仍然是两年前的笔记 1. prepare-reference 如果用RSEM对比对后的bam进行转录本定量,则在比对过程中要确保比对用到的索引是由rsem-prepare-reference产生的. ~/software/rsem/rsem-prepare-reference \ --transcript-to-gene-map ~/project/RNA-seq/ref_cds/gene_transcript.txt \ #作用是在后面的定量结果文件中,添加gene名称, 转录本名称两列,该文

featuresCounts 软件用于定量,不仅可以支持gene的定量,也支持exon, gene bodies, genomic bins, chromsomal locations的定量: 官网 : http://bioinf.wehi.edu.au/featureCounts/ 只需要输入reads的比对情况,就是BAM 文件,再输入一个你感兴趣的区间的注释(通常是基因或者转录本的注释gtf 文件,就可以了),所以不论是DNA seq 还是RNA seq, 这个软件都是可以定量的. fea

文献名:Data-independent acquisition mass spectrometry in metaproteomics of gut microbiota - implementation and computational analysis(DIA技术在肠道宏蛋白质组研究中的方法实现和数据分析) doi: 10.1021/acs.jproteome.9b00606 期刊名:Journal of Proteome Research 作者:Juhani Akakko, Sami

参考: 独占鳌头的Illumina仪器(二代测序篇) HiSeq2000测序原理.流程与仪器 NGS文库制备的方法比较[心得点评] 各种测序文库构建方式 样本:就是待测的DNA.RNA或蛋白序列,样本来源单一的就是单样本,样本来源于多处就是多样本,一般我们测序用的样本都是单样本,但有时候有特殊需求,我们会把一些样本混合在一起测序,也就是多样本测序. 文库:二代三代读长都是有限的,为此我们必须将全长的序列打断成小片段的文库才能进行测序.总的来说,在NGS分析之前,制备RNA或DNA的主要步骤包括:

这么多工具和基因组版本,选择困难症犯了,到底用哪个好呢? 2018 nature - Developmental diversification of cortical inhibitory interneurons : ENSEMBL release 84 Mus musculus genome 2017 Molecular Cell - Single-Cell Alternative Splicing Analysis with Expedition Reveals Splicing Dyn

cuffquant 定量的过程中,当所有基因或者转录本的表达量都为0时,定量的结果就回全部是-nan  , 而不是0: 出现这种情况有两种原因: 1) 参考基因组搞错了,比对和定量的不是同一个参考基因组,或者gtf 文件和fasta 文件中染色体标识符对应不上,最常见的情况就是,一个以chr开头,一个不带chr; 2) 确实是0,就是说比对灭有问题,就是没有比对上基因区间:当然这种概率非常小,如果遇到,只能说是小确幸: 值得高兴的是,今天我就遇到了这种情况,同一批样本,其中一个样本基因的表达量全

文献名:Quantitative mass spectrometry to interrogate proteomic heterogeneity in metastatic lung adenocarcinoma and validate a novel somatic mutation CDK12-G879V(利用定量质谱技术探究转移性肺腺瘤的蛋白质组异质性及验证新体细胞突变CDK12-G879V) 期刊名:Mol Cell Proteomics 发表时间:(2019年4月) IF:5.23

大家好,本周分享的是发表在MCP上的一篇关于鸟枪蛋白质组学中的错误率的文章,题目是Integrated identification and quantification error probabilities for shotgun proteomics,作者是瑞典皇家理工学院的Matthew The 和Lukas Kall. 鸟枪法蛋白质组学中蛋白的无标定量存在诸多误差.蛋白的鉴定就是其中的一个来源.然而人们经常忽略某些错误源,且在后续步骤中认为过滤得到的列表是完全正确的,这两个错误的累加很

期刊名:Journal of Proteome Research 发表时间:(2019年9月) IF:3.78 单位: 中国科学院大连化学物理研究所 中国科学院大学 大连医科大学第二附属医院 物种:人血浆 技术:用组氨酸修饰的具有可变换表面电荷的亲水性智能材料(组氨酸键合的二氧化硅,HBS)可选择性地从复杂的生物样品中富集唾液酸化的糖肽(SGP)   一. 概述: 糖蛋白的异常唾液酸化与许多恶性疾病密切相关,唾液酸化的分析对于揭示这些疾病的现状具有很大的潜力.然而,深入分析唾液酸化仍然具有挑战性

定量变量(Quantitative Variables):也称为数值型变量(Numerical Variables),可以用连续值或离散值表示.比如:气温(连续值),学生人数(离散值). 为什么要对定量变量进行转换?大多数情况下,我们可以直接使用定量变量.但是有时候,特征和目标之间不呈线性关系.比如说年龄和收入之间的关系,当人年轻时,收入通常会稳步上升,但到了一定年纪之后,收入便开始降低.我们当然可以用非线性模型来拟合数据,但是这样会把模型弄得很复杂.因此比较好的做法是在数据准备的阶段就对定量变

外泌体 (exosomes) 是由哺乳动物细胞通过"内吞-融合-外排"等机制,主动向胞外释放的纳米级 (直径40~60 nm) 双层囊泡小体,携带蛋白质.核酸.脂质等多种生物活性分子.越来越多的证据表明,外泌体是细胞间交流的重要媒介,它们可以将功能性分子转移到受体细胞中,或参与受体细胞膜受体介导的信号传导 .此外,由于外泌体在体液中很容易获得,常作为非侵入性液体活检的重要内容,以帮助识别疾病和评估治疗反应.而外泌体的天然分子转运特性以及良好的生物相容性,也令其在药物载体.递送.治疗等领

目录 1.简介 2.下载安装 3.配置与运行 4.结果 5.Perseus后处理 6.小结 1.简介 2016年,德国马普所的Cox和蛋白质组学领域巨擘Matthias Mann合作开发了MaxQuant软件(MQ),并发表在nbt上,protocol也相应发表在nature protocols上.不足五年,MQ的引用率已高达上万次,其中不乏CNS级别文章(有大佬的加持果然不一样).毫不夸张地说,MaxQuant是业界良心,它的横空出世沉重地打击了深恶痛绝的质谱厂商们的嚣张气焰. 主要特点: 支

一个windows下的ddos样本. 加载器 程序运行之后会在临时目录释放出一个256_res.tmp的文件 之后将该文件移动至system32目录下,以rasmedia.dll命名. 删除原文件. 加载开始释放的dll文件,并调用该dll导出的install函数.

前段时间收到locky样本,分析之后遂做一个分析. 样本如下所示,一般locky勒索的先决条件是一个js的脚本,脚本经过了复杂的混淆,主要用于下载该样本文件并运行,. 解密 样本本身进行了保护,通过ida打开之后只有少量几个函数,如下图所示为样本的入口地址,代码进行了重度的混淆加密.

catalogue . TF-IDF . 基于空间向量的余弦算法 . 最长公共子序列 . 最小编辑距离算法 . similar_text . local sensitive hash 局部非敏感哈希 . SSDEEP Hash . K-means聚类算法 . 二分K-means算法 1. TF-IDF Relevant Link: http://qianxunniao.iteye.com/blog/1831780 2. 基于空间向量的余弦算法 将分词后的词频作为向量分量,将每个文件转化为一个向量

最近接手的一个样本,样本中使用了大量的xor加密,由于本身样本不全,无法运行(好吧我最稀饭的动态调试没了,样本很有意思,以后有时间做票大的分析),这个时候就只好拜托idapython大法了(当然用idc也一样),期间遇到几个问题,遂记录一番. 样本加密的字符如下,很简单,push压栈之后,反复调用sub_1000204D解密. 此时,要写脚本的话,我们希望这个脚本能够足够通用,通常样本中的加密都是由一个函数实现,函数本身实现解密,传入的参数通常是解密字符,和key两个参数(当然肯定也有其他的模式

逆向分析 之后我们通过ida对该样本进行更深入的分析样本的main函数中,一开始会调用函数dec_conf对样本中的大量加密的字符串进行解密,如下图所示.

样本行为 该样本为国庆期间接到的一个应急,发现为今年比较流行的xorddos,遂分析一番. 运行之后,查看进程,可以发现可疑进程ydxrooqtno,以及ppkzkneour. 多次运行发现除了ydxrooqtno之外,其余进程的id,名称一直在改变.

上一年也就是这个时候微软根据自己的人脸识别API推出了一个识别照片中人脸年龄和性别的网站--http://how-old.net,小伙伴们各种玩耍,一年后的今天突发"奇想"地想测试一下这个网站的识别情况.正好手里有3万多份标识有身份证信息.性别及照片拍摄时间的证件照(别问我从哪儿弄的,这玩意儿你懂的).今天就写了个脚本来测试一下.测试识别的目标有两个: 性别 年龄 提交数据获得识别结果 寻找接口 首先,查看一下how-old.net的提交接口. 用Chrome查看一下网络请求的情况 查

自相关函数/自相关曲线ACF   AR(1)模型的ACF: 模型为: 当其满足平稳的必要条件|a1|<1时(所以说,自相关系数是在平稳条件下求得的):          y(t)和y(t-s)的方差是有限常数,y(t)和y(t-s)的协方差伽马s                   除以伽马0,可求得ACF如下:                  由于{rhoi}其在平稳条件|a1|<1下求得,所以平稳    0<a1<1则自相关系数是直接收敛到0    -1<a1<0