如何提高工具开发和数据分析的效率？| jupyter | Rstudio server

这部分是超级干货，也能直接体现一个开发分析者的能力。

主要分为两部分：

1. 面对新问题时，如何高效的分析和开发？

2. 面对相似的问题时，如何最快时间的利用之前的开发经验？

因为现在我主要用shell和R来处理测序数据，所以本文仅局限于shell和R代码的开发和管理。

因为最终结果必然以图表呈现，所以本文的另一大部分就是绘图代码的开发和保存。

效率的定义：

现在给你一批GWAS的原始数据（或RNA-seq、scRNA-seq），你多久能给我出结果、出图？给你第二批，你又要多久？

你是否知道如何结果的最佳呈现形式？

核心：

• GitHub的利用
• R包的开发和管理
• jupyter和Rstudio server是神器
• 高效的归纳总结系统
• Rmarkdown和jupyter notebook到底选哪一个？各有利弊

如何让别人的开发为我所用？站在巨人的肩膀上

• 多看是必须的
• 总结，这个研究到底解决了什么问题？填补了哪个gap？
• 归纳，这些分析和绘图代码能不能归到一个R包里，汇总为一个manual，随时调用

数据分析：

• 数据特性的总结和QC
• 尝试多种工具
• 评价、比较不同工具的结果
• 挑选合适的工具，解读结果
• 根据实际问题开发创新

单批数据的分析是容易的，但是数据的整合才是最重要的。

两大类整合

• 不同发育阶段的整合
• case和control的整合

待续~