文章复现|(1)整合scRNA-seq 和空间转录组学揭示了子宫内膜癌中 MDK-NCL 依赖性免疫抑制环境
https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2023.1145300/full
目标:肿瘤微环境(TME)在子宫内膜癌(EC)的进展中起着重要作用。我们旨在评估EC的TME中的细胞群体。
方法:我们从GEO下载了EC的单细胞RNA测序(scRNA-seq)和空间转录组(ST)数据集,并从TCGA下载了TCGA-UCEC项目的RNA-Seq (FPKM)和临床数据。使用R软件对这些数据集进行了分析。
结果:我们获得了5个scRNA-seq数据集,1个ST数据集和569个RNA测序样本。在来自scRNA-seq的33,162个细胞中,共检测到20亿个转录本和33,408个基因。这些细胞被分类为9个簇,EC细胞来源于上皮细胞和纤毛细胞。基因集变异分析(GSVA)表明,上皮细胞和内皮细胞亚簇中富集的通路显著不同,表明EC具有很大的异质性。细胞间通讯分析显示,EC细胞发出的信号最强,内皮细胞接收到的信号多于其他细胞。进一步分析发现,上皮细胞的1号和2号亚簇表现出更具恶性的表型,可能通过MDL-NCL信号通过MK通路将恶性表型传递给内皮细胞的0号亚簇。
我们还使用ST数据分析了空间邻居之间的通讯,并证实了MDL-NCL在细胞间通讯中的发现。TCGA和GEO分析表明,NCL的表达水平与ImmuneScore呈负相关。
结论:我们的研究揭示了EC细胞可以通过MDK-NCL信号将恶性表型传递给内皮细胞,并且NCL与免疫活性的抑制有关。EC细胞可能通过抑制免疫细胞和通过MDK-NCL信号“教育”基质细胞来塑造TME。
结果
1.scRNA-seq和EC的细胞分型
所有进行单细胞RNA测序(scRNA-seq)的5个组织样本均来自患有子宫内膜样癌的患者。在经过质量过滤后,在33,162个细胞中总共检测到20亿个UMIs(Unique Molecular Identifiers,独特分子标识符)和33,408个基因。我们发现有几个簇仅由一个样本组成,这表明可能存在批次效应(图1A),因此我们使用CCA(Canonical Correlation Analysis,典范相关分析)来校正批次效应。这些细胞被分类为9个簇,其标记基因显示在补充表S3中。根据这些标记基因,这9个簇被分配到已知的细胞谱系,包括成纤维细胞、上皮细胞、内皮细胞、T细胞、NK细胞、巨噬细胞、纤毛细胞、肥大细胞和B细胞(图1A)。图1B显示了每种细胞类型的代表性标记基因的表达水平。我们发现,根据MUC16/CA125的表达,EC细胞来源于上皮细胞和纤毛细胞,并且癌细胞检测到的转录本数量多于其他细胞(图1A、C,补充表S4)。
图1 子宫内膜样癌33,162个单细胞的概览。(A) 这里分析的33,162个细胞的统一流形近似与投影(UMAP),每个细胞根据(从左到右):原始数据和整合数据中相应的患者、相关的细胞类型以及在该细胞中检测到的转录本(UMIs)数量(以插图中定义的对数尺度)进行颜色编码。K,代表千。(B) 各细胞类型的代表性标记基因的表达情况。© 对于9个细胞簇(从左到右):来自5个患者的细胞比例、细胞数量以及转录本数量的箱线图。
2.内皮细胞的亚簇
总共检测到3,736个内皮细胞,并重新聚类为3个簇(图2A)。基于它们的标记基因(补充表S5),簇0和1被指定为血液内皮细胞,簇2被指定为淋巴内皮细胞(图2B)。进一步分析显示,与血管生成相关的选定基因在簇0和1中高度表达(图2C)。通路分析显示三个簇之间存在显著的表型多样性,簇0涉及的通路多于其他两个簇(图2D)。我们分析了TCGA(The Cancer Genome Atlas,癌症基因组图谱)中标记基因的表达,并发现簇0的标记基因在SCC(鳞状细胞癌)和EAC(子宫内膜样腺癌)中的表达水平高于EM(浆液性子宫内膜癌),然而,簇1和2的标记基因显示出相反的趋势(图2E)。使用标记基因进行的生存分析显示,HSPA1B、TFF3和LAMA4与EC生存相关(图2F)。
图2 内皮细胞簇。(A) 3,736个内皮细胞的统一流形近似与投影(UMAP)图,根据它们对应的患者(左侧)或相关的簇(右侧)进行颜色编码。(B) UMAP图根据血液和淋巴内皮细胞的标记基因表达(蓝色到灰色)进行颜色编码。© 参与血管生成的选定基因的小提琴图。(D) 不同簇之间通过GSVA(基因集变异分析)按每个细胞评分的通路活性差异。图中显示的是线性模型的t值。(E) 在TCGA样本中,来自子宫内膜(EM,n = 35)、浆液性囊腺癌(SCC,n = 133)或子宫内膜样腺癌(EAC,n = 401)的每个簇的内皮细胞标记基因的平均表达水平。(F) 在TCGA中,与子宫内膜癌患者总体生存率相关的三个标记基因。
3.上皮细胞亚簇
总共检测到5,586个上皮细胞并重新聚类为5个簇(图3A)。这些簇的标记基因列在补充表S6中,代表性标记基因显示在图3B中。为了描述这些簇的功能,我们比较了通路活性。簇0与其他四个簇有很大不同。簇1和2以及簇3和4相似(图3C)。TCGA中标记基因的平均表达水平显示在图3D中。除了簇4之外,所有簇的标记基因在EAC(子宫内膜样腺癌)和EM(浆液性子宫内膜癌)之间或SCC(鳞状细胞癌)和EM之间显示出显著的关联。使用标记基因进行的生存分析显示在图3E中,有六个基因与EC(子宫内膜癌)生存相关(图3E)。
图3 上皮细胞簇。(A) 5,586个上皮细胞的统一流形近似与投影(UMAP)图,根据它们对应的患者(左侧)或相关的簇(右侧)进行颜色编码。(B) 每个簇的代表性标记基因的表达情况。© 不同簇之间通过GSVA(基因集变异分析)按每个细胞评分的通路活性差异。图中显示的是线性模型的t值。(D) 在TCGA样本中,来自子宫内膜(EM,n = 35)、浆液性囊腺癌(SCC,n = 133)或子宫内膜样腺癌(EAC,n = 401)的每个簇的上皮细胞标记基因的平均表达水平。(E) 森林图显示了TCGA中标记基因的风险比(HR,95%置信区间)。
4.单细胞RNA测序数据中细胞间的通讯
我们使用CellChat分析了9个细胞簇之间的通讯,使用单细胞RNA测序数据。这些细胞通过27条通路相互交流(图4A,B)。图4A,B中的通路按其强度排序(从左到右),最上面的通路是MK通路。上皮细胞发出的信号最强(图4A,C,D,S1);内皮细胞接收到的信号多于其他细胞(图4B,D)。我们发现细胞主要通过MK信号通路中的MDK-NCL配体-受体(L-R)对进行接触(图4E,S2)。MK信号通路中的信号显示在图4F中,MK通路中的配体和受体的表达水平显示在图4G中。中胚素(MK,MDK)主要在上皮细胞和纤毛细胞中表达,而核仁素(NCL)在所有9种类型的细胞中表达。
图4 细胞间通讯。(A) 点图显示了分泌细胞发出信号模式的比较。(B) 点图显示了接收信号模式的比较。© 圆形图显示了相互作用细胞间的通讯强度。(D) 细胞发出和接收的互动强度。(E) 比较细胞间显著的配体-受体对,这些对有助于成纤维细胞、上皮细胞、内皮细胞、巨噬细胞和纤毛细胞向T细胞、NK细胞、肥大细胞和B细胞发出信号。(F) 和弦图显示了MK信号的推断细胞间通讯网络。(G) 小提琴图显示了参与MK信号网络的8个基因的表达情况。
5.上皮细胞和内皮细胞之间的相互作用
我们进一步分析了上皮细胞亚簇和内皮细胞之间的通讯。我们发现上皮细胞的簇1(Ep.1)发出的信号最强,内皮细胞的簇0(En.0)接收到的信号多于其他簇(图S3A-C)。MK也是涉及上皮细胞和内皮细胞之间通讯的首要通路。MDK-NCL仍然是首要的L-R对(图S3D)。
6.生态位相互作用
我们还使用ST(空间转录组)数据和NICHES(邻域细胞间通讯估算系统)分析了空间邻居之间的通讯。总共在1,351个点检测到660万个UMIs(Unique Molecular Identifiers,独特分子标识符)和33,538个基因。在一个点中,大约检测到4,911个UMIs和2,403个独特基因。我们分析并整合了ST数据与scRNA-seq(单细胞RNA测序)数据集,并且在scRNA-seq中检测到的7种细胞类型被映射到EC(子宫内膜癌)组织切片上(图5A,B)。我们使用空间散点饼图来展示这7种细胞类型的分布和比例(图5A),上皮细胞是主要的细胞类型。然后我们使用NICHES研究细胞生态位,NICHES估计了ST数据中的局部微环境。从图5C的UMAP(Uniform Manifold Approximation and Projection,均匀流形近似与投影)图中我们可以看到,8个簇的微环境之间存在一些显著的重叠,这些重叠暗示了它们之间存在相互作用。我们计算了“NeighborhoodToCell”检测中所有L-R(配体-受体)对的行和,然后按降序排列这些和。图S4列出了前20个L-R对。我们发现MDK(中胚素)出现在前20个L-R对中的5个,包括MDK-NCL(中胚素-核仁素)。我们进一步将MDK、NCL以及MDK-NCL的生态位相互作用绘制到组织区域(图5D)。
7.由MDK–NCL通路诱导的免疫抑制环境
为了探索MK通路在子宫内膜癌(EC)中的作用,我们使用TCGA(癌症基因组图谱)的数据分析了该通路中配体和受体的表达水平。所有配体和受体在SCC(鳞状细胞癌)和EM(浆液性子宫内膜癌)之间或EAC(子宫内膜样腺癌)和EM之间都有差异表达(图6A)。MDK在SCC和EAC中的表达水平高于EM。NCL在SCC和EM之间的表达仅有轻微差异。在我们的队列中,MDK和NCL在EC组织中的表达水平都高于正常组织(图6B)。
我们使用estimate软件包计算了TCGA队列的ImmuneScore(免疫评分)、StromalScore(基质评分)和ESTIMATEScore(估计评分),并评估了它们与MK通路中基因的关系。显著的关联显示在图6C中。我们注意到大多数基因与评分呈负相关(图6C),并且NCL与所有三个评分都呈负相关(图6D)。在分析了GSE120490数据集后,我们进一步确认了TCGA数据集中的发现(图S5),因此EC细胞可能通过MDK-NCL信号传导在肿瘤微环境(TME)中通过MK通路抑制免疫细胞反应。
相关文章:
文章复现|(1)整合scRNA-seq 和空间转录组学揭示了子宫内膜癌中 MDK-NCL 依赖性免疫抑制环境
https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2023.1145300/full 目标:肿瘤微环境(TME)在子宫内膜癌(EC)的进展中起着重要作用。我们旨在评估EC的TME中的细胞群体。 方法:我们从GEO下载了EC的单细胞RNA测序(scRNA-seq)和空…...
自用Vscode 配置c++ debug环境
前言 使用vscode配置c debug环境的好处 1、可以借助vscode方便轻量的扩展和功能 2、避免了传统使用gdb 复杂按键以及不够直观的可视化 3、方便一次运行,断点处查看变量,降低找bug难度 4、某大公司项目采用类似配置,经过实践检验 配置c运行环…...
STM32单片机内存分配详细讲解
单片机的内存无非就两种,内部FLASH和SRAM,最多再加上一个外部的FLASH拓展。在这里我以STM32F103C8T6为例子讲解FLASH和SRAM。 STM32F103C8T6具有64KB的闪存和20KB的SRAM。 一. Flash 1.1 定义 非易失性存储器,即使在断电后,其所…...
从算力困境到创新突破:GPUGEEK如何重塑我的AI开发之旅
目录 从算力困境到创新突破:GPUGEEK如何重塑我的AI开发之旅开发者的算力挣扎:一个不得不面对的现实AI算力市场的尴尬现状:为什么我们需要另辟蹊径1. 资源分配失衡与价格壁垒2. 技术门槛与环境复杂性 GPUGEEK深度剖析:不只是又一个…...
基于OpenCV的人脸微笑检测实现
文章目录 引言一、技术原理二、代码实现2.1 关键代码解析2.1.1 模型加载2.1.2 图像翻转2.1.3 人脸检测 微笑检测 2.2 显示效果 三、参数调优建议四、总结 引言 在计算机视觉领域,人脸检测和表情识别一直是热门的研究方向。今天我将分享一个使用Python和OpenCV实现…...
2025认证杯数学建模第二阶段A题小行星轨迹预测思路+模型+代码
2025认证杯数学建模第二阶段思路模型代码,详细内容见文末名片 一、问题重述 1.1 问题背景 在浩瀚无垠的宇宙中,近地小行星(NEAs)宛如一颗颗神秘的“太空子弹”,其轨道相对接近地球,给我们的蓝色星球带来…...
Uniapp 安卓实现讯飞语音听写(复制即用)
在移动应用开发中,语音交互功能能够极大提升用户体验,让操作更加便捷自然。讯飞语音听写技术凭借其高准确率和稳定性,成为众多开发者的选择。本文将详细介绍如何在 Uniapp 项目中,实现安卓端的讯飞语音听写功能,帮助你…...
【FileZilla】 从事件类型到消息类型的函数形参类型转化
本篇其实是前篇【Filezilla】 dispatch函数重载的例子-CSDN博客的一个补充,其中涉及到【FileZilla】事件调用机制代码解析-CSDN博客中的事件分发机制时钩子函数的参数传递怎么实现的。跟【FileZilla】sftp协议的数据传输上传和下载-CSDN博客同样,用事件是…...
python打卡day26
函数、参数、变量 知识点回顾: 函数的定义变量作用域:局部变量和全局变量函数的参数类型:位置参数、默认参数、不定参数传递参数的手段:关键词参数传递参数的顺序:同时出现三种参数类型时 def function_name(parameter…...
RPC框架源码分析学习(二)
RPC框架源码分析与原理解读 前言 在分布式系统开发中,远程过程调用(RPC)是一项基础且关键的技术。通过对KVstorageBaseRaft-cpp项目RPC模块的源码分析,我深入理解了RPC框架的工作原理和实现细节。本文将从程序员视角分享我的学习心得。 框架概述 本项…...
算法分析:蛮力法
一、实验目的 1 掌握蛮力法的设计思想(利用计算机去穷举所有的可能解,再从中依次找出可行解) 2 掌握蛮力法的具体实现和时间复杂度分析 3 理解蛮力法的常见特性 实验要求:先用伪代码描述利用蛮力法解决的算法解决方案,再用程序实现,计算时间…...
构建RAG混合开发---PythonAI+JavaEE+Vue.js前端的实践
写在前文:之所以设计这一套流程,是因为 Python在前沿的科技前沿的生态要比Java好,而Java在企业级应用层开发比较活跃; 毕竟许多企业的后端服务、应用程序均采用Java开发,涵盖权限管理、后台应用、缓存机制、中间件集成…...
游戏引擎学习第280天:精简化的流式实体sim
回顾并为今天的内容做铺垫 今天的任务是让之前关于实体存储方式的改动真正运行起来。我们现在希望让实体系统变得更加真实和实用,能够支撑我们游戏实际所需的功能。这就要求我们对它进行更合理的实现和调试。 昨天我们基本让代码编译通过了,但实际上还…...
小程序映射逻辑处理
onLoad: function (options) { // 如果直接从options获取数据 this.setData({ jielunpin:发羽音, birthStr: 1944-01-01 }); // 处理诊断结论 this.processJielunpin(); // 添加一个处理诊断结论的函数 processJielunpin: function() { // 获取jielunpin和birthSt…...
亚马逊,temu测评采购低成本养号策略:如何用一台设备安全批量管理买家账号
只要能够巧妙规避平台的检测和风控措施,测评便可安全进行。 自养号测评,它更便于卖家掌控,且能降低风险。现在很多卖家都是自己养号,自己养号都是精养,不是自动的机刷,买家账号掌握在自己手里,更…...
TCP实现安全传输的核心机制 + TCP的报文讲解(全程图文讲解)
目录 一、TCP的协议和数据报格式 二、TCP常见的核心机制 1. 确认应答 2. 超时重传 3. 连接管理 三次握手(建立连接) 四次挥手(断开连接) 常见的状态和整体的传输流程 4. 滑动窗口 5. 流量控制 6. 拥塞控制 7. 延迟应…...
【测试工具】selenium和playwright如何选择去构建自动化平台
构建UI自动化平台服务,在底层选择自动化框架,selenium和playwright这两个如何选择 在构建UI自动化平台服务时,选择底层自动化框架(如 Selenium 和 Playwright)是一个非常关键的决策,直接影响平台的性能、可…...
ES常识8:ES8.X如何实现热词统计
文章目录 一、数据采集与存储设计1. 确定需记录的字段2. 设计搜索日志索引 二、数据写入与采集三、热门搜索词统计(核心逻辑)1. 基础版:近 7 天热门搜索词(按出现次数排序)2. 进阶版:加权热门词(…...
可解释性AI 综述《Explainable AI for Industrial Fault Diagnosis: A Systematic Review》
一、研究背景与动因(Background & Motivation) 随着工业4.0与工业5.0的发展,工业生产越来越依赖自动化与智能化手段,以实现高效、预测性维护与运行优化。在这一背景下,人工智能(AI)与机器学…...
数据可视化-----子图的绘制及坐标轴的共享
目录 绘制固定区域的子图 (一)、绘制单子图 subplot()函数 Jupyter Notebook的绘图模式 (二)、多子图 subplots()--可以在规划好的所有区域中一次绘制多个子图 (三)、跨行跨列 subplot2grid()---将整…...
nginx 配置
proxy_pass 结尾斜杠规则 不带斜杠:保留原始请求路径。 location /api {proxy_pass http://backend; # 转发到 http://backend/api }带斜杠:剥离 location 匹配的路径前缀。 location /api/ {proxy_pass http://backend/; # 转发到 http://back…...
《从零开始入门递归算法:搜索与回溯的核心思想 + 剑指Offer+leetcode高频面试题实战(含可视化图解)》
一.递归 1.汉诺塔 题目链接:面试题 08.06. 汉诺塔问题 - 力扣(LeetCode) 题目解析:将A柱子上的盘子借助B柱子全部移动到C柱子上。 算法原理:递归 当A柱子上的盘子只有1个时,我们可以直接将A上的盘子直…...
船舶制造业数字化转型:驶向智能海洋新航道
在全球海洋经济蓬勃发展的当下,船舶制造业作为海洋产业的重要支柱,正面临着前所未有的机遇与挑战。船舶制造周期长、技术复杂,从设计图纸到最终交付,涉及成千上万的零部件和复杂的工艺流程,传统制造模式已难以满足市场…...
SpringBoot 自动装配流程
Spring Boot 的自动装配(Auto Configuration)是其最核心的特性之一,它让你能“开箱即用”,极大简化了配置。下面是 Spring Boot 自动装配的整体流程(从启动到生效) 的详细解析: ✅ 一、整体流程…...
Vue 3 实现后端 Excel 文件流导出功能(Blob 下载详解)
💡 本文以告警信息导出为例,介绍 Vue 3 中如何通过 Axios 调用后端接口并处理文件流,实现 Excel 自动下载功能。 📑 目录 一、前言 二、后端接口说明 三、前端实现思路 四、导出功能完整代码 五、常见问题处理 六、效果展示 …...
基于IBM BAW的Case Management进行项目管理示例
说明:使用IBM BAW的难点是如何充分利用其现有功能根据实际业务需要进行设计,本文是示例教程,因CASE Manager使用非常简单,这里重点是说明如何基于CASE Manager进行项目管理,重点在方案设计思路上,其中涉及的…...
《Python星球日记》 第78天:CV 基础与图像处理
名人说:路漫漫其修远兮,吾将上下而求索。—— 屈原《离骚》 创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程的Coder😊) 目录 一、计算机视觉(CV)简介1. 什么是计算机视觉?2. 计算机视觉的应用场景3. 图像的基本属性a》像素(Pixel)b》通道(Channel)c》分辨率(Res…...
Google DeepMind 推出AlphaEvolve
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗?订阅我们的简报,深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同,从行业内部的深度分析和实用指南中受益。不要错过这个机会,成为AI领…...
Flink 1.13.2 日志配置优化:保留最近 7 天日志文件
Flink 1.13.2 日志配置优化:保留最近 7 天日志文件 在使用 Apache Flink 1.13.2 进行流处理任务时,合理的日志配置对于作业的监控、调试和故障排查至关重要。本文将介绍如何通过修改log4j.properties文件,将 Flink 的默认日志配置升级为保留最近 7 天的日志文件配置,并解决…...
【优化算法】协方差矩阵自适应进化策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)
CMA-ES(Covariance Matrix Adaptation Evolution Strategy)算法是一种无导数、基于多元正态分布的迭代优化方法,通过自适应地调整搜索分布的均值、协方差矩阵和步长,能够高效地解决非线性、非凸的连续优化问题。 算法以最大似然和…...
基于Leaflet和天地图的免费运动场所WebGIS可视化-以长沙市为例
目录 前言 一、免费运动场所数据整理 1、本地宝数据简介 2、Java后台数据解析 二、Leaflet前端地图展示 1、基础数据准备 2、具体位置及属性标记 三、成果展示 1、空间位置分布 2、东风路立交桥运动公园 3、芙蓉区花侯路浏阳河大桥下方 4、梅岭国际小区 5、湖南大学…...
399. 除法求值
https://leetcode.cn/problems/evaluate-division/description/?envTypestudy-plan-v2&envIdtop-interview-150思路:读完题后我们可以发现这题的考察已经很明确了就是考我们矩阵,我们将矩阵构建出来后,这题就变成可达性分析题了。 所以解…...
QMK固件OLED显示屏配置教程:从零开始实现个性化键盘显示(实操部分)
QMK固件OLED显示屏配置教程:从零开始实现个性化键盘显示 📢 前言: 作为一名键盘爱好者,近期研究了QMK固件的OLED显示屏配置,发现网上的教程要么太过复杂,要么过于简单无法实际操作。因此决定写下这篇教程,从零基础出发,带大家一步步实现键盘OLED屏幕的配置与个性化显示…...
深度解析 Meta 开源 MR 项目《North Star》:从交互到渲染的沉浸式体验设计
🌌 一、项目概览:什么是 North Star? North Star 是由 Meta 官方推出并开源 的一款面向 Meta Quest 平台 的混合现实(MR)视觉演示项目。它不仅上线了 Horizon Store,更以完整的技术栈与高质量内容向开发者展示了如何在 VR/MR 设备上实现“视觉上限”和“交互潜力”的结…...
使用VS Code通过SSH编译Linux上的C++程序
引言 在软件开发领域,跨平台开发是一项常见需求。特别是对于C开发者来说,有时需要在Windows环境下编写代码,但却需要在Linux环境中编译和运行。这种情况在系统编程、嵌入式开发或高性能计算领域尤为常见。 Visual Studio Code (VS Code) 提…...
Datawhale 5月llm-universe 第2次笔记
第二章 使用 LLM API 开发应用 名词解释 Temperature 参数/场景低 Temperature(0 ~ 0.3)高 Temperature(0.7 ~ 1.0)输出特点保守、稳定、可预测创造性强、多样化、不可预测语言模型行为更少的随机性,倾向于选择高概…...
【Vue】CSS3实现关键帧动画
关键帧动画 两个重点keyframesanimation子属性 实现案例效果展示: 两个重点 keyframes 和 animation 作用:通过定义关键帧(keyframes)和动画(animation)规则,实现复杂的关键帧动画。 keyframes 定义动画的关键帧序列…...
Spring 模拟转账开发实战
一、转账业务场景分析 转账是金融类应用的核心场景之一,涉及付款方扣减金额和收款方增加金额两个关键操作。在开发中需解决以下问题: 业务层与数据层解耦:通过分层架构(Service 层调用 Dao 层)实现逻辑分离。数据库事…...
Baklib内容中台赋能资源管理升级
内容中台驱动管理升级 在数字化转型进程中,企业级内容管理工具的效能直接影响资源协同效率。以全渠道资源整合为核心的内容中台,通过集中化处理文档、FAQ及社区论坛等非结构化数据,有效解决信息孤岛问题。例如,某金融集团通过部署…...
数据结构(九)——排序
一、排序的基本概念 1.排序:重新排列表中的元素,使表中的元素满足按关键字有序 2.稳定性:Ri和Rj相对位置保持不变 3.内部排序:指在排序期间元素全部存在内存中的排序(比较和移动),如插入排序…...
MinerU安装(pdf转markdown、json)
在Windows上安装MinerU,参考以下几个文章,可以成功安装,并使用GPU解析。 整体安装教程: MinerU本地化部署教程——一款AI知识库建站的必备工具 其中安装conda的教程: 一步步教你在 Windows 上轻松安装 Anaconda以及使…...
Spring框架核心技术深度解析:JDBC模板、模拟转账与事务管理
一、JDBC模板技术:简化数据库操作 在传统JDBC开发中,繁琐的资源管理和重复代码一直是开发者的痛点。Spring框架提供的 JDBC模板(JdbcTemplate) 彻底改变了这一现状,它通过封装底层JDBC操作,让开发者仅需关注SQL逻辑&a…...
LCD电视LED背光全解析:直下式 vs 侧光式、全局调光 vs 局部调光与HDR体验
Abstract: This article explores the various types of LED backlighting used in televisions and monitors. It categorizes backlight systems based on structural design—direct-lit and edge-lit—as well as by dimming technology—global dimming and local dimmin…...
ET EntityRef EntityWeakRef 类分析
EntityRef EntityWeakRef 相同点 也是这两个的作用:这两个都是用来表示一个实体引用。一般来说使用一个对象,直接持有对象就可以,但是如果对象来自于对象池,这个时候直接持有对象不合适,对象可能已经被对象池回收&…...
Python----神经网络(基于DNN的风电功率预测)
一、基于DNN的风电功率预测 1.1、背景 在全球能源转型的浪潮中,风力发电因其清洁和可再生的特性而日益重要。然而,风力发电功率的波动性给电网的稳定运行和能源调度带来了挑战。准确预测风力发电机的功率输出,对于优化能源管理、提高电网可靠…...
Web前端入门:JavaScript 的应用领域
截至目前,您应该对前端的 HTML CSS 应该有了很清楚的认知,至少实现一个静态网页已经完全不在话下了。 当然,CSS 功能绝不止这些,一些不太常用的 CSS 相关知识,后续将通过案例进行分享。 那么咱们接下来看看 JavaScrip…...
实用工具:微软软件PowerToys(完全免费),实现多台电脑共享鼠标和键盘(支持window系统)
实用工具:微软软件 PowerToys 让多台电脑共享鼠标和键盘 在如今的数字化办公与生活场景中,我们常常会面临同时使用多台电脑的情况。例如,办公时可能一台电脑用于处理工作文档,另一台用于运行专业软件或查看资料;家庭环…...
精益数据分析(61/126):移情阶段评分体系构建与实战案例解析
精益数据分析(61/126):移情阶段评分体系构建与实战案例解析 在创业的移情阶段,如何科学评估用户需求的真实性与紧迫性,是决定后续产品方向的关键。今天,我们结合《精益数据分析》中的评分框架,…...
面试题:介绍一下JAVA中的反射机制
什么是反射机制? Java反射机制是指在运行状态中,对于任意一个类,都能够知道这个类的所有属性和方法;对于任意一个对象,都能够调用它的任意方法和属性。这种动态获取的信息以及动态调用对象的方法的功能称为Java语言的…...
yarn任务筛选spark任务,判断内存/CPU使用超过限制任务
yarn任务筛选spark任务,判断内存/CPU使用超过限制任务 curl -s “http://it-cdh-node01:8088/ws/v1/cluster/apps?statesRUNNING” | jq ‘select(.apps.app[].applicationType “SPARK”) | .apps.app[].id’ | xargs -I {} curl -s “http://it-cdh-node01:808…...