- 综合排序
- 最热优先
- 最新优先
新TCGA+文献复现里的几种算法
任意基因的相关性 可以将分组（正常样本和肿瘤样本）与基因的相关性联系 几种算法（免疫丰度、免疫细胞亚型 1.免疫亚型鉴定和可视化 https://www.yuque.com/xiaojiewanglezenmofenshen /bsgk2d/ab5gvv#6d0c41bc) 结合GBM_ER的文档3里的代码immune里来看 准备好exp？ 免疫细胞丰度 箱线图：文献代码：https://www.yuque.com/xiaojiewanglezenmofenshen/bsgk2d/rhrbqu 用ssega方法，结合GBM_ER文献里的mmune 泛癌的亚型如何寻找，新版TCGA文献 ppt里的第23张 4.estimate算法 https://www.yuque.com/xiaojiewanglezenmofenshen/bsgk2d/yenun9 每个表型相关模块里的那些基因 模块：具有高拓扑重叠相似性的基因合集。共表达模块是根据非相似性矩阵，利用聚类算法获得。基因与他所属的同一模块内的其他基因往往具有更高的共表达特性。
72610编辑于 2024-03-10- 来自专栏全栈程序员必看
文献导入endnote的几种方法(导入参考文献)
大家好，又见面了，我是你们的朋友全栈君。 对于科研学子来说，EndNote（或NoteExpress）是管理文献的利器，能够快速筛选文献与录入参考文献，非常适用于参考文献较多的场合。 需要引用文献的时候就从中选择一个插入到文档中，EndNote 会自动给你编号、在文档末尾建立相应的参考文献列表。 但是各种杂志、单位要求的文献著录格式是不一样的，所以在插入文献到文档之前，我们应该选择合适的文献著录格式。 使用 EndNote 来管理文章中的参考文献引用和编排，省时省力，用过的都知道好。 需要填写的项如下图所示： 那么如何体现Endnote文献管理软件的强大之处呢：如果当你想在原有的参考文献前面在插入一篇文献，如你想在原先第36篇文献前再插入一篇文献，那么Endnote会自动将新插入的文献定义为
11.2K10编辑于 2022-08-01 - 来自专栏业余草
MD5摘要算法的几种破解方法！
MD5 算法暴力破解的几种方法 前言 昨天微信群里又热闹了起来，我一看消息，原来是有人在讨论：“如果突然有一天 MD5 算法被破解了，可逆了怎么办？” 其中有些网友表示，这题我会。 道理很简单，任意长度的数据经过 MD5 处理后，所包含的信息量已经大大减少。要是可以还原的话，那 MD5 岂不是成为最强的压缩算法了？？ 所以，目前所谓的“破解”指的就是“碰撞”。 假设我们要破解的摘要值（哈希链表的 H(x) 不一定是 MD5 算法，这里用更准确的说法代替 MD5 码）是 7E9F216C，经过 R(x) 运算得到 rapper，说明我们要寻找的原文就在以 rapper 真正意义上 MD5 算法的破解，是 2004 年山东大学王小云教授提出的 MD5 碰撞方法。她所用到的方法正是差分攻击。 （这里大家可以去找具体的论文）这个特定的常数到底是怎么找出来的？笔者当时在查阅原始文献的时候也不清楚。因此后来的研究者开始对怎么样差分进行了各种各样的研究。
2.4K10编辑于 2021-12-06 - 来自专栏生信技能树
Github带有全套代码分享的文献复现2025
我们生信技能树在前面给大家整理过大量的带有全套代码在 github 上分享的文献，还有一个专门的共享表格：自带图表复现代码及数据集的单细胞及多组学文章-V1 https://docs.qq.com/sheet 我们秉承着一切分享学习的态度，即将开启2025年的新专辑《Github带有全套代码分享的文献复现2025》，我们以学习文献中的思路，代码技巧为主，带领大家攻破一篇篇文献，将其运行到自己的科研课题中。 下面第一篇学习的文章非常好，作者的数据，代码整理的非常详细见以前的分享： 代码分享|| 见过将代码整理成wiki资源的吗？这是篇极好的学习单细胞与scATAC-Seq组学以及联合分析的文献资源！ GSE173682 # 存放 GSE173682 的相关数据 到这里，你需要准备好环境，下载好数据和文献，代码，提前熟悉文献内容！ 上面说的有点绕，代码运行来看看很快就会明白： # Load the RNA dataset # counts <- Read10X_h5(filename = ".
1.2K01编辑于 2025-02-10 - 来自专栏单细胞天地
CNS图表复现14—检查文献的inferCNV流程
前言 CNS图表复现之旅前面我们已经进行了13讲，你可以点击图表复现话题回顾。如果你感兴趣也想加入交流群，自己去：你要的rmarkdown文献图表复现全套代码来了（单细胞）找到我们的拉群小助手哈。 为了解决这个问题，让我们一起看看文献自己的inferCNV流程是如何使用的，以及对应的数据集。 ], levels = c("chr1", "chr2","chr3","chr4", "chr5" T，运行该文献他自己的数据集和文献代码后，运行的日志文件如下所示： INFO [2020-10-19 11:17:44] ::process_data:Start INFO [2020-10-19 11 往期回顾 CNS图表复现13—使用inferCNV来区分肿瘤细胞的恶性与否 细胞身份何以在分裂中得以保持？
3.4K21发布于 2020-11-02 - 来自专栏生信菜鸟团
用V5版本Seurat做单细胞数据文献复现
上周群里的小伙伴想让我复现一篇单细胞文献数据，看了一下是比较基础的分析流程。想到自己之前也没完整展示用V5版本的Seurat的分析流程，所以就以此当示例数据来分享以下这篇复现流程。 V5和V4的代码区别主要在前期导入数据和其中的数据有些许改变，曾老师在之前的几篇推文还有直播中都有提到。 要复现的图： image.png step1~ step4:导入数据 - 降维聚类分群 ###如何使用安装好的v5### #使用的时候加载v5路径 .libPaths(c( '/home/data/ ###### step5: 确定单细胞亚群生物学名字 ###### # 一般来说，为了节省工作量，我们选择0.1的分辨率进行命名 # 因为命名这个步骤是纯人工 操作 # 除非0.1确实分群太粗狂了，我们就选择 ，不过跑出来这篇文献的结果下面这些marker gene差不多够用了，因为还补充了文献给出的marker gene。
4.2K11编辑于 2024-01-19 - 来自专栏生信菜鸟团
精准的文献复现—seurat对象添加细胞亚群meta信息
❝我又继续探索了一下上上周推文复现的science推文数据集，这周的推文就继续写一下。 Science: 数据集：GSE234933 整个推文中需要注意的地方有三点： 作者给出的数据是多个rds格式文件压缩在一块的，解压后循环读取文件并合并成seurat对象 作者给出的细胞亚群信息可以后续添加到 ###读取数据集给出的细胞亚群信息 cell<-fread(". ，右图是我加入meta信息后重新降维分群得到的，复现可行性很高。」 「这样得出的结果去如果继续复现后续分析就会更方便一点，虽然上次的推文也进行了细胞亚群细分，但是不同的人对亚群细分的认知还是存在差异的。」
6.3K40编辑于 2023-11-03 - 来自专栏生信宝典
解读文献里的那些图——流式细胞术
荧光通道接收到的信号越强，表示细胞上结合的荧光素越多，那么细胞表面表达的该CD分子就越多，因此可根据荧光信号的强弱判断细胞表达该CD分子的相对数量。 总之，荧光通道值反映接收到的荧光信号的强弱，从而反映细胞上结合的荧光素的量，进一步反映细胞上表达该CD分子的量，最后间接反映细胞表达某CD分子这一化学特征。 我们可以简单的理解为曲线上该点对应的y轴值就是x轴代表的通道的荧光信号值对应的细胞数。 2.流式散点图 流式散点图能够同时表示两个通道的信息，更加直观和常用，x轴表示一个通道的值，y轴表示另一个通道的值，图中每一点代表一个细胞，该点所对应的横坐标值就是该点所代表细胞的x轴通道的值，所对应的纵坐标值就是该点所代表细胞的 3.流式等高线图 流式等高线图与流式散点图相似，一张流式等高线图也能同时显示两个通道的信息，所不同的是，流式等高线图借助地理等高线图表示细胞的密集程度，流式等高线图的环线代表的是细胞密度相同的区域，所以
5.1K33发布于 2021-10-11 - 来自专栏半生瓜のblog
几种常见的排序算法
[j]之前，则称这种排序算法是稳定的，否则称为不稳定的。 最坏情况——逆序(6,5,4,3,2,1)就是一直都要放到第一个位置，完成升序。 最好情况——顺序(1,2,3,4,5,6)没有一个数据需要挪动。 6的位置已经被确定，它左边的数都比它小，右边的数都比它大，如果它左右两边都是有序的，那么整个数组就有序里。 操作系统中内存的栈和堆与数据结构中的栈和堆要区分开来。 队列也可以实现。 归并排序 基本思想 归并排序是建立在归并操作上的一种有效的排序算法，该算法是采用分治法，的一个非常典型的应用。 归并排序有空间复杂度的消耗，因为它的核心算法需要开辟一个临时数组。它的空间复杂度是O(N),这是它跟其他算法的主要差异。
74620编辑于 2023-05-12 - 来自专栏生信技能树
你要的rmarkdown文献图表复现全套代码来了（单细胞）
强烈要求我们推荐纯粹的R语言的文献图表复现全套代码，其实很容易检索到，2020奶牛7月仅仅是单细胞高分（IF>9）文章就有一百多篇，全部的单细胞相关文章有六七百篇了。 一般来说，公布代码，都是在GitHub，所以只需要关键词合适，搜索十几篇带有配套文章的图表的数据和代码很正常。 我从这些CNS文章里面精挑细选了一个非常值得大家花时间跟下去的，就是新鲜出炉的发表在CELL杂志的：Therapy-Induced Evolution of Human Lung Cancer Revealed 文章的主线就是分群，然后继续分群。细胞数量也不多，大家的电脑基本上都可以hold住，第一次分群如下： ? 无限量函数学习 我们也可以解析每个代码 每个人写代码的习惯不一样，而且有更好的rmarkdown书写方式，大家都可以运行一遍作者提供的数据和代码，在他们的基础上面进行创作和发挥： --- title:
1.7K32发布于 2020-08-28 - 来自专栏全栈程序员必看
java的几种排序算法(常用排序算法)
大家好，又见面了，我是你们的朋友全栈君。 常见几种java排序算法 1.插入排序 2.分治排序法,快速排序法 3.冒泡排序 low版 4.冒泡排序 bigger版 5.选择排序 6. 层层细分 接下来，我们通过示图来展示上述分区算法思路的过程： public class QuickSort { public static void sort(int[] arr 选择排序 选择排序也是一种简单直观的排序算法，实现原理比较直观易懂： 首先在未排序数列中找到最小元素，然后将其与数列的首部元素进行交换，然后，在剩余未排序元素中继续找出最小元素，将其与已排序数列的末尾位置元素交换 //如上面的注释, 就是从5开始. a) { // 从倒数第二排最后一个开始, 从下往上, 层层处理把最大的换上去构建最大顶堆 // 如上面的注释, 就是从5开始.
90820编辑于 2022-07-28 - 来自专栏Spark学习技巧
几种简单的负载均衡算法
负载均衡分为软件负载均衡和硬件负载均衡，前者的代表是阿里章文嵩博士研发的LVS，后者则是均衡服务器比如F5，当然这只是提一下，不是重点。 本文讲述的是"将外部发送来的请求均匀分配到对称结构中的某一台服务器上"的各种算法，并以Java代码演示每种算法的具体实现，OK，下面进入正题，在进入正题前，先写一个类来模拟Ip列表： 轮询（Round 基于概率统计的理论，吞吐量越大，随机算法的效果越接近于轮询算法的效果。 源地址哈希算法的缺点在于：除非集群中服务器的非常稳定，基本不会上下线，否则一旦有服务器上线、下线，那么通过源地址哈希算法路由到的服务器是服务器上线、下线前路由到的服务器的概率非常低，如果是session 最小连接数（Least Connections）法 前面几种方法费尽心思来实现服务消费者请求次数分配的均衡，当然这么做是没错的，可以为后端的多台服务器平均分配工作量，最大程度地提高服务器的利用率，但是实际情况是否真的如此
2.1K50发布于 2018-04-17 - 来自专栏Golang语言社区
Golang实现Fibonacii的几种算法
package fib /** Fibonacii的几种算法实现 */ // 直接循环计算 func Fib(n int) int { f := [3]int{0, 1, 1} if ] } for i := 2; i <= n; i++ { f[i&1] += f[(i+1)&1] } return f[n&1] } //递归算法 { if n < 3 { return 1 } return fib_recursion(n-1) + fib_recursion(n-2) } //尾递归算法 可以明显看出，直接计算，无交换的算法是最快的。
90560发布于 2018-03-20 - 来自专栏嵌入式大杂烩
常见的几种AD滤波算法
在进行AD采样时，常常都会对采样数据进行滤波，以达到更好一点的效果。下面分享几种较简单而常用的滤波算法： 限幅滤波法 限幅滤波法又称程序判断滤波法 。 、液位的变化缓慢的被测参数有良好的滤波效果。 缺点： 对于测量速度较慢或要求数据计算速度较快的实时控制不适用，比较浪费 RAM 。 ，可消除由于脉冲干扰所引起的采样值偏差。 End：以上就是本次的分享。滤波算法有很多种，本文分享的是几种较为简单但却实用的。如有错误，欢迎指出！
2.1K21发布于 2019-11-27 - 来自专栏用户画像
常见的几种聚类算法
1、K-Means(K均值)聚类 算法步骤： (1)选择一些类，随机初始化它们的中心点。 (2)计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。 2、均值漂移聚类 均值漂移聚类是基于滑动窗口的算法，来找到数据点的密集区域。这是一个基于质心的算法，通过将中心点的候选点更新为滑动窗口内点的均值来完成，来定位每个类的中心点。 然后去除相似窗口，最终形成中心点集及相应的分组。 算法步骤： (1)确定滑动窗口半径r，以随机选取的中心点C半径为r的圆形滑动窗口开始滑动。 均值漂移类似一种爬山算法，在每一次迭代中向密度更高的区域移动，直到收敛。 (2)每一次滑动到新的区域，计算滑动窗口内的均值来作为中心点，滑动窗口内的点的数量为窗口内的密度。 在每一次移动中，窗口会想密度更高的区域移动。 (3)移动窗口，计算窗口内的中心点以及窗口内的密度，知道没有方向在窗口内可以容纳更多的点，即一直移动到圆内密度不再增加为止。
86630发布于 2021-05-06 - 来自专栏九霄道长
PHP的几种加密算法
MD5加密 md5加密算法在PHP中是最常见的加密算法，这个算法是不可逆的，通常用于加密用户的密码等信息来保证用户的信息安全。 来自 RFC 1321 的解释 - MD5 报文摘要算法：MD5 报文摘要算法将任意长度的信息作为输入值，并将其换算成一个 128 位长度的"指纹信息"或"报文摘要"值来代表这个输入值，并以换算后的值作为结果 MD5 算法主要是为数字签名应用程序而设计的；在这个数字签名应用程序中，较大的文件将在加密（这里的加密过程是通过在一个密码系统下[如：RSA]的公开密钥下设置私有密钥而完成的）之前以一种安全的方式进行压缩 MD5加密的方式。 > sha1加密算法 sha1加密算法和MD5加密算法一样时不可逆的，有两个参数，一个是要加密的字符串，第二个是bool值，如果指定第二个参数为TRUE，则返回二进制格式的字符串，如果不指定则默认为FALSE
3.2K40发布于 2021-03-02 - 来自专栏程序员云帆哥
Java的几种经典排序算法
对一个排序算法来说，一般从如下3个方面衡量算法的优劣： 时间复杂度：主要是分析关键字的比较次数和记录的移动次数。 空间复杂度：分析排序算法中需要多少辅助内存。 稳定性：若两个记录A和B的关键字值相等，但排序后A、B的先后次序保持不变，则称这种算法是稳定的；反之，就是不稳定的。 void swap(int[] arr, int i, int j) { int temp = arr[i]; arr[i] = arr[j]; arr[j] = temp; } 5、 希尔排序算法 插入排序的升级版。 while(h > 0) { for(int i = h; i < nElem; i++) { //每个增量间隔内，实现插入排序，两个for循环和插入排序一样，只不过第二个for循环里参数略有调整而已
42440编辑于 2022-05-12 - 来自专栏数据之美
hadoop 里执行 MapReduce 任务的几种常见方式
的替代品。 0 : 1); } } 执行： bin/hadoop jar /tmp/wordcount.jar WordCount /tmp/3.txt /tmp/5 结果： hadoop fs -cat /tmp/5/* aa 1 bb 2 cc 2 dd 1 参考资料： Hadoop - Map/Reduce 通过WordCount例子的变化来了解新版hadoop 注意：脚本开头需要显示指定何种解释器以及赋予脚本执行权限 详情请见： http://blog.csdn.net/jiedushi/article/details/7390015 5、 说明：列举了上述几种方法主要是给大家一个不同的思路， 在解决问题的过程中，开发效率、执行效率都是我们需要考虑的，不要太局限某一种方法了。
88280发布于 2018-02-24 - 来自专栏python3
小谈python里 列表 的几种常用用法
在python中列表的常用方法主要包括增加，删除，查看和修改。下面以举例子的方法具体说明，首先我们创建两个列表，列表是用[ ]表示的，里面的元素用逗号隔开。 a=[‘hello’,78,15.6,‘你好’] b=[78,1,1,4,5,6,1] 一.增加 方法一：a.append('tom') # 在a列表最后追加一个元素tom ['hello', 78, 15.6, '你好'] 方法三： a.extend(b) #表示把b列表元素添加到a列表中 ['hello', 78, 15.6, '你好', 78, 1, 1, 4, 5, [5, 4, 1, 1,78] 3.查找列表中的某一个元素的具体位置： print(a.index(15.6)) 结果为2 表示15.6这个元素在a列表的第三个位置 4.查找元素出现的次数 [1, 6, 5, 4, 1, 1, 78]
46320发布于 2020-01-20 - 来自专栏人工智能头条
几种监督式学习算法的比较
日前他撰文谈及了几种监督式学习算法的比较，值得一看。 以下为正文： 我所讲授的 数据科学课程 涵盖了该领域大部分内容，但尤其关注机器学习（machine learning）。 除了讲授模型的评估过程和度量方法以外，很明显，我们还讲算法本身，主要是监督式学习（supervised learning）算法。 在为期11周的课程接近尾声的时候，我们花了几个小时检查所用的课程资料。 我们希望学生能够逐渐理解他们所学的东西。要掌握的技能之一就是在解决机器学习的问题时，有能力在不同的监督式学习算法中做出明智的选择。 我给他们一张空白的表格，列出所讲的监督式学习算法，让学生从几个不同维度对这些算法进行比较。我在网上找到了这样的表格，自己先弄一张再说！下面就是，一起看看： ? 是否存在应该添加到表格中的其他“重要的”对比维度？ 是否还有其他你希望加入到这张表格的算法？（目前，表格中只有我所讲授的算法。）
69920发布于 2018-06-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号