umi模块(umi模块找不到)

请问电信天翼互联网的手机只支持UMI卡而不支持SIM卡吗？

尊敬的用户，您好！感谢您对电信的支持！

umi模块(umi模块找不到)

umi模块(umi模块找不到)

umi模块(umi模块找不到)

UIM(User Identity Model)用户识别模块，是由联通公司倡导并得到CDMA组织(CDG)支持的移动通信终端用户识别及加密技术。UIM卡的功能类似于全球通(GSM)手机中使用的SIM卡，可进行用户的身份识别及通信加密，还可以存储电话号码、短信息等用户个人信息。同时UIM卡采用了SIM卡一卡一号的便利使用方式，用户只需拥有一张属于个人的UIM卡，插入任何一步配有UIM卡接口的手机即可应用。

电信双模手机(GSM/CDMA)是可以使用电信UIM卡和SIM卡的。

电信单模手机CDMA只能使用电信UIM卡，不能使用SIM卡的。

希望我的回答对您有，所帮助，更多问题咨询可以登录到湖北10000知道！

您好，感谢您对电信的支持！

根据您的反馈，这个需要看您的手机是双模还是单模的。如果是CDMA单模的，仅支持UMI卡，如果是双模，即支持GSM网络的，可以支持SIM卡。

希望我的回答对您有所帮助，欢迎登陆广东电信手机商城知道企业平台向提问，或搜索《广东电信手机商城》了解最新优惠机型。

对的 制式不一样的

雅迪电悠米C-Umi转向灯模块位置

在头罩壳里。

把仪表前面那块烤过漆的壳子拆开，里面有个黑色圆圆的就是电转向灯闪光器，有的闪光器是方块形的。

现在有的雅迪也是没有闪光器的，它集成在了仪表电路里。

Nature Biotechnology| 胰腺癌空间转录组+单细胞测序分析

单细胞RNA测序（scRNA-seq）能够系统地识别组织中的细胞群，但描述其空间组织仍然具有挑战性。2020年发表在Nature Biotechnology（IF=54.901）上的文章Integrating microarray-based spatial transcriptomics and single-cell RNA-seq rals tissue architecture in pancreatic ductal adenocarcinomas，结合了基于微阵列的空间转录组（ST）方法，利用一系列spots揭示基因表达的空间模式。开发了Multimodal intersection ysis (MIA)多模式交叉分析，对原发性胰腺肿瘤应用发现导管细胞、巨噬细胞、树突状细胞和癌细胞的亚群具有空间限制。此外，还识别出表达应激反应基因模块的炎症性成纤维细胞和癌细胞的共定位。

结果一：用 scRNA-seq 识别 PDAC 中的细胞群

首先收集了两个未经治疗的PDAC患者的新鲜原发肿瘤，用于平行scRNA-seq和ST分析。scRNA-seq 数据每个细胞具有大约 0 到 3300 个UMI 和大约 1400 到 1700 个表达的基因。分别确定了PDAC-A和PDAC-B肿瘤中的15种和11种不同的种群，共享的细胞类型的基因表达特征显示患者样本之间具有很强的相关性，验证了对样本群集的注释。基于scRNA-seq的拷贝数变异（CNV）分析区分PDAC癌细胞和非恶性导管细胞。对于每个已识别的细胞类型推断染色体扩增和缺失，并检测到 PDAC-A 中的两个cluster和 PDAC-B 中的一个cluster显示异常 CNV。两个PDAC-A癌症cluster-1和cluster-2表现出TM4SF1（cluster-1）或S100A4（cluster-2）的高表达，而PDAC-B癌症集群在TM4SF1表达中高，表明PDAC-A cluster-1和PDAC-B癌症群的相似性。为了进一步验证 scRNA-seq 数据中识别的TM4SF1和S100A4表达种群是否代表癌细胞群，在源自同一患者的组织石蜡切片上对 TM4SF1 和 S100A4 进行了双重免疫荧光染色进一步验证了这一现象。

结果二：PDAC 组织空间转录组

组织切片及H&E染色揭示了PDAC的四个主要区域：癌细胞粘连区、非恶性导管上皮区、基质区域和胰腺腺泡区，其中PDAC-B的患者组织不包含正常的胰腺腺泡区。然后对样本进行空间转录组测序，使用芯片特定位置的barcode对序列进行解码，识别每个转录本在组织内的空间定位。使用 H&E 染色图像估计每个 ST spot捕获了大约 20-70 个细胞、约2400个UMI和大约1000个基因。对所有ST spot中表达变异程度的基因进行主成分分析（PCA），根据主成分对每个ST阵列的spot进行聚类后，发现所生成的cluster与的组织学注释一致，支撑了仅根据ST基因表达在一个切片内识别不同空间区域的能力。

结果三：多模式交叉分析 （MIA）

为了集成 scRNA-seq 和 ST 数据集，作者开发了 多模式交叉分析Multimodal intersection ysis (MIA)。首先划定细胞类型特定和组织区域特定基因集，然后确定它们的重叠程度，相比于随机数值判断其重叠程度是否显著富集。在 scRNA-seq 数据中识别每个细胞类型来定义基因集，相比于其他细胞类型这些基因的表达该细胞类型中具有较高的统计学水平，随后识别出每个空间区域的表达率明显高于其他区域的基因。通过超几何检验，评估在 scRNA-seq 和 ST 模式中提取的基因集是否显著重叠，进而将空间信息与转录组信息联合起来进行其他分析。

结果四：识别和映射跨组织区域细胞亚群

scRNA-seq 最有用的方面之一是它能够揭示细胞类型中不同的亚群。因此，作者试图通过识别细胞类型中的亚群，然后应用 MIA 来查询整个组织空间的映射来描述细胞群体内部的异质性。基于scRNA-seq发现两个肿瘤样本中大多数细胞由KRT19+导管细胞组成，这是胰腺外分泌系统的两种主要成分细胞类型之一。作者总共确定了四个导管细胞亚群：（1）表达APOL1和缺氧相关基因的导管细胞亚群；（2）表达TFF1、TFF2和TFF3的终端导管亚群；（3）表达CRISP3和CFTR的中心亚群；（4）表达MHC-II类分子和补体通路成分的抗原呈递导管细胞。虽然MHC-II类分子主要表现在抗原呈递细胞（B细胞、巨噬细胞、树突状细胞）的表面，但肝、胃肠道和呼吸道的上皮细胞表达MHC-II类分子。由于它们存在于肿瘤中，这些抗原呈递导管细胞很可能通过促进T细胞活化，在调节肿瘤微环境内的炎症反应方面发挥作用。这四种亚群中，第1类和第4类是先前的单细胞测序没有过的，作者通双重免疫荧光实验验证了亚群的存在。

与细胞类型分析一样，作者使用每个导管亚群特有的标记基因，使用 MIA 确定这些导管亚群在组织切片中的富集情况。作者发现PDAC-A患者中的所有导管亚群都富集在组织的导管区域。相比之下，只有缺氧和晚期导管细胞群在癌症区域显著丰富。这些导管细胞所展示的转录表型可能反映来自周围组织的环境信号，例如由于含氧量低，癌区导管细胞可能表达缺氧反应相关基因。相比之下，PDAC-B 中的导管亚群都完全富集于导管上皮区域。

结果五：整合分析不同癌症人群PDAC组织

在PDAC-A scRNA-seq数据中发现了两个癌细胞群，这些数据在基因和转录上似乎都截然不同。虽然作者发现这两种癌症种群在相应的ST癌症区域中都富含，但它们是否与该地区内不同的细胞类型同位？为了探索PDAC-A患者两个癌症种群是否在相同切片区域共定位的问题，作者对该患者进行了额外的组织切片，确保 scRNA-seq 数据代表所有 ST 部分：肿瘤切片先分为三个部分，然后每个部分被分在 ST 和 scRNA-seq 之间。通过比较PDAC-A新增的区域，作者确定了各自PDAC-A样本区域特有的基因列表之间的重叠，发现整个ST数据集的癌症和基质区域之间有显著重叠。对于每个组织部分中癌症丰富的区域，使用分层聚类进一步将癌症丰富的区域划分为转录组相关的分区。在定义了每个子区域特有的基因集后，再次应用 MIA 映射方法来研究与子区域相关的基因集、每个细胞类型定义的基因集和 scRNA-seq 数据中的子群之间的重叠，进一步定义了细胞类型/亚群与组织空间之间的关联性。

结果六：解析肿瘤微环境下的细胞状态关系

最近对癌细胞scRNA-seq数据的研究表明，在胶质母细胞瘤、黑色素瘤、头颈癌等多种癌症类型中，细胞状态是的。由于ST提供空间信息，是否可以绘制癌细胞状态到不同的空间组织区域，并描述它们与其他细胞类型的相互作用。为此，作者生成了第三个PDAC scRNA-seq数据集并定义PDAC癌细胞中的三个基因表达模块。根据每个模块的基因，注释这些作为缺氧反应，酸化和应激响应模块。作者发现单核细胞和T/NK细胞在应激反应模块区域大量富集。综合分析TCGA PDAC数据，结果表明涉及炎症性成纤维细胞和表达应激基因模块的癌细胞之间的关系，并验证了MIA方法对于生成细胞群与空间受限结构的关系的效能。

小结：

作者对于单细胞测序和空间转录组信息进行了整合分析，开发了MIA分析方法，系统揭示了胰腺导管腺癌的空间组织结构，为我们提供了良好的整合分析思路。

更多生信文章解读 文章 - 生信人 入门问题总结

React的变化很快，在我之前用习惯了直接hashHistory、browserHistory，而react-router4改变后就不习惯了，索性就直接使用了阿里的umijs。

下面是我学习umi过程中的一些心得。

学习前端框架，直接看文档是的学习方法 umi文档链接 ，但是总的来说，其实umi文档写的教程并不是很详细，它可能面向的是基础比较好的前端开发者的。但是，你的问题都是可以在其github项目的issue中找到解答的，我这里找了一个能解决我好多问题的网友总结的 issue链接 。

首先还是说一下umi的优点：我个人体会最显著的是，不需要你配置很多其他的参数，不需要你手动写react-router，因为其默认的pages下的文件夹名字就直接是路由的路径，也不需要你自己配置dll，因为内部直接内置了dll。同时umi默认使用a代替react-redux，a可以说是一个零api的数据流方案。

再一来说一说我只有redux-tk和比较老版本react基础的在学习umi+a+ts技术栈过程中碰到的几个问题：

1、effects和reducer的调用重名问题

一般来说，修改state的时候使用reducer，其他时候都用effects，如果名称一样，在a@2后，只有effect会调用，所以两个不能重名

2、在有状态组件中，已经绑定mapStateToProps，但是this.props中的属性无法被读取

这个是ts的问题，我在stackoverflow上提的问题如链接： 我的提问 ，本质上是使用组件范型的方式解决问题。这一点在 Hello React and TypeScript 中也提到了。

3、less module使用问题

本来umi默认配置是支持less，但是我使用umi2.6.12自带的脚手架进行配置，根目录下的typings.d.ts中少了 declare module '.less'; ，导致less无法作为模块导入。

4、antd Button控件报错

这个问题已经被修复，这里贴出我原本提问的链接： 我的提问 ，该问题已经被解决，只需要更改@types/react的版本就可以。

5、layout问题

其实我对umi框架的layout还不是很理解很熟悉，但是如果想要某些页面禁止使用一些layout，只需要判断 props.location.path 属性进行一些选择就可以了：

6、项目无法上传到git

我在 git commit 这一步的时候，会提示一些错误，但是不影响项目运行，其中比较烦的就是提示一些标签没有self-closing，我使用的antd的Menu.Item都让我自闭合那是不可能的，我怎么在Item中填我的Menu值呢？所以我采取了一种比较的手段——每次上传项目的时候都禁用package.json文件的scripts属性中的 "precommit": "lint-staged" ，就可以上传成功了。可能有其他更好的手段解决，但是我图方便就这样进行了项目的上传。

7、路由跳转

这个其实不是我碰到的问题，但是umi的路由跳转真的很方便！我最常用的两种跳转方式有：一是使用 import router from 'umi/router ，然后直接router.push就可以，第二种是 import { routerRedux } from 'a/router' ，然后routerRedux.push就可以进行跳转。这两种跳转可以说是满足了我做的项目的所有需求，不需要手动写一个Provider，也不需要react-router4后对于browserHistory的繁杂配置，直接可以进行解决。

8、props属性上不存在dispatch问题

这其实是一个ts的问题，在tsx文件中，props.dispatch是需要规定类型的，如果嫌麻烦可以在头上使用的形式来表示比如： class xxx extends React.Component{ 这样就可以解决props.dispatch问题了

这个问题还有个解决的方法，就是在tsconfig.json文件中，设置 "noImplicitAny":false ，这样就可以设置默认any类型了，但是这样对ts支持不太好，上面的方法。

Module not found: Error: Can't resolve 'react' in

使用 react + webpack 启动一个简单的 react 例子时, 报错 :

一. 项目结构:

二. 一些文件内容:

app.jsx:

package.json:

webpack.config.js:

出现错误的原因: resolve.modules 这个方法使用错了, resolve.modules 告诉 webpack 寻找模块时应该从哪些路径查找, resolve.modules 的默认值就是 ["node_modules"], 我写成这样 modules: [APP_PATH] 就不去 "node_modules" 查找了.

resolve.modules 里的路径可以是相对路径, 也可以是路径. 如果是相对路径, 查找模块时会像 node 查找模块一样, 先从离的最近的 node_modules 目录里查找, 如果没找到, 层层向上继续找, 直到到最外层的根目录的 node_modules. 如果是路径, 就简单多了, 只在指定的路径里查找.

python分析单细胞数据，多细胞去除的模块

hi，各位道友，上次我们介绍了R包DoubletFinder用于去除多细胞 那么python是否也有类似的模块去除多细胞呢，是有的。这次我们就来使用一下python模块去除多细胞

Single-Cell Remover of Doublets

Python code for identifying doublets in single-cell RNA-seq data

给定一个原始的（未归一化的）UMI，以细胞为行，基因为列的矩阵counts_matrix计数，计算每个单元的多细胞得分。

scr.scrub_doublets（）从观察到的数据模拟双峰，并使用k最近邻分类器为每个转录组计算一个连续doublet_score（介于0和1之间）。 分数将自动设置为阈值以生成predicted_doublets，这是一个布尔数组，对于预测的doublets为True，否则为False。

做法：

一、处理来自多个样本的数据时，请分别对每个样本运行Scrublet。 因为Scrublet旨在检测由两个细胞的随机共封装形成的多细胞捕获，所以它在多个样本的合并数据集上可能表现不佳（原因大家都懂的）。

二、检查doublet分数阈值是否合理（在理想情况下，如本例所示，将双峰模拟doublet分数直方图的两个峰分开），并在必要时进行手动调整。例子在本文的后面展示。

三、可视化二维嵌入中的多细胞预测（例如UMAP或t-SNE）。 预测的双峰应该大体上共定位（可能在多个群集中）。 如果不是，则可能需要调整doublet得分阈值，或更改预处理参数以更好地解析数据中存在的单元格状态。

接下来我们看一下如何使用

步，导入必要的模块

第二步：读入矩阵，要求如上述所讲,计算多细胞比率

这一步包括

Initialize Scrublet object

相关参数是：

expected_doublet_rate:预期多细胞的比率，通常为0.05-0.1。 结果对该参数不是特别敏感。

sim_doublet_ratio：相对于观察到的转录组数量，要模拟的双峰数量。 此值应该足够高，以使所有的doublet状态都能通过模拟doublet很好地表示。 设置得太高在计算上是耗时的。 默认值是2，尽管低至0.5的值会为已测试的数据集提供非常相似的结果。

n_neighbors：用于构造观察到的转录组和模拟多细胞的KNN分类器的邻居数。 通常，round（0.5 sqrt（n_cells））的默认值效果很好。

运行默认pipeline，其中包括：

双重模拟

标准化，基因过滤，重新缩放，PCA

多细胞计算

多细胞得分阈值检测和双峰调用

绘制观察到的转录组和模拟多细胞的多细胞得分直方图

模拟的多细胞直方图通常是双峰的。左模式对应于由具有相似基因表达的两个细胞产生的“嵌入”多细胞。 右边的的模式对应于“新型”多细胞，其由具有不同基因表达的细胞产生。 Scrublet只能检测”新型“双峰，这一点和doubleFinder的R包一样。

要比较单细胞与多细胞，我们必须设置一个阈值多细胞得分，理想情况下，应在模拟的双峰直方图的两种模式之间设置最小值。 scrub_doublets（）尝试自动识别这一点，并且在本示例中做得很好。 但是，如果自动阈值检测效果不佳，则可以使用call_doublets（）函数调整阈值。 例如：

scrub.call_doublets(threshold=0.25)

接下来我们画一下这个多细胞分布的直方图：

获取二维嵌入以可视化结果 (Tsne同理)