很多时候我们需要从GEO(https://www.ncbi.nlm.nih.gov/geo/)下载RNA-seq数据,一个典型的下载页面是https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE76381(搜 GSE76381). 这里你会看到数据的总览: GSM2268339 1772067089_A01 GSM2268340 1772067089_A02 GSM2268341 1772067089_A03 -- Supplementary

Cell Ranger是一个"傻瓜"软件,你只需提供原始的fastq文件,它就会返回feature-barcode表达矩阵.为啥不说是gene-cell,举个例子,cell hashing数据得到的矩阵还有tag行,而列也不能肯定就是一个cell,可能考虑到这个才不叫gene-cell矩阵吧~它是10xgenomics提供的官方比对定量软件,有四个子命令,我只用过cellranger count,另外三个cellranger mkfastq.cellranger aggr.cellra

表达矩阵 要做两两样本的相关性散点图,并计算标明相关系数. 编写函数要点: 直接在aes中传参是不行的 线性回归表达式 函数 方法1:用!!ensym myplot <- function(indata, inx, iny){ nms <- names(indata) x <- nms[inx] y <- nms[iny] regression <- paste0(x, " ~ ", y) dat.lm <- lm(as.formula(regres

https://www.plob.org/article/9969.html Gene Expression Omnibus database (GEO)是由NCBI负责维护的一个数据库,设计初衷是为了收集整理各种表达芯片数据,但是后来也加入了甲基化芯片,甚至高通量测序数据! GEO数据库基础知识 GEO Platform (GPL) 芯片平台 GEO Sample (GSM) 样本ID号 GEO Series (GSE) study的ID号 GEO Dataset (GDS) 数据集的ID号

概述 创建&初始化 存取器 矩阵运算 变换函数 实例:模型视图矩阵 实例:投影矩阵 概述 OpenGL固定功能管线提供4个不同类型的矩阵(GL_MODELVIEW.GL_PROJECTION.GL_TEXTURE与GL_COLOR),并且为这些矩阵提供变换函数:glLoadIdentity().glTranslatef().glRotatef().glScalef().glMultiMatrixf().glFrustum()与glOrtho(). 这些内置矩阵与函数对于开发简单的OpenGL程序

  今天要上NCBI下载sra数据发现没有下载的链接,网上查发现都是老的方法,NCBI页面已经变更,于是看了NCBI的help,并且记录下来新版的sra数据下载方法,要用NCBI的工具SRA Toolkit.另外咨询师兄,总结得到新的wget下载的方法. 方法1 NCBI告知的方法(中断不能继续下载) 下载SRA Tookit https://trace.ncbi.nlm.nih.gov/Traces/sra/sra.cgi?view=software:点击software,选择需要的sra t

1.背景    项目须要,打算用python实现矩阵的去噪和归一化.用numpy这些数学库没有找到非常理想的函数.所以一怒之下自己用标准库写了一个去噪和归一化的算法,效率有点低,只是还能用,大家假设有须要能够拿去.  (1)去噪算法:依据概率论的知识,假设一组数据服从正态分布,我们设均值是n,方差是v,那么对于每一个离散数值有百分之九十二以上的概率会在(n-3*v,n+3*v)的区间内. 所以这里的去噪功能主要是实现假设超出了区间就将这个值标记为区间所能容忍最大值.  (2)归一化:找到输入队列

从NCBI下载数据本来是一件很简单的事情,但是今天碰到几个坑: 1.paper里没有提供SRA数据号.也没有提供路径: 2.不知道文件在ftp的地址,不能直接用wget下载 所以通过在NCBI官网,直接在SRA搜索栏里: 输入paper的title关键词NIFTY BGI 搜索结果: 选一个文件点击进去 进去之后,再点击SRP 然后: 出现如下内容: 然后选择所有SRR文件: 下载Accession list之后得到文件列表: SRR354208 SRR357358 SRR357397 SRR3

http://www.cnblogs.com/hefee/p/3816727.html OpenGL矩阵类(C++) 概述 创建&初始化 存取器 矩阵运算 变换函数 实例:模型视图矩阵 实例:投影矩阵 概述 OpenGL固定功能管线提供4个不同类型的矩阵(GL_MODELVIEW.GL_PROJECTION.GL_TEXTURE与GL_COLOR),并且为这些矩阵提供变换函数:glLoadIdentity().glTranslatef().glRotatef().glScalef().glMul

首先准备数据:表达矩阵 ACC.uncv2.mRNAseq_RSEM_normalized_log2.txt(以下载的TCGA的数据,log之后的) 上面数据中01为tumor,11为normal 我们进行差异分析,就是看两组的表达值,是否差异,而检验的方法就是T检验 a=AVERAGE(B2:G2)    ##求tumor组的平均表达量 b=AVERAGE(H2:O2)    ##求normal的平均表达量 c=tumor-normal          ##计算得到logFC值 d=AVER

MATLAB r2018b mac中文版是一款强大的可视化数学分析软件,专门用于在Mac上执行数值计算,编程和可视化任务时极大地提高您的工作效率.在MATLAB的帮助下,您可以分析数据,创建应用程序,模型和开发算法,此外,由于其内置工具的大量选择,以及语言和内置数学算法,您可以仔细检查各种方法并找到解决方案比传统的编程语言和电子表格快得多.MATLAB可用于各种应用,从通信和信号处理到控制系统,视频处理,计算金融和生物学,测试和测量.   MATLAB R2018b for Mac版安装教程 M

TCIA就是基于TCGA数据开发的,不同的是TCIA只提供了20个癌种的免疫数据分析. 看网站首页的介绍就知道,这个数据库主要是根据TCGA的二代测序数据开发出来的.这里的20个癌种,点击每个柱子进去就可以分析对应的癌种,侧边的栏目则提供一些个性化选择. 01 Patients list模块 TCIA分别对每个病人进行分析,数据也提供下载,我们可以看到提供了ID.疾病.性别和年龄信息,我们重点关注IPS这一列的信息,IPS这一列有4个项目,有不同的属性,作者在文章中表示IPS(immunophe

1) 熟悉CEL file 从 NCBI GEO (http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE24460)下载GSE24460. 将得到一个 GSE24460_RAW.tar 文件,解压.产生CEL文件,包含各种信息. if("affy" %in% rownames(installed.packages()) == FALSE) {source("http://bioconductor.org/biocLite.

1)airway简介 在该workflow中,所用的数据集来自RNA-seq,气道平滑肌细胞(airway  smooth muscle cells )用氟美松(糖皮质激素,抗炎药)处理.例如,哮喘患者使用糖皮质激素来减少呼吸道炎症,在该实验设计中,4种细胞类型(airway smooth muscle cell lines )用1微米地塞米松处理18个小时.每一个cell lines都有对照与处理组(a treated and an untreated sample).关于实验设计的更多信息可

转载:http://www.bio-info-trainee.com/1327.html 收集了那么多的癌症细胞系的表达数据,拷贝数变异数据,突变数据,总不能放着让它发霉吧! 这些数据可以利用的地方非常多,但是在谷歌里面搜索引用了它的文章却不多,我挑了其中几个,解读了一下别人是如何利用这个数据的,当然,主要是用那个mRNA的表达数据咯! 第一篇:http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0111146 这篇文

下载安装 if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager") BiocManager::install("affy") BiocManager::install("estrogen") affy 包为 Bioconductor 之中一个用于数据预处理的包. affy 包的功能只有一个:读取 affymetri

今天的内容讲讲单细胞文章中经常出现的展示细胞marker的图:tsne/umap图.热图.堆叠小提琴图.气泡图,每个图我都会用两种方法绘制. 使用的数据来自文献:Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma. 去年7月发表在Cell Re

细胞通讯分析可以给我们一些细胞类群之间相互调控/交流的信息,这种细胞之间的调控主要是通过受配体结合,传递信号来实现的.不同的分化.疾病过程,可能存在特异的细胞通讯关系,因此阐明这些通讯关系至关重要. CellPhoneDB配有详实的受配体数据库,其整合了此前的公共数据库,还会手动矫正,以得到更加准确的受配体注释.此外,针对受配体有多个亚基的情况,也进行了注释.下面这张图显示了CellPhoneDB配有的数据库包含多少种分泌蛋白和膜蛋白.蛋白质复合物.受配体关系,以及它们来源于什么数据库. 1.

1. 起因 之前的代码(单细胞分析实录(17): 非负矩阵分解(NMF)代码演示)没有涉及到python语法,只有4个python命令行,就跟Linux下面的ls grep一样的.然鹅,有几个小伙伴不会命令行,所以我决定再改写一下,把命令行都放到R下面运行. 2. 尝试 2.1 一开始,我的想法是教大家在R里面调用python,需要提前下载好anaconda和一些python包 然而想了想在Windows上安装python包可能对大家不是很友好,有些包很难装,我之前也弄了很久.考虑到这次更新是针

对于芯片或者其它表达数据来说,最常见的莫过于quantile normalization啦. 那么它到底对我们的表达数据做了什么呢?首先要么要清楚一个概念,表达矩阵的每一列都是一个样本,每一行都是一个基因或者探针,值就是表达量咯.quantile normalization 就是对每列单独进行排序,排好序的矩阵求平均值,得到平均值向量,然后根据原矩阵的排序情况替换对应的平均值,所以normalization之后的值只有平均值了. 具体看下面的图: 转载:http://www.bio-info-t

from: https://pengfoo.com/post/machine-learning/2017-04-11 GloVe(Global Vectors for Word Representation)是斯坦福大学发表的一种word embedding 方法,GloVe: Global Vectors for Word Representation,它看起来很new,其实有着old school的内核.GloVe尝试借鉴NNLM和word2vec的优势来弥补旧方法的劣势,取得了不错的效果.