将加速基因组分析扩展到RNA 、基因面板和注释
NVIDIA Clara Parabricks v3 的发布。 6 去年夏天，在 全基因组和全外显子组测序分析综合工具包 中添加了多个加速体细胞变异调用者和用于注释和质量控制 VCF 文件的新工具。
在 2022 年 1 月发布的 Clara Parabricks v3 中。 7.NVIDIA 将工具包的范围扩展到新的数据类型，同时继续改进现有工具：
增加了对 RNASeq 分析的支持
通过加速实施 Fulcrum Genomics 的fgbio管道，增加了对基于 UMI 的基因面板分析的支持
增加了对mutect2正常面板（ PON ）过滤的支持，使加速mutectcaller符合 GATK 调用肿瘤正常样本的最佳实践
合并了一个bam2fq方法，该方法可以加速读取到新引用的重新对齐
使用ExpansionHunter增加了对短串联重复分析的支持
将呼叫后 VCF 分析步骤加快 15 倍
更新了HaplotypeCaller以匹配 GATK v4.1 ，并将DeepVariant更新为 v1.1
Clara Parabricks v3.7 显著拓宽了 Clara Parabricks 的功能范围，同时继续投资于领先的全基因组和全外显子组管道领域。
使参考基因组与 bam2fq 和 fq2bam 重新对齐
为了解决人类参考基因组的最新更新问题，并使重新排列读数便于大型研究， NVIDIA 开发了一种新的bam2fq工具。 Parabricks bam2fq可以从 BAM 文件中提取 FASTQ 格式的读取数据，为 GATK SamToFastq或bazam等工具提供了一个加速的替代品。
与 Parabricks fq2bam相结合，您可以使用八个 NVIDIA V100 GPU 在 90 分钟内将一个 30 倍 BAM 文件从一个引用（例如 hg19 ）完全重新对齐到一个更新的引用（ hg38 或 CHM13 ）。内部基准测试表明，与仅依赖 hg19 相比，重新调整到 hg38 并重新运行变体调用可以在一瓶 HG002 真值集中捕获基因组中数千个真正的阳性变体。
重新调整后的变体调用的改进几乎与最初与 hg38 一致。虽然这个工作流程以前是可行的，但它的速度非常慢。 NVIDIA 最终将参考基因组更新应用于 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 转录本定量和融合调用 Clara Parabricks 的更多选项
在 3.7 版中， Clara Parabricks 还添加了两个用于 RNASeq 分析的新工具。
转录本定量是对 RNASeq 数据进行的最有效的分析之一。 Kallisto 是一种基于伪比对的快速表达量化方法。虽然 Clara Parabricks 已经将 STAR 纳入了 RNASeq 比对，但 Kallisto 添加了一种补充方法，可以运行得更快。
融合调用是另一种常见的 RNASeq 分析。在 Clara Parabricks 3.7 中， Arriba 提供了第二种方法，用于根据星形对齐器的输出调用基因融合。与恒星聚变相比，阿里巴可以调用更多类型的事件，包括：
病毒整合位点
内部串联复制
全外显子重复
环状 RNA
涉及免疫球蛋白和 T 细胞受体位点的增强子劫持事件
内含子和基因间区域中的断点
Kallisto 和 Arriba 的加入使 Clara Parabricks 成为许多转录组分析的综合工具包。
简化和加速基因面板和 UMI 分析
虽然全基因组和全外显子组测序在研究和临床实践中越来越普遍，但基因面板在临床领域占据主导地位。
基因小组工作流程通常使用独特的分子标识符（ UMI ）连接到读取，以提高低频突变的检测极限。NVIDIA 加速了 Fulcrum Genomics fgbio UMI 管道，并将八步管道整合到 v3 中的单个命令中。 7 ，支持多种 UMI 格式。
图 1 。 Fulcrum Genomics Fgbio-UMI 管道通过对 Clara Parabricks 的一个命令加速
使用 ExpansionHunter 检测短串联重复序列中的变化
短串联重复序列（ STR ）是某些神经系统疾病的公认原因，也是法医学和群体遗传学研究中指纹样本的重要标记。
NVIDIA 通过在 3.7 版中添加对ExpansionHunter的支持，在 Clara Parabricks 中实现了这些位点的基因分型。现在完全使用 Clara Parabricks 命令行界面就可以轻松地从原始读取转换为基因型 STR 。
利用 PON 支持改善静音体细胞突变通话
根据已知正常样本中的一组突变筛选体细胞突变调用是一种常见做法，也称为正常组（ PON ）。 NVIDIA 在mutectcaller工具中增加了对公共 PON 集和自定义 PON 的支持，该工具现在为体细胞突变呼叫提供了 GATK 最佳实践的加速版本。
加速呼叫后 VCF 注释和质量控制
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、注释、过滤、过滤和质量控制更易于使用。
v3 。 7 版本通过完全重写vbvm、vcfqc和vcfqcbybam的后端对这些工具进行了改进，所有这些工具现在都更加健壮，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 |
总结
带有 Clara Parabricks v3 。 7 .NVIDIA 致力于使 Parabricks 成为加速基因组数据分析的最全面解决方案。它是 WGS 、 WES 和现在的 RNASeq 分析以及基因面板和 UMI 数据的广泛工具包。
关于作者
Eric Dawson 是一位生物信息学科学家，他开发了种系和体细胞基因组分析的加速方法。在加入 NVIDIA 之前， Dawson 博士在剑桥大学和国家癌症研究所完成了博士学位。
Johnny Israeli 是NVIDIA 基因组学和药物发现软件的经理。他在斯坦福大学获得了博士学位，由 Anshul Kundaje 担任顾问，他的论文专注于基因组学的深入学习。他拥有勘萨斯大学物理学硕士和数学学士学位。
审核编辑：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
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
-
NVIDIA
+关注
关注
14文章
5324浏览量
106657 -
gpu
+关注
关注
28文章
4969浏览量
131724
发布评论请先 登录
相关推荐
热点推荐
今日看点丨我国团队研制出系列牛用基因芯片；Littelfuse推出紧凑型PTS647轻触开关系列
1、我国团队研制出系列牛用基因芯片 日前，国家乳液技术创新中心传来消息，该中心技术研发团队成功研制出奶牛种用胚胎基因组遗传评估芯片和“高产、抗病、长生产期”功能强化基因组预测芯片。该系列基因
发表于 07-22 11:26
?1537次阅读
中科曙光构建全国产化基因组学高性能计算平台
近日，中科曙光承建的国内某研究所基因组学高性能计算平台正式交付。这是国内生物信息学领域首个从底层硬件到上层软件实现完全自主可控，并深度融合高性能计算与人工智能算力的平台，成功填补了该领域国产高端算力的空白。
高光谱相机：温室盆栽高通量植物表型光谱成像研究
，基因测序技术的快速发展（如全基因组关联分析GWAS）远超表型数据的获取能力，形成“基因型-表型数据鸿沟”，限制了作物育种的精准性。高光谱成像（400-2400nm）技术的成熟，使得非
Arm Kleidi扩展到汽车市场 Arm Kleidi实现性能自动优化
Arm 控股有限公司（纳斯达克股票代码：ARM，以下简称“Arm”）近日宣布将 Arm Kleidi 技术扩展到汽车市场。Arm Kleidi 是一项广泛的软件及软件社区参与计划，旨在加速人工智能
NVIDIA使用加速计算与AI推动精准医学发展
在加利福尼亚州圣克拉拉举行的精准医学世界大会上，NVIDIA 因推动了医学成像、基因组学、计算化学和 AI 驱动机器人技术的发展而受到表彰。NVIDIA 创始人兼首席执行官黄仁勋荣获“Luminary award”。
NVIDIA携手多家机构推动医疗健康产业变革
合作的目标直指规模高达10万亿美元的医疗健康与生命科学产业。NVIDIA将凭借其强大的AI和加速计算技术，助力合作伙伴在药物发现、基因组研究等领域实现突破性进展。通过加速计算，科学家们
NVIDIA 携手行业领先机构推动基因组学、药物发现及医疗健康行业发展
——NVIDIA 今日宣布新的合作伙伴关系，旨在通过加速药物发现、提升基因组研究，以及利用代理式和生成式 AI 开创先进医疗服务，推动规模达 10 万亿美元的医疗健康与生命科学产业的变革。 ? AI、加速计算与生物数据的融合，正
发表于 01-14 13:39
?315次阅读
AI for Science：人工智能驱动科学创新》第4章-AI与生命科学读后感
高效地筛选出具有潜力的药物候选分子，加速新药上市的进程。在基因测序与编辑领域，AI技术将提高基因数据的处理速度和准确性，为个性化医疗和精准医疗提供有力支持。此外，AI技术还将推动生命科
发表于 10-14 09:21
通过应用频率将TPS92210的调光范围扩展到通用AC范围
电子发烧友网站提供《通过应用频率将TPS92210的调光范围扩展到通用AC范围.pdf》资料免费下载
发表于 10-09 09:38
?0次下载
NVIDIA Parabricks v4.3.1版本的新功能
NVIDIA Parabricks 扩大了 NVIDIA 利用深度学习解决基因组学挑战的范围，持续推动基因组学仪器的发展。NVIDIA Parabricks v4.3.1 在欧洲人类遗传学
工商网监
评论