今天要讲的一篇是发表于 Hum Genet 的 "Shared genetic architecture between metabolic traits and Alzheimer's disease: a large-scale genome-wide cross-trait analysis" .很中规中矩的一篇文章,没有什么大的亮点的.写它的主要原因整篇文献思路很流畅,次要原因是我懒,不愿意看费脑子的文章. 以下,进入主题: 背景 阿尔茨海默病(AD)是一种进行性和破坏性的神经

流行病学研究常见的分析就是相关性分析了. 相关性分析某种程度上可以为我们提供一些研究思路,比如缺乏元素A与某种癌症相关,那么我们可以通过补充元素A来减少患癌率.这个结论的大前提是缺乏元素A会导致这种癌症,也就是说元素A和癌症有因果关系. 但实际上,元素A和癌症有相关性,不代表他们之间就有因果关系.也有可能是患癌症的人同时有其他的并发症,这种并发症会导致元素A缺乏. 再比如,研究表明,大胸女生与不爱运动相关.那么,到底是因为胸大的女性不爱运动,还是因为不爱运动导致胸大(肥胖). 如果不做其他分析,

孟德尔随机化(Mendelian Randomization) 统计功效(power)和样本量计算 1 统计功效(power)概念 统计功效(power)指的是在原假设为假的情况下,接受备择假设的概率. 用通俗的话说就是,P<0.05时,结果显著(接受备择假设); 在此结论下,我们有多大的把握坚信结果的显著性,此时需要用到power来表示这种"把握". 统计功效(power)的计算公式为 1-β. 说到β,要提一下假设检验中的一型错误和二型错误. 一型错误,用 α 表示,全称 T

好多同学询问孟德尔随机化的问题,我再来尝试着梳理一遍,希望对大家有所帮助,首先看下图1分钟,盯着看将下图印在脑海中: 上图是工具变量(不知道工具变量请翻之前的文章)的模式图,明确一个点:我们做孟德尔的时候感兴趣的是x和y的关系,也就是小b,但是我们直接去跑x对y的回归肯定是不对的,因为有很多的U,因此我们借助工具变量G(关于工具变量我们之前的文章有详细的解释,请自行查阅),去估计我们感兴趣的小b. 现在有天然良好的工具变量G,也就是我们的基因变量,此时有上面的图,再次重申:我们感兴趣的,最终希望

这篇文章是对SNP位点功能注释在线网站的一个总结帖. 软件排名不分先后,优先顺序可以看推荐指数. 彩蛋在最后,请坚持看完 1.GWAS4D, 推荐指数:**** 网址:http://mulinlab.tmu.edu.cn/gwas4d 支持输入格式 1) Variants Coordinates: Chr, Pos, [P-value] 支持输入格式 2) VCF-like Map: Chr, Pos, SNPID, Ref, Alt, [P-value] 支持输入格式 3) Single SN

前言 很多人问我有没有关于全基因组关联分析(GWAS)原理的书籍或者文章推荐. 其实我个人觉得,做这个分析,先从跑流程开始,再去看原理. 为什么这么说呢,因为对于初学者来说,跑流程就像一个大黑洞,学习原理就像一个小黑洞. 很多人花了好几个月的时间在看原理,一旦丢给他数据去分析,依旧束手无策. 不会跑流程,内心依旧会很恐慌.就像从来没有入门一样. 所以,我的建议是咱们先不去管原理,直接从分析入手. 等把数据跑出来了,整个流程的技能点满了,再去看看它的原理. 入门:学习GWAS的在线网站: 对于没有

我已经通过Gemma得到了关联分析的结果,如下. prefix.log.txt 中包含了一个总的PVE,这不是我们想要的. 那么,如何计算这些位点的表型解释率? 据了解,有些关联分析软件是可以同时得到这个信息的,比如Tassel. 参考:Whole-genome resequencing of wild and domestic sheep identifies genes associated with morphological and agronomic traits 有人说GAPIT的结

众所周知,全基因组关联分析(GWAS)发现的很多变异位点基本为非编码,这些变异位点1)要么调控基因表达(eQTL); 2)要么影响增强子活性; 3)要么影响转录因子(TF)结合特异性; 4)要么啥也不是. 针对以上四种情况: 1)是否调控基因表达(eQTL)可通过GTEx(https://gtexportal.org/home/)查询. 2)是否影响增强子活性可通过之前的推文查询:感兴趣的SNP/区域上是否有增强子/转录因子?增强子/转录因子调控哪个靶基因?(EnhancerDB) 3)是否影响

APP漏洞扫描用地址空间随机化 前言 我们在前文<APP漏洞扫描器之本地拒绝服务检测详解>了解到阿里聚安全漏洞扫描器有一项静态分析加动态模糊测试的方法来检测的功能,并详细的介绍了它在针对本地拒绝服务的检测方法. 同时,阿里聚漏洞扫描器有一个检测项叫未使用地址空间随机化技术, 该检测项会分析APP中包含的ELF文件判断它们是否使用了该项技术.如果APP中存在该项漏洞则会降低缓冲区溢出攻击的门槛. 本文主要介绍该项技术的原理和扫描器的检测方法.由于PIE的实现细节较复杂,本文只是介绍了大致的原理.

#include <cstdio> #include <cstdlib> #include <ctime> typedef long long int LL; inline bool qpow(int a,int x) { ,ans = ; while(b) { ) ans = (LL)ans*a%x; a = (LL)a*a%x; b >>= ; } ) return true; else return false; } inline bool rabin

进入http://browser.1000genomes.org/index.html网站 假定要寻找“6:133098746-133108745”这段距离的SNP数据,“6”表示6号染色体,后面的数据表示距离. 点击“Go”,进入如下界面后,再点击左栏的“Get VCF data” 弹出如下界面,再继续点击“VCF to PED converter” 再点击“Next” 接下来,弹出来的窗口让你选择种族(population),比如有中国CHB,日本JPT,挑选完感兴趣的种族,然后点击“Nex

题目:http://poj.org/problem?id=2454 题意:给你3*k(k<=60)个数,你要将它们分成3个长度为k的序列,使得其中至少有两个序列的和大于k*500 分析:以为有高大上的做法,然后题解爸爸告诉我是随机化乱搞…… 首先可以把最小的k个去掉 然后将剩下的2*k个分成2组 接下来随机化交换它们中的两个数,并判断…… 只能说略猥琐

周三的算法课,主要讲了随机化算法,介绍了拉斯维加斯算法,简单的理解了为什么要用随机化算法,随机化算法有什么好处. 在处理8皇后问题的时候,穷举法是最费时的,回朔比穷举好点,而当数据量比较大的时候,如1000皇后问题,穷举的化有1000的1000次方,肯定超时,用随机化算法的思路,先随机的在棋盘上放一部分皇后,再来设计算法,会大大节省时间,使算法性能更加优良. 本篇介绍令一种随机化算法,舍伍德(Sherwood)算法. 题目: Matrix Multiplication Time Limit: 2

1,软件介绍 FreeBayes is a Bayesian genetic variant detector designed to find small polymorphisms, specifically SNPs (single-nucleotide polymorphisms), indels (insertions and deletions), MNPs (multi-nucleotide polymorphisms), and complex events (composite

Description You are given three n × n matrices A, B and C. Does the equation A × B = C hold true? Input The first line of input contains a positive integer n (n ≤ 500) followed by the the three matrices A, B and C respectively. Each matrix's descript

Zhuge Liang's Mines Time Limit: 20 Sec Memory Limit: 256 MB 题目连接 http://acm.hdu.edu.cn/showproblem.php?pid=4739 Description In the ancient three kingdom period, Zhuge Liang was the most famous and smartest military leader. His enemy was Shima Yi, who

homeword04-word search 0. 摘要 本次作业,要求完成一个word search的程序,具体要求是: 输入:一个包含20-60个单词的文件,各单词不大于20个字母,无空格. 输出:一个猜词游戏的字母矩阵,满足如下条件: 1. 每个单词在矩阵中出现,且只出现1次 2. 上下.下上.左右.右左及对角线共8个方向,每个方向均不少于2个单词排布. 3. 矩阵长宽可以不同 4. 不存在无效行或列 5. (进阶要求)矩阵为正方形 6. (进阶要求)矩阵四角有单词覆盖 对于这个题目的实现

C. Graph Reconstruction Time Limit: 20 Sec Memory Limit: 256 MB 题目连接 http://codeforces.com/contest/329/problem/C Description I have an undirected graph consisting of n nodes, numbered 1 through n. Each node has at most two incident edges. For each pa

随机化算法+贪心! 将3*k排序后分成3分,将第二第三份的和分别加起来,让和与500*k比较,都大于则输出,否则,随机生成2个数,在第二第三份中交换! 代码如下: #include<iostream> #include<stdio.h> #include<cmath> #include<algorithm> using namespace std; struct an { int w,lab; }p[]; bool cmp(const an &a,c

方法1:暴力法 矩阵乘法+优化可以卡时间过的. 方法2:随机化 随机构造向量x[1..n],则有xAB=xC;这样可以将小运算至O(n^2). 代码如下: #include<iostream> #include<stdio.h> #include<cmath> #include<algorithm> using namespace std; ][],b[][],c[][],n,x[]; bool cal() { int i,j,k; ],an2[]; lon