- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信宝典
生信分析Python实战练习 3 | 视频21
开源生信 Python教程 生信专用简明 Python 文字和视频教程 源码在：https://github.com/Tong-Chen/Bioinfo_course_python 一些练习题 给定FASTA aDict = {‘ENSG00000000003’: {“A-431”: 21.3, “A-549”, 32.5,…},”ENSG00000000003”:{},} 用到的知识点 输入格式(只需要前3列就可以 0.0 FPKM Not detected ENSG00000000005 A-549 0.0 FPKM Not detected ENSG00000000005 AN3- Not detected ENSG00000000005 CACO-2 0.0 FPKM Not detected 输出格式 Name A-431 A-549 AN3- chr1 199 208 TGGCGTTCA chr1 207 216 ACCCCGCTG chr2 63 70 AAATTGC chr3 0
23420编辑于 2023-09-12 - 来自专栏图形化开放式生信分析系统开发
图形化开放式生信分析系统开发 - 3 生信分析流程的进化
接上两篇内容，本文主要讲述工作中NGS从科研进入医学临床领域，工作中接触到生信流程，以及最终在实现的过程。 接触二代测序，生信分析，那真是打开了一个新世界的大门，各种名次术语满天飞，搞的头晕脑胀。 下面分阶段描述生信分析流程升级/进化的过程： ---- 1.手动命令行运行 经过几个月接触，自学、爬坑，慢慢搞清楚了部分内容，在似懂非懂之间开始了生信流程分析，终于有一天明白过来，这所谓的pipeline 比如其中一个步骤： 生信分析流程的进化_1.png QC 完成后，然后运行下一个步骤： 生信分析流程的进化_2.png 运行模式，一个输入或者多个输入文件，通过软件分析/计算得到一个或者多个输出文件 脚本连续运行 随着熟练程度提高，生信分析上用到的软件/工具也熟悉起来了，但是问题也暴露出来了，简单的一套 GATK Best Practice 肿瘤突变分析流程，加上CNV，SV 分析从 fastq 文件开始到最后得到过滤的 到这里，基本上就达到很多公司的生信自动化分析水平了 6. 然而到这里就足够了么?
1.2K00发布于 2020-01-17 - 来自专栏芒果先生聊生信
生信分析网站（生存分析）
生信论文的套路 ONCOMINE从全景、亚型两个维度做表达差异分析； 临床标本从蛋白水平确认（或HPA数据库），很重要； Kaplan-Meier Plotter从临床意义的角度阐明其重要性； cBio-portal 数据库做基因组学的分析（机制一）； STRING互作和GO/KEGG分析探讨可能的信号通路（机制二）； TISIDB/TIMER分析肿瘤免疫特征（机制三）。 差异分析，无论是Oncomine，GEPIA，还是UALCAN、HPA数据库，都不需要R语言编写代码，容易上手，基本上一个星期甚至更短的时间就可以搞定，属于菜鸟级别生信操作。并没有想象中那么难。 生存分析是生信论文中经常出现的表型，也就是说基因在正常和肿瘤组织中表达的差异，与生存率的指标密切相关。如A基因在肿瘤中表达明显上调，生存率显著下降，这就是非常明确的相关性。 生存分析是非常重要的表型，诸多文章均有介绍。这里，我们对生存分析的纯生信数据库进行总结，果友们在选择时也可以作为参考。
4.4K44发布于 2020-08-11 - 来自专栏免疫组库研究
【生信分析】免疫组库基础分析9-CDR3 motif分析
通过分析 CDR3 motif 的序列特征（如长度、关键氨基酸残基），可阐明免疫受体（Ig/TCR）与抗原结合的分子规律，揭示 “抗原 - 受体” 相互作用的特异性机制，为理解免疫应答的精准调控提供依据 图1.不同长度的CDR3 氨基酸motif比较 2.2 CDR3 中间氨基酸motif 分析 这是一种忽略CDR3长度，关注CDR3中间氨基酸多样性motif分析策略。 通常以CDR3最中间的氨基酸作为位置0，然后分别计算中间与左右两边各两个氨基酸的motif特征。 图2.CDR3中间氨基酸motif 分析 3. 举例分析CDR3motif 3.1 展示特定长度CDR3 氨基酸motif library(tidyr) library(tidyverse) files <-list.files(path = ". # 高度（英寸） ) } 3.2 CDR<em>3</em> 中间氨基酸motif <em>分析</em> df <- read.table("AA-sigclone.txt", sep='\t', header = TRUE) #
27110编辑于 2025-10-20 - 来自专栏免疫组库研究
【生信分析】免疫组库基础分析7-CDR3长度分析
例如，抗体重链长 CDR3 倾向使用 DH2/DH3-JH6 基因片段，短 CDR3 则依赖其他基因组合。 通过高通量测序量化这一参数，可解码免疫应答的克隆动态，为精准免疫诊疗提供基石 2.如何分析CDR3长度 2.1 CDR3 核苷酸长度与CDR3氨基酸长度 在免疫组库分析文件中，提供CDR3区域的 因此，对CDR3长度的分析包括：CDR3 核苷酸长度与CDR3氨基酸长度，后者在分析中更为常见。 CDR3 长度分析的种类 3.1.CDR3 长度高斯分布分析 将X轴设置为核苷酸或者氨基酸不同长度数值，Y轴设置为百分比。展示每一个CDR3长度下对应的频率。 3.2.CDR3 长度平均分布分析 利用加权平均值来分析不同样本或者不同链的CDR3平均长度。 3.3.特定V/D/J 基因的CDR3 长度平均比较 如下图所示，图a展示了不同TRBV基因的相对频率。
46010编辑于 2025-10-20 - 来自专栏芒果先生聊生信
生信分析网站（免疫浸润分析）
生信论文的套路 ONCOMINE从全景、亚型两个维度做表达差异分析； 临床标本从蛋白水平确认（或HPA数据库），很重要； Kaplan-Meier Plotter从临床意义的角度阐明其重要性； cBio-portal 在差异分析的前提下，表型分析成为重点内容，也是可以玩出花样的地方。 生存分析是非常常见的表型分析。与生存分析相比，相关性分析是另外一个常见的表型分析。 免疫浸润分析比生存分析、差异分析和相关性分析难度更大，因为免疫学是不断延伸、拓展的学科，并不断从理论走向应用、临床，兼有科学性和技术性，比如实验中已经普遍应用的免疫印迹（WB），流式分析，免疫组化和免疫荧光等等 生信分析中，有一种算法叫反卷积分析，英文名叫Deconvolution。 生信开发人员可以先通过预设一个优秀的数据训练集（训练集主要包含了每种不同免疫细胞的基因表达特征），然后通过反卷积算法推算出这个整体样本中究竟有哪些免疫细胞。
7.7K43发布于 2020-08-12 - 来自专栏生信学习小组
生信学习day3
anaconda是总管，职务比conda低，但干的活不少，也是个有内涵的家伙miniconda是区域经理，说白了就是干事的，而且比较专一，主要负责生信领域二、如何下载软件1.创建biosoft（mkdir latest-Linux-x86_64.sh生信星球：sh是脚本（就是一个程序，后台的代码）文件的后缀，也就是说其实这是一个下载的脚本。 然后出现这个界面：3.下载完成后，运行 ：bash Miniconda3-latest-Linux-x86_64.sh,然后开始安装过程4.激活：source ~/.bashrc（注意空格）生信星球：激活不成功就将 add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/conda config --set show_channel_urls yes生信星球三 、开始使用conda1.查看当前服务器上安装的所有软件列表 conda list2.安装软件 conda install fastqc -y或conda install fastqc=0.11.7 -y3
35310编辑于 2024-01-18 - 来自专栏生信课程note＋实验知识
生信课程note-3
#筛选score > 0的基因df1[df1$score > 0,1]df1$gene[df1$score > 0]#5.数据框修改#改一个格df1[3,3] <- 5df1#改一整列df1$score mm[2,]m[,1]m[2,3]m[2:3,1:2]mt(m):转置 行变列m<-as.data.frame(m) 转换为数据框 必须要赋值矩阵画热图： pheatmap::pheatmap(m) rm(df1,df2)rm(list = ls()) 改变列的顺序a <- a[,c(1,3,4,2)]练习3-1# 练习3-1# 1.读取exercise.csv这个文件，赋值给test。 ="b",]test[test$Species=="a"|test$Species=="c",]test[test$Species %in% c("a","c"),]练习3-2# 练习3-2# 1.统计内置数据 (a))a# 4.探索列表取子集l[2]和l[[2]]的区别（提示：数据结构）class(l[2])class(l[[2]])图片引自生信技能树
1.8K40编辑于 2023-02-09 - 来自专栏笔记生信
生信提升day3
查看服务器 uname -a1.好的，是你64-bit（x86_64）2.3.下载成功未安装，需要运行这句代码(问啥回答啥)bash Miniconda3-latest-Linux-x86_64.sh channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/conda config --set show_channel_urls yes使用conda查看当前服务器上安装的所有软件列表 conda list安装软件 conda install fastqc -y 3尝试不加y，好吧，我也看不懂，反正就是不成功卸载软件 conda remove fastqc -y（先不试）选修conda 环境 分身就是不同的“conda environment”为了满足不同项目需要的相同软件的不同版本1.查看conda有哪些环境（带*已激活）2.创建也成功了3.成功成功，芜湖~4.退出当前环境conda deactivate 代码引用生信星球，说明部分引用生信星球心得，感觉今天比昨天简单，嘻嘻~
23800编辑于 2023-11-15 - 来自专栏用户10800790的专栏
生信星球 day 3 —— 橙子🍊
安装一切顺利，愉快学习的一天，感谢生信星球，感恩豆豆花花，继续磕cp安装操作记录1. 查看linux服务器位数uname -a选择对应的64位，.sh是脚本文件后缀；注：64-bit（x86_64）、32-bit(x86)3. 选择相应的miniconda，右键复制链接网址图片4. 查看当前服务器安装的所有软件conda list2. 环境，然后指定python版本是3，安装软件fastqc、trimmomatic；安装完确认一下。 3. 激活新环境conda activate rna-seq相当于进入该环境，类似于cd 目录conda deactivate退出当前环境
35570编辑于 2023-10-23 - 来自专栏图形化开放式生信分析系统开发
图形化开放式生信分析系统开发 - 5 生信分析流程服务器端运行
在上文图形化开放式生信分析系统开发 - 4 生信分析流程的图形化设计 讨论了生信分析pipeline的图形化，如何用图形的方式显示生信pipeline，但是pipeline脚本按照变量的形式保存之后，如何运行 分析过程状态、服务器运行状态，需要由服务器端推送到用户端。 综合考虑，结合软件设计目标，这里选择远程模式 运行服务器节点： 服务器节点信息： 经常手动分析脚本的朋友大家的习惯可能是，ssh远程登录Linux服务器，在shell控制台输入各种脚本，软件。 网络状态、变量值是否符合要求 Web终端应急操作，可以点击终端按钮直接打开shell，手动操作，见下图: 服务器信息3.PNG 运行的方式： 之前系统设计时所做的准备： 通过图形化设计之后获得的pipeline 运行完成后服务器端推送信息到控制端，判断是否符合要求，输出文件是否存在 运行失败后服务器端推送信息到控制端，显示错误信息，错误日志，便于生信开发人员查找错误 统计每一个分析步骤的运行时间，便于统计分析
95500发布于 2020-01-17 - 来自专栏芒果先生聊生信
生信分析网站（欢迎收藏）
生信分析，无论是Oncomine，GEPIA，还是KM Plotter数据库，都不需要R语言编写代码，容易上手，基本上一个星期甚至更短的时间就可以搞定，属于菜鸟级别生信操作。并没有想象中那么难。 p<0.05就是我们前期做分析想要的结果，即使用GEO数据库、TCGA数据库做分析，甚至做芯片或测序，没有差异也是枉然。 对于医生，个人建议是最好学会R语言，最起码掌握不用R语言的数据库分析。 最重要的是阅读过的文献和做过的生信分析，可以进一步促进对临床上疾病的认识，提升医生的诊治水平。 ? 接下来，我们将按照中心法则和生信论文分析的思路总结生信分析的网站。 这些网站均是纯生信数据库，不需要R语言基础，就像Excel、PPT一样容易上手，只要你愿意学，肯定能学会。 差异分析数据库 oncomine数据库（差异分析首选） https://www.oncomine.org/resource/main.html GEPIA数据库（共表达是特色） http://gepia.cancer-pku.cn
3.1K20发布于 2020-08-10 - 来自专栏生信菜鸟团
生信分析之conda安装
生信技能树学习笔记 Anaconda 的官网是 https://www.anaconda.com/ 官网上介绍anaconda是所有语言的包、依赖和环境管理器。 Conda之间的关系如下 当我们使用服务器分析数据，我们使用miniconda，如果在自己的电脑上使用anaconda。 因为在数据分析过程中我们要使用很多种软件，软件安装中会遇到各种问题。 # 创建小环境成功，并成功安装python3版本 # 每建立一个小环境，安装一个python=3的软件作为依赖 # 查看当前conda环境 conda info -e conda env list # conda remove -n rna fastqc 不指定-n参数就得进入该环境之后才能进行删除操作，同样，-y能够跳过确认执行的步骤 Conda常用命令 补充 生信技能树学习笔记 前情提要：1.安装
1.2K10编辑于 2024-07-10 - 来自专栏芒果先生聊生信
生信分析网站（相关性分析）
生信论文的套路 ONCOMINE从全景、亚型两个维度做表达差异分析； 临床标本从蛋白水平确认（或HPA数据库），很重要； Kaplan-Meier Plotter从临床意义的角度阐明其重要性； cBio-portal 数据库做基因组学的分析（机制一）； STRING互作和GO/KEGG分析探讨可能的信号通路（机制二）； TISIDB/TIMER分析肿瘤免疫特征（机制三）。 在差异分析的前提下，表型分析成为重点内容，也是可以玩出花样的地方。生存分析是非常常见的表型分析。与生存分析相比，相关性分析是另外一个常见的表型分析。 严谨的生信论文还对分析结果做出ROC曲线，以提高数据的可信度和说服力。 ） http://www.oncolnc.org/ cBioPortal（组学分析神器也能做生存分析） https://www.cbioportal.org/ 差异分析数据库 oncomine数据库（差异分析首选
5.5K21发布于 2020-08-11 - 来自专栏生信技能树
生信第一步-购买腾讯云服务器搭建自己的生信分析环境
一.腾讯云服务器-构建生信分析环境 01.硬盘设置 挂载数据盘，我先买了200G的云数据盘，暂时够用，手动挂载后，需要进入服务器，再次进行挂载 df -h # 服务器原始的状态 ? 这里要特别感谢生信技能树群里的小伙伴，jimmy、skk、李东野、黯蓝、卖萌哥、小洁，在他们的热心帮助下，解决了这个问题！万分感谢！问题出在腾讯云的安全组设置！ ? ? ? ? rstudio ? ♚ OK，到这里，生信配置就完成了！前前后后、反反复复，配置一个云服务器，花了3天的时间，设置自动挂载、寻找源，一个个的解决问题，这还是在有优质的教学视频的前提下，假如没有，学习成本还要高得多。 这里，真的要大力推荐 生信技能树团队 的教程， 感谢jimmy等一批无私分享者！对于我们这样的小白，实在是务必珍贵的资源，希望更多人能够看到，并从中学习到想要的技能、知识！ 参考： 生信技能树公众号 - 所有的教程都值得仔仔细细的学习 R官网教程 https://cran.r-project.org/bin/linux/ubuntu/README.html#secure-apt
4.7K22发布于 2020-04-02 生信星球——生信入门DAY3：Linux环境下安装软件
因为我用的是自己的MacBook的terminal，第一个指令wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3- 下成Linux版了，死活安装不了……最后发现应该选mac版：wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3- 总之就是为了加快速度…………接下来正式使用conda：conda install fastqc -y（-y）很关键最后加一个conda环境：conda create -n rna-seq python=3 fastqc trimmomatic -y搞一个python版本是3的conda环境来安装fastqc、trimmomatic。
40510编辑于 2024-01-19生信入门Day3-4
引自生信技能树引自生信技能树DAY3三、数据结构——数据框1、数据框的来源（1）用代码新建（2）由已有数据转换或处理得到（3）读取表格文件（4）R语言内置数据注意：向量是一维的，且只存储一种数据类型；matrix 与向量长度相等且一一对应df1$gene[df1$score>0]（2）删除变量# 删除 #赋了一个值发现它没有用，然后把它删掉rm(x)rm(df1,df2)rm(list = ls()) ctrl+l#清空控制台引自生信技能树 10,mean=0,sd=18)，用向量取子集的方法，取出其中小于-2的值z = rnorm(n=10,mean=0,sd=18)zz[z< -2]z[z<(-2)]四、函数与R包1、函数与参数引自生信技能树 #<-之间要有空格或打个括号，不然会被当成赋值符号2、R包介绍3、R包镜像引自生信技能书使用镜像，加快R包的下载，不用从大洋彼岸去下载4、R包的安装与来源（1）CRAN网站（2）Bioconductor sdlibrary(limma)browseVignettes("limma") #不是每个包都有ls("package:limma")5、R包的安装和使用逻辑引自生信技能书引自生信技能树练习题4-1#
49210编辑于 2025-05-15- 来自专栏科研菌
生信代码：差异分析（TCGAbiolinks包）
引言：上一期（这里可到达上一期）我们利用得到的肝癌的数据，进行了预处理，得到了最终的表达矩阵TCGA_LIHC_final.csv，今天我们的主要任务就是进行差异表达分析。 此外，还会顺带讲两个进行富集分析和聚类分析的函数。 基因差异表达分析 01 # 首先读入表达矩阵文件 dataFilt_LIHC_final <- read.csv("TCGA_LIHC_final.csv", header = T,check.names <- log(mat1+1) # 定义正常组织样本分组 mat2 <- dataFilt_LIHC_final[,341-390] mat2 <- log(mat2+1) # 然后就可以进行差异表达分析啦 Genelist) # 富集分析的结果 ?
3.2K42发布于 2021-01-12 - 来自专栏免疫组库研究
【生信分析】免疫组库基础分析3-基于VDJ使用频率的聚类分析
前言：为什么我们要做聚类分析 当我们试图分析样本的整体V、D、J的使用频率与样本的其他特征如（组别，性别、治疗前后、疾病活动度等其他临床特征）是否具有相关性。我们需要对样本进行聚类分析。 当数据矩阵中行信息是某一特征集合如不同的IGH基因名或者克隆子序列或者是CDR3氨基酸长度，而列信息是样本或相关特征，这种数据矩阵其实与转录组基因表达矩阵无差异，PCA可以知道样本组间的差异性如何，差异基因聚类热图可以发现样本的相似性如何 因此，聚类分析的方法广泛用于生物信息学。 我当初只知道用PCA分析方法即可，而当我试图进一步了解聚类分析时候，才发现有太多的分析方法。如果详细写下每一个聚类方法，则偏离了本文的主旨。 我选择一种简单的方式，选择immunarch这个免疫分析R包对基因使用频率的高级分析内容来讲。这部分内容基于V/D/J使用频率的聚类分析方法较为全面，操作性较强。 3、聚类方法 "hclust" (Hierarchical Clustering) 功能：基于树状图的层次聚类，可结合不同距离度量（如欧氏距离）。
20010编辑于 2025-10-20 - 来自专栏用户7627119的专栏
聊个天就把生信分析做了！！！
这是一个很宏大的设想，不需要编程，只需要输入自然语言，该工具就可以帮助实现所需的分析。而且还可以根据每次的分析经历进行自我学习和提高，不断完善其识别任务和盛微信分析的能力。 这么有意思的工具得实际体验一下，经测试可以轻松完成TCGA数据的统计、指定基因的关联分析和一套转录组数据的分析（从原始数据到表达矩阵）。其官方视频还提供了进行生存分析、突变分析等功能的演示。 DrBioRight整体功能介绍 http://mpvideo.qpic.cn/0bf2r4cheaae3qamhiltenpvjd6dokhqi4qa.f10002.mp4? http://mpvideo.qpic.cn/0b78fqaakaaa4aalm3lxjfpvalgdauwaabia.f10002.mp4? dis_k=31bc0c3001c98d0f54ae1f924fa3efd8&dis_t=1663759446&vid=wxv_1544981306189643777&format_id=10002&support_redirect
67620编辑于 2022-09-21
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