Zobrazeno 1 - 5
of 5
pro vyhledávání: '"Newar, K."'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Decamps, Clémentine, Arnaud, Alexis, Petitprez, Florent, Ayadi, Mira, Baurès, Aurélia, Armenoult, Lucile, Alcala, N., Arnaud, A., Avila Cobos, Francisco, Batista, Luciana, Batto, A.-F., Blum, Y., Chuffart, F., Cros, J., Decamps, C., Dirian, L., Doncevic, D., Durif, G., Bahena Hernandez, S. Y., Jakobi, M., Jardillier, R., Jeanmougin, M., Jedynak, P., Jumentier, B., Kakoichankava, A., Kondili, Maria, Liu, J., Maie, T., Marécaille, J., Merlevede, J., Meylan, M., Nazarov, P., Newar, K., Nyrén, K., Petitprez, F., Novella Rausell, C., Richard, M., Scherer, M., Sompairac, N., Waury, K., Xie, T., Zacharouli, M.-A., Escalera, Sergio, Guyon, Isabelle, Nicolle, Rémy, Tomasini, Richard, de Reyniès, Aurélien, Cros, Jérôme, Blum, Yuna, Richard, Magali, HADACA consortium, [missing]
Publikováno v:
Dipòsit Digital de la UB
Universidad de Barcelona
BMC Bioinformatics, Vol 22, Iss 1, Pp 1-17 (2021)
BMC BIOINFORMATICS
BMC Bioinformatics
BMC Bioinformatics, BioMed Central, 2021, 22 (1), pp.473. ⟨10.1186/s12859-021-04381-4⟩
BMC Bioinformatics, 2021, 22 (1), pp.473. ⟨10.1186/s12859-021-04381-4⟩
Universidad de Barcelona
BMC Bioinformatics, Vol 22, Iss 1, Pp 1-17 (2021)
BMC BIOINFORMATICS
BMC Bioinformatics
BMC Bioinformatics, BioMed Central, 2021, 22 (1), pp.473. ⟨10.1186/s12859-021-04381-4⟩
BMC Bioinformatics, 2021, 22 (1), pp.473. ⟨10.1186/s12859-021-04381-4⟩
Background Quantification of tumor heterogeneity is essential to better understand cancer progression and to adapt therapeutic treatments to patient specificities. Bioinformatic tools to assess the different cell populations from single-omic datasets