensembl.org/pub/release-105/gtf/homo_sapiens/Homo_sapiens.GRCh38.105.gtf.gz | |
| ## Unzip the GTF file and add the "chr" prefix to the chromosome names (Ensembl excludes this prefix by default. | |
| gunzip Homo_sapiens.GRCh38.105.gtf.gz | |
| awk '{if($0 !~ /^#/) print "chr"$0; else print $0}' Homo_sapiens.GRCh38.105.gtf > Homo_sapiens.GRCh38.105.chr.gtf | |
| time pbrun snpswift \ | |
| --input-vcf HG002.realign.vbvm/filteredVCF.vcf \ | |
| --anno-vcf 1000Genomes:ALL.wgs.shapeit2_integrated_v1a.GRCh38.20181129.sites.vcf.gz \ | |
| --anno-vcf gnomad_v2.1.1:gnomad.exomes.r2.1.1.sites.liftover_grch38.vcf.bgz \ | |
| --anno-vcf ClinVar:clinvar.vcf.gz \ | |
| --ensembl Homo_sapiens.GRCh38.105.chr.gtf \ | |
| --output-vcf HG002.realign.3callers.annotated.vcf | |
| ################## | |
| ## frequencyfiltration | |
| ## Next we'll filter our VCF to remove variants with 1000Genomes allele frequency > 0.05 | |
| ## and gnomAD AF < 0.05 | |
| ################## | |
| time pbrun frequencyfiltration \ | |
| --in-vcf HG002.realign.3callers.annotated.vcf \ | |
| --and-expression "1000Genomes_AF < 0.05" \ | |
| --and-expression "gnomad_v2.1.1_AF < 0.05" \ | |
| --out-vcf HG002.realign.3callers.annotated.filtered.vcf | |
| ################## | |
| ## Finally, we'll run our automated vcfqc tool to generate some | |
| ## basic QC stats. The vcfqcbybam tool could also be run | |
| ## to produce QC stats using an auxilliary BAM file (e.g., when variant calls don't have the desired fields). | |
| ################## | |
| time pbrun vcfqc --in-vcf HG002.realign.3callers.annotated.filtered.vcf \ | |
| --output-dir HG002.realign.3callers.annotated.filtered.qc \ | |
| --depth haplotypecaller_DP --allele-depth deepvariant_AD |
總結(jié)
帶有 Clara Parabricks v3 。 7 .NVIDIA 致力于使 Parabricks 成為加速基因組數(shù)據(jù)分析的最全面解決方案。它是 WGS 、 WES 和現(xiàn)在的 RNASeq 分析以及基因面板和 UMI 數(shù)據(jù)的廣泛工具包。
關(guān)于作者
Eric Dawson 是一位生物信息學(xué)科學(xué)家，他開發(fā)了種系和體細(xì)胞基因組分析的加速方法。在加入 NVIDIA 之前， Dawson 博士在劍橋大學(xué)和國家癌癥研究所完成了博士學(xué)位。
Johnny Israeli 是NVIDIA 基因組學(xué)和藥物發(fā)現(xiàn)軟件的經(jīng)理。他在斯坦福大學(xué)獲得了博士學(xué)位，由 Anshul Kundaje 擔(dān)任顧問，他的論文專注于基因組學(xué)的深入學(xué)習(xí)。他擁有勘薩斯大學(xué)物理學(xué)碩士和數(shù)學(xué)學(xué)士學(xué)位。
審核編輯：郭婷
| ############# | |
| ## Download the 30X hg19-aligned bam from Google's public sequencing of HG002 | |
| ## and the respective BAI file. | |
| ############# | |
| wget https://storage.googleapis.com/brain-genomics-public/research/sequencing/grch37/bam/hiseqx/wgs_pcr_free/30x/HG002.hiseqx.pcr-free.30x.dedup.grch37.bam | |
| wget https://storage.googleapis.com/brain-genomics-public/research/sequencing/grch37/bam/hiseqx/wgs_pcr_free/30x/HG002.hiseqx.pcr-free.30x.dedup.grch37.bam.bai | |
| ############# | |
| ## Prepare the references so we can realign reads | |
| ############# | |
| ## Download the original hg19 / hsd37d5 reference | |
| ## and create and FAI index | |
| wget ftp://ftp-trace.ncbi.nih.gov/1000genomes/ftp/technical/reference/phase2_reference_assembly_sequence/hs37d5.fa.gz | |
| gunzip hs37d5.fa.gz | |
| samtools faidx hs37d5.fa | |
| ## Download GRCh38 | |
| wget ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCA/000/001/405/GCA_000001405.15_GRCh38/seqs_for_alignment_pipelines.ucsc_ids/GCA_000001405.15_GRCh38_no_alt_analysis_set.fna.gz | |
| gunzip GCA_000001405.15_GRCh38_no_alt_analysis_set.fna.gz | |
| ## Make a .fai index using samtools faidx | |
| samtools faidx GCA_000001405.15_GRCh38_no_alt_analysis_set.fna | |
| ## Create the BWA indices | |
| bwa index GCA_000001405.15_GRCh38_no_alt_analysis_set.fna | |
| ## Download the Gold Standard indels from 1kg to use as your known-sites file. | |
| wget https://storage.googleapis.com/genomics-public-data/resources/broad/hg38/v0/Mills_and_1000G_gold_standard.indels.hg38.vcf.gz | |
| ## Also grab the tabix index for the file | |
| wget https://storage.googleapis.com/genomics-public-data/resources/broad/hg38/v0/Mills_and_1000G_gold_standard.indels.hg38.vcf.gz.tbi | |
| ############ | |
| ## Run the bam2fq tool to extract reads from the BAM file | |
| ## Adjust the --num-threads argument to reflect the number of cores on your system. | |
| ## With 8 GPUs and 64 vCPUs this should take ~45 minutes. | |
| ############ | |
| time pbrun bam2fq \ | |
| --ref hs37d5.fa \ | |
| --in-bam HG002.hiseqx.pcr-free.30x.dedup.grch37.bam \ | |
| --out-prefix HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq \ | |
| --num-threads 64 | |
| ############## | |
| ## Run the fq2bam tool to align reads to GRCh38 | |
| ############## | |
| time pbrun fq2bam \ | |
| --in-fq HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq_1.fastq.gz HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq_1.fastq.gz \ | |
| --ref Homo_sapiens_assembly38.fasta \ | |
| --knownSites Mills_and_1000G_gold_standard.indels.hg38.vcf.gz \ | |
| --out-bam HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.bam \ | |
| --out-recal-file HG002.hiseqx.pcr-free.30x.dedup.grch37.bam2fq.hg38.BQSR-REPORT.txt |
RN
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報(bào)投訴
-
NVIDIA
+關(guān)注
關(guān)注
14文章
5079瀏覽量
103805 -
gpu
+關(guān)注
關(guān)注
28文章
4785瀏覽量
129403
發(fā)布評論請先 登錄
相關(guān)推薦
NVIDIA RTX賦能AI工作站加速數(shù)據(jù)科學(xué)工作流程
各行各業(yè)都在借助 AI 實(shí)現(xiàn)轉(zhuǎn)型，以提高競爭力和運(yùn)營效率。在零售業(yè)中，聊天機(jī)器人正在簡化用戶的產(chǎn)品庫存搜索。在金融服務(wù)業(yè)，基于 AI 的工具正應(yīng)用于欺詐檢測。而在醫(yī)療健康領(lǐng)域，AI 正在幫助從基因組學(xué)中發(fā)現(xiàn)新的見解，從而改善患者的治療效果。
高速Gen3快速基因MOSFET提供同類最佳性能
電子發(fā)燒友網(wǎng)站提供《高速Gen3快速基因MOSFET提供同類最佳性能.pdf》資料免費(fèi)下載
發(fā)表于 01-24 14:00
?0次下載
NVIDIA攜手多家機(jī)構(gòu)推動醫(yī)療健康產(chǎn)業(yè)變革
合作的目標(biāo)直指規(guī)模高達(dá)10萬億美元的醫(yī)療健康與生命科學(xué)產(chǎn)業(yè)。NVIDIA將憑借其強(qiáng)大的AI和加速計(jì)算技術(shù)，助力合作伙伴在藥物發(fā)現(xiàn)、基因組研究等領(lǐng)域?qū)崿F(xiàn)突破性進(jìn)展。通過加速計(jì)算，科學(xué)家們
NVIDIA 攜手行業(yè)領(lǐng)先機(jī)構(gòu)推動基因組學(xué)、藥物發(fā)現(xiàn)及醫(yī)療健康行業(yè)發(fā)展
——NVIDIA 今日宣布新的合作伙伴關(guān)系，旨在通過加速藥物發(fā)現(xiàn)、提升基因組研究，以及利用代理式和生成式 AI 開創(chuàng)先進(jìn)醫(yī)療服務(wù)，推動規(guī)模達(dá) 10 萬億美元的醫(yī)療健康與生命科學(xué)產(chǎn)業(yè)的變革。 ? AI、加速計(jì)算與生物數(shù)據(jù)的融合，正
發(fā)表于 01-14 13:39
?109次閱讀
NVIDIA發(fā)布cuPyNumeric加速計(jì)算庫
該加速計(jì)算庫幫助科研人員無縫地擴(kuò)展到強(qiáng)大的計(jì)算集群，并且無需修改 Python 代碼，推進(jìn)科學(xué)發(fā)現(xiàn)。
NVIDIA AI助力日本制藥公司推進(jìn)藥物研發(fā)
制藥公司、醫(yī)療技術(shù)公司和學(xué)術(shù)研究人員正在開發(fā)主權(quán) AI 能力，以驅(qū)動藥物發(fā)現(xiàn)、加速基因組學(xué)和醫(yī)療設(shè)備。
NVIDIA加速計(jì)算技術(shù)助力癌癥研究
總部位于英國的維康桑格研究所的 DNA 測序?qū)嶒?yàn)室每年分析數(shù)以萬計(jì)的基因組，為癌癥的形成和治療效果提供洞察。
AI for Science：人工智能驅(qū)動科學(xué)創(chuàng)新》第4章-AI與生命科學(xué)讀后感
高效地篩選出具有潛力的藥物候選分子，加速新藥上市的進(jìn)程。在基因測序與編輯領(lǐng)域，AI技術(shù)將提高基因數(shù)據(jù)的處理速度和準(zhǔn)確性，為個(gè)性化醫(yī)療和精準(zhǔn)醫(yī)療提供有力支持。此外，AI技術(shù)還將推動生命科
發(fā)表于 10-14 09:21
使用外部基準(zhǔn)電壓源將VOUT擴(kuò)展到1.2 V以下
電子發(fā)燒友網(wǎng)站提供《使用外部基準(zhǔn)電壓源將VOUT擴(kuò)展到1.2 V以下.pdf》資料免費(fèi)下載
發(fā)表于 10-11 09:19
?0次下載
通過應(yīng)用頻率將TPS92210的調(diào)光范圍擴(kuò)展到通用AC范圍
電子發(fā)燒友網(wǎng)站提供《通過應(yīng)用頻率將TPS92210的調(diào)光范圍擴(kuò)展到通用AC范圍.pdf》資料免費(fèi)下載
發(fā)表于 10-09 09:38
?0次下載
NVIDIA Parabricks v4.3.1版本的新功能
NVIDIA Parabricks 擴(kuò)大了 NVIDIA 利用深度學(xué)習(xí)解決基因組學(xué)挑戰(zhàn)的范圍，持續(xù)推動基因組學(xué)儀器的發(fā)展。NVIDIA Parabricks v4.3.1 在歐洲人類遺傳學(xué)
微遠(yuǎn)基因宣布完成數(shù)億元人民幣D+輪融資，領(lǐng)跑病原分子精準(zhǔn)診斷賽道
據(jù)麥姆斯咨詢報(bào)道，近日，微遠(yuǎn)基因宣布成功完成數(shù)億元人民幣D+輪融資，由科泉基金領(lǐng)投，天心基金跟投。
威世將凱睿德制造 MES 擴(kuò)展到半導(dǎo)體業(yè)務(wù)
，已將凱睿德制造 MES 的應(yīng)用范圍從 2019 年美國的工廠擴(kuò)大到其半導(dǎo)體制造工廠。 威世在無源元件業(yè)務(wù)的 30 多家工廠安裝凱睿德制造軟件之后，還將把該軟件擴(kuò)展到威世的半導(dǎo)體業(yè)務(wù)，從位于奧地利的 Voecklabruck 工廠開始。 威世科技擁有全球最大的半導(dǎo)體產(chǎn)品線
一種用于微液滴中單細(xì)胞無標(biāo)記分析的液滴篩選（LSDS）方法
基于液滴的單細(xì)胞分析是一種非常強(qiáng)大的工具，可用于以單細(xì)胞分辨率研究表型和基因組異質(zhì)性，從而解決各種生物問題。
基于上轉(zhuǎn)換納米顆粒的側(cè)流免疫平臺，用于超靈敏檢測miRNA
microRNA（miRNA）是一類短小的非編碼RNA分子，通常由20 ~ 24個(gè)核苷酸組成。它們通過干擾靶基因的轉(zhuǎn)錄或翻譯來調(diào)控基因表達(dá)。
工商網(wǎng)監(jiān)
評論