- 综合排序
- 最热优先
- 最新优先
- 来自专栏Sentieon：文献解读
Sentieon | Genetic Disease-RAD51B 胚系突变与胰腺导管腺癌显著相关
其中，携带BRCA2突变的肿瘤表现出较高的HRD评分，而携带CHEK2突变的肿瘤 HRD评分则为零。值得关注的是，本研究中有4例PDAC患者携带RAD51B基因突变，且均为胚系突变。 基因变异中错义突变占大多数（9个）；预测均会导致蛋白提前截断，从而引起BRCA2和RAD51B功能丧失的移码突变共2个；无义突变占1个。 值得注意的是，1例患者携带BRCA2的体细胞突变，其VAF仅为0.06。基因变异频率分析显示RAD51B突变频率最高（n=4，占50%），其次是BRIP1和RAD54L。 RAD51B的重要发现在8例携带HR-DDR 变异的患者中，有4例携带RAD51B变异，且均为胚系突变。作为RAD51蛋白家族的重要成员，RAD51B在DNA同源重组修复中发挥关键作用。 研究总结该研究发现RAD51B在PDAC中具有较高的胚系突变频率，但在当前的临床遗传学检测Panel中往往未被涵盖。
23210编辑于 2025-12-10 - 来自专栏刷题笔记
2-8 符号配对 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101175098 2-8 符号配对 (20 分) 请编写程序检查C语言源程序中下列符号是否配对
1K30发布于 2019-11-08 - 来自专栏Hank’s Blog
2-8 R语言基础 日期与时间
> x2 <- Sys.Date() > class(x2) [1] "Date"
50410发布于 2020-09-16 - 来自专栏雪碧君终将成长
C++程序设计 习题2-8
#include <iostream> using namespace std; int main() { char c1,c2,c3,c4,c5; c1='C', c2='h', c3='i', c4='n', c5='a'; c1+=4, c2+=4, c3+=4, c4+=4, c5+=4; cout << c1 << c2 << c3 << c4 << c5 << endl; return 0; } 这里可以考虑将某个特定数字改写为常量、或变量
33150编辑于 2023-02-15 - 来自专栏IT技术圈
练习2-8 计算摄氏温度 (10分)
给定一个华氏温度F，本题要求编写程序，计算对应的摄氏温度C。计算公式：C=5×(F−32)/9。题目保证输入与输出均在整型范围内。
1.2K20发布于 2021-02-24 - 来自专栏作图丫
NATURE|人类突变特征
背景介绍 单个癌症基因组的突变可能是由多个突变过程产生的，因此包含了多个叠加的突变特征。 因此，为了系统地描述导致癌症的突变过程，曾使用数学方法从体细胞突变目录中解释突变特征，并用每个特征产生的概率注释每个肿瘤中的每个突变类。 随后，包含聚类突变的SBS突变目录集进行了突变特征的从头提取。任何新的突变特征(以前在完整的SBS目录中没有看到的)都认为识聚集突变特征。 5. ID5突变的数量与SBS40突变的数量相关，因此，这两种年龄相关特征的突变过程可能包含共同的成分。 结果表明，多个突变过程在正常细胞中运行。 小编总结 癌症基因组中的体细胞突变是由多个突变过程引起的，每一个突变过程都产生一种特征性的突变特征。
2.9K20编辑于 2022-03-29 - 来自专栏作图丫
deconstructSigs 突变 Signature 分析
面对大量的SNV突变数据你是否还觉得无从下手，不知道怎么分析合适？今天给大家介绍一个R包-deconstructSigs。这款R包是基于大样本量预测的signature解析突变特征。 sample.id # 突变文件中的样品列名 chr # 突变文件中的染色体列名 pos # 突变文件中的突变位置列名 ref # 突变文件中的参考基因组碱基列名 alt # 突变文件中的突变碱基列名 TRUE, tri.counts.method = 'default') whichSignatures参数释义 tumor.ref # 上一步生成突变文件 ，数据为数据框或文本，横行是样本，纵行是突变碱基上下文序列 sample.id # 样品名称，tumor.ref文件的行名 signatures.ref # 预测的已知signatures参考文件 signatures.limit # 关联的signature上限，默认无限制 signature.cutoff # 舍弃小于此阈值的关联signature contexts.needed # 是否需要突变上下文
1.7K30编辑于 2022-03-29 - 来自专栏用户7627119的专栏
基因突变类型
狭义突变通常特指基因突变，它包括单个碱基改变所引起的点突变（point mutation），或多个碱基的缺失、重复和插入。 基因突变可发生在个体发育的任何阶段，以及体细胞或生殖细胞周期的任何时期。 如果突变发生在体细胞中，则变异不能直接遗传给下一代。如果突变发生在某一个配子中，那么，子代中只有某一个个体有可能继承这个突变基因。 如果按照DNA碱基顺序改变的类型区分，突变还可以分为碱基置换突变、移码突变、整码突变、染色体错误配对和不等交换4种。 1.碱基置换突变 一个碱基被另一个碱基取代而造成的突变称为碱基置换突变。 根据碱基置换对肽链中氨基酸顺序的影响，可以将突变分为同义突变、错义突变、无义突变和终止密码突变4种类型。 此外，还有抑制基因突变。如果基因内部不同位置上的不同碱基分别发生突变，使其中一次突变抑制了另一次突变的遗传效应，这种突变称为抑制基因突变（suppressor gene mutation）。
2.1K10编辑于 2022-09-21 - 来自专栏生信修炼手册
TMB:肿瘤突变负荷简介
肿瘤突变负荷 tumor mutation burden, 简称TMB，代表蛋白编码区的非同义突变分布的密度，用蛋白编码区的非同义突变位点总数除以蛋白编码区的总长度, 单位为mutations/mb。 肿瘤的发生是体细胞突变引起的，体细胞在致癌因子的作用下发生基因突变，部分突变细胞经过DNA自我修饰恢复正常，一部分细胞死亡，还有部分突变细胞在其表面表达出新的抗原。 正常情况下下，机体的免疫系统可以识别这些抗原，然后通过免疫应答反应来清楚这些突变的细胞，但是肿瘤细胞可以通过抗原的异常表达或者肿瘤微环境的调节，来实现免疫逃逸，继续分裂生长，形成肿瘤。 TMB的概念中只针对了蛋白编码区的非同义突变，因为只有这些突变才有可能使得肿瘤细胞产生新抗原。
2.7K31发布于 2019-12-19 - 来自专栏生信技能树
突变位点生存分析
一个简单突变位点做生存分析居然拖了一两个月才有人提交笔记！ 前面的题目见：学徒作业-两个基因突变联合看生存效应 （2020-04-26出题），下面看其中一个学徒的答案哦，同时也欢迎大家继续提交笔记给我哈，有机会认识我！ 加油哈，广大粉丝们 1 主要流程 1.本次选用BRCA的maf数据和临床数据，主要使用其中的varscan数据 2.使用R包maftools读取maf文件，并可视化top10突变基因 3.选取两基因对BRCA 临床样本进行分组 所选取两基因都未发生突变的样本为一组 剩余样本为一组 4.使用logrank进行生存分析 2 代码及结果图 1.读取maf文件并对数据进行可视化 options(download.file.method group_list<-ifelse(group_list=="TP53/KMT2C+","TP53/KMT2C+","TP53/KMT2C-") table(group_list) 4.针对基因突变与否
1.9K31发布于 2020-06-19 - 来自专栏cwl_Java
C++编程之美-数字之魅(代码清单2-8)
代码清单2-8 Type Find(Type* ID, int N) { Type candidate; int nTimes, i; for(i = nTimes =
19750编辑于 2022-11-30 - 来自专栏ypw
题目 1676: 算法2-8~2-11：链表的基本操作
题意：根据题意，意思就是实现插入，删除，展示，以及得到元素，并判断是否删除加入成功以及表内元素是否为空。
36200发布于 2021-03-04 - 来自专栏作图丫
研究癌细胞系的突变特征揭示APOBEC突变的周期性
利用数学方法从人类癌症成千上万的体细胞突变中已确定超过40个碱基替换和10个基因组重排突变特征。目前研究人员对某些特征的突变过程有了深入的了解，突变过程与许多疾病潜在的生物学机制有关。 在慢性炎症条件下，APOBEC家族表达异常，误伤人类基因组引发APOBEC突变特征。 背景介绍 癌基因组的体细胞突变目录是多种突变过程所产生的突变总和。 目前已发现50多种不同的突变特征，许多突变特征是外部因素引起的，其他是细胞内部因素。 随后使用癌细胞系的一个子集进行实验，评估突变特征的突变过程在体外培养过程中是否持续活跃，并记录其活动的时间变化。不断获得突变特征的细胞系是未来研究突变特征潜在机制的信息模型。 因此，在单细胞中检测到的突变特征表明APOBEC还在继续突变。 Figure 6：单细胞的突变特征表明了APOBEC相关的持续突变。
1.8K20编辑于 2022-03-29 - 来自专栏作图丫
基因突变棒棒糖图，让你的突变作图美起来！
这是一个R包，名字叫做“G3viz”，是一个专门绘制基因突变的棒棒糖图的。先来看一下颜值，你觉得OK呢再接着往下看。 是不是很OK？ 怎么样才能画出这么高颜值的棒棒糖图呢？小编这就进入正题。
3.5K10编辑于 2022-03-29 - 来自专栏气象学家
气象水文突变检验及Python的实现：MK、Pettitt、BUT、SNHT、BG突变点检测
来源：气象水文科研猫 1.Mann-Kendall突变点检测： # Mann-Kendall突变点检测 # 数据序列y # 结果序列UF，UB #---------------------------- sqrt(Var) # ------------------------------逆序列计算 # 此时上一步的到UBk表现的是逆序列在逆序时间上的趋势统计量 # 与UFk做图寻找突变点时 # 找出交叉点 for k in range(1,n): if diff[k-1]*diff[k]<0: K.append(k) # 做突变检测图时 [+1.96,+1.96],'m--',color='r') plt.legend(loc=2) # 图例 plt.show() return K ---- 2.Pettitt突变点检测 ':K,'突变程度':change_point_desc} return K #,Pettitt_result ---- 3.Buishand U test突变点检测： def Buishand_U_change_point_detection
8.6K36编辑于 2022-06-13 - 来自专栏作图丫
突变特征可视化--sigminer
背景介绍 癌症基因组在其生命周期中由各种突变过程形成，这些过程源于外源性和细胞固有的DNA损伤，以及容易出错的DNA复制，产生了特征突变谱，称为突变特征。 obj, sig_db = "SBS") if (require(pheatmap)) { pheatmap::pheatmap(sim$similarity) } 小编总结 作为最新发布的突变特征提取和可视化
1.1K20编辑于 2022-03-29 - 来自专栏用户7627119的专栏
肿瘤新抗原突变负荷分析
肿瘤新抗原（Neoantigen）是由肿瘤细胞突变基因编码的新生抗原，主要由基因点突变、删除突变、基因融合等产生的与正常细胞表达的蛋白不一样的新的异常蛋白。一般来说，高TMB患者有更多的新抗原。 （4）突变分析 使用MutSigCV来通过默认参数推断出显著的肿瘤突变基因（q < 0.05）。用R包limma对定义的新抗原负荷亚群进行差异突变分析，FDR < 0.05。 根据hg19人参考基因组，分析了30个突变特征，并比较了所识别的亚组之间的突变特征。 所有突变基因在NAL亚组中体细胞突变的频率不同（FDR < 0.05）。 接下来评估了30个突变特征，以更好地理解复杂的突变过程。得到5个差异显著的特征，分别是特征1、特征3、特征6、特征13和特征30（图2B）。
3.5K41发布于 2020-08-05 - 来自专栏生信菜鸟团
使用 sigminer 进行突变模式分析
突变模式分析（Mutual Signature Analysis）已经逐步成为变异检测后一个通用分析，本文简单介绍如何使用sigminer进行突变模式分析，以解决2大分析任务： 从头发现签名 已知一些参考 如果你会使用maftools读入突变数据，那么就会使用sigminer读入突变数据，支持 data.frame 和MAF文件。 使用 sig_tally() 对突变进行归类整理，针对MAF对象，支持设置 mode 为'SBS'，'DBS'，'ID'以及'ALL'。 我们先看一个最常见的突变模式图谱： p <- show_sig_profile(sigs, mode = "SBS", style = "cosmic") p ? 该算法会生成更大的稀疏（相互之间相互）的签名，因此偏向于生成更多的从我多年研究签名的经验来看，它对于单点突变还是非常友好的。
2.3K21发布于 2020-06-10 - 来自专栏生信菜鸟团
使用MutsigCV预测驱动突变基因
写在前面 首先，突变的分类方法有很多种，按照其是否会导致癌症进展，可以分为驱动突变（driver mutation）和乘客突变（passenger mutation）。 前者在肿瘤细胞中具有选择性生长优势的突变，后者对肿瘤细胞的选择性生长优势无直接或间接影响的突变。 目前来说，推断驱动突变的算法有很多，可以参考这篇综述：https://academic.oup.com/bib/article/17/4/642/2240387。总的来说，可以分为以下 5 种： ? m_bbv068f1p 大部分的算法，都是基于各大突变注释数据库，比如：COSMIC、TCGA、ICGC、cBioPortal、Cancer3D、dSysMap、ENCODE、NIH Epigenome /data/chr_files_hg38.txt 运行 最后运行代码，即可获取驱动突变分析结果： cd ~/wes_cancer/project ..
8.1K51发布于 2020-05-24 - 来自专栏医学数据库百科
突变对蛋白功能影响预测
基因突变对于基因功能的影响是多种多样的。有的突变会改变蛋白的功能，这类改变蛋白功能的突变对于整个基因而言则更加重要一些。我们在肿瘤治疗当中，有的药物是基因蛋白功能起作用的。 来观察突变对于潜在功能的影响。 ? 数据输入选项 AlloDriver在进行分析之前，需要输入三个数据参数。分别是： 工作ID: 这个方便我们来再次查看结果 突变的相关数据:数据库的主体。 突变的相关数据 这个地方我们需要放入想要检索的数据结果。它接受三种输入方式分别是: TXT文本格式: 需要包括三列(样本ID， 基因名；突变位点)。三列之间通过分号来连接。 ? 表格结果 表格结果当中包括了基因名、突变位置、突变的位置等等。 ? 我们点击SHOW可以查看关于这个基因的突变的3D图; 所有结果在泛肿瘤突变的情况；突变在基因中的位置; 以及作用在这个位点的药物。 ?
2.3K20发布于 2020-06-01
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