- 综合排序
- 最热优先
- 最新优先
- 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。 服务器信息2.png 针对分析流程，按照约定定义了两个变量：${data}数据输入目录，${result}输出目录 考虑到并行运算，这里设置了该账户可以并行运行的任务数量，已经连续运行任务的最小时间间隔 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
95300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。 基因组、转录组、Chip-seq…… 具体步骤： # 创建名为rna的软件环境来安装转录组学分析的生物信息学软件 conda create -y -n rna python=3.7 这一步输入y或回车都可以 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
1.1K10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 - 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 - 来自专栏用户7627119的专栏
聊个天就把生信分析做了！！！
安德森癌症研究中心梁晗老师实验室发表在Cencer Cell的Next-generation Analytics for Omics Data的评论文章，介绍了其团队基于自然语言和人工智能开发的组学数据分析平台 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。 1663759447&vid=wxv_1544970671129198595&format_id=10002&support_redirect=0&mmversion=false DrBioRight转录组分析 1663759446&vid=wxv_1544981306189643777&format_id=10002&support_redirect=0&mmversion=false DrBioRight生存分析
66920编辑于 2022-09-21 - 来自专栏天意生信俱乐部
CPU、内存、存储：生信分析任务的服务器配置精要
天意生信云 我们是市面上唯一一家使用公有云（华为云、移动云、火山云）作为算力底座的生信共享云服务器厂商！ 生信初始化配置：默认搭载Rstudio（包含1000+常用包）及Jupyter，开箱即用。 ROOT权限：独享服务器、共享服务器拥有ROOT最高权限，可完全掌控服务器，随意安装软件。 信任背书： 政府基金投资单位： 荣誉资质：国家级科技型中小企业、广东省创新型中小企业 天意生信云产品 天意云服务器产品类型包括集成分析环境、共享服务器、独享服务器三种。服务器配置科学划分，按需部署。 1、注册并登录：进入我们的天意生信云（https://bio.dftianyi.com），简单注册后即可登录。 2、选择算力套餐：“天意生信云”，然后根据你的项目需求，自由选择算力套餐，无论是小规模的测试分析还是大规模的基因组测序，都能满足。
1.6K10编辑于 2025-08-13 - 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（基因组学分析）
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）。 根据我们的整理，差异分析是基础，生存分析和相关性分析是表型，免疫浸润分析是对表型的阐释，兼有表型和机制两种作用，但并不是真正意义上的机制探究。 / MethSurv（同时做甲基化分析和生存分析） https://biit.cs.ut.ee/methsurv/ SMART（专门用于甲基化分析数的据库） http://www.bioinfo-zs.com ） 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
3.5K11发布于 2020-08-12 - 来自专栏图形化开放式生信分析系统开发
使用docker完成生信分析环境搭建
生信开发人员最头疼的问题，可能就是平台搭建和软件安装了。部署和迁移上要费很大力气。本文讲述使用docker制作一个镜像，后续通过导入自己定制的镜像，复制文件完成分析流程的部署和迁移。 data目录， 保存待分析的文件。在docker里面挂载目录为：/opt/data result目录，保存分析中间文件和最终结果文件。 root@b8080a125313:/# # 为了我们后面使用该容器来运行分析流程，我们需要先安装ssh-server ssh服务 root@b8080a125313:/# apt-get update && apt-get install ssh-server # 安装ssh服务之后，需要修改几个地方，安装vim root@b8080a125313:/# apt-get 就可以在docker环境支持下快速完成生信分析环境的部署与迁移。 七、官方推荐使用docker-file来描述docker镜像创建过程，这里过程太过繁琐，就不继续折腾了。有兴趣的可以继续改进
2.1K00发布于 2020-01-17 - 来自专栏科技记者
GPU加速生信分析--序列比对Arioc
最近偶尔探索下GPU生信软件，虽然方兴未艾，发现多数软件已经是古董，比如GPU版本的Blast，使用CUDA7，10.1这样的版本已经是最新的，软件依赖复杂，编译较难成功（亲测失败）。 当然，服务器的软件版本一般是相对稳定的，可能用起来问题也不大。 BIOLOGY发表了使用多GPU分析的成果。 展望 相信随着大模型及Agent的发展，近期可以是生信分析员的agent可以解放许多烦索的工作，人更多地可以花时间进行监督已有流程的运行，错误的改正。 远期是类似AutoBA的全自动生信agent，自动流程构建和数据分析。当然不排除可以部分流程的一步到位，或许未来一段时间还是人和AI相互配合解决具体问题。
50310编辑于 2024-12-23 - 来自专栏科技记者
【玩转腾讯云】使用云服务器进行生信数据分析
很多小伙伴手头有生信数据分析，但苦于没有服务器，没法完成自己需要的数据分析，特别是处于学习阶段的同学。这里，向大家推荐一下使用腾讯云CVM服务器，按量计费进行数据分析。 一般认为，除了公司，普通人难以负担高性能的服务器价格。 ，更加专注于数据分析。 下面我以自己的qiime2分析微生物16S数据分析经历，介绍一下相关使用经验。 1.开通云服务器 首先，估计一下自己的数据所需要的计算能力，对于我手上的16S V4测序数据，一般只需要8核心16G内存就足够了，于是我就开一个这样配置的云服务器。
5.6K23发布于 2020-03-28 - 来自专栏生物信息云
生信分析不会？那就问问ChatGPT
ChatGPT出来几个月了，我安装也有一段时间了，没试过，今天试了一下，看看会不会在我们生信分析中提供帮助，哈哈，的确，是真的很智能的！！ DESeq2 对象 dds <- DESeqDataSetFromMatrix(countData, colData=sampleTable, design=wcondition) # 运行差异表达分析 solver='arpack') # 进行聚类 sc.pp.neighbors(adata, n neighbors=10,n pcs=40)sc.tl.louvain(adata) #进行细胞通讯分析
72330编辑于 2023-02-27 - 来自专栏生信小驿站
不会编程如何生信分析（1）差异分析
本文目的：解决在不会编程的情况下用exel做差异分析 （1）首先准备一个数据框文件，每一列为一个样本（第一列为基因名），每一行为一个基因。 ?
1.3K21发布于 2019-11-07 - 来自专栏芒果先生聊生信
复现生信论文36.差异分析
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）。 生信论文36是单基因分析的生信论文，单纯生信数据库的数据分析，没有湿实验验证，但是可以发表在接近5分的期刊上，很多分析做得很棒，值得借鉴。我们对文章数据进行复现。 第一部分就是差异分析。 上述oncomine热图、三线表和TIMER散点图的差异分析结果，在PPT里面进行标注和整合即获得用于发表的图片。 差异分析就是如此简单。 当然，果友们最常见的疑惑是，如何获得可用于差异分析、生存分析和探究意义的基因。确实，这是生信分析的难点之一。个人也没有更好的办法，只有多读文献，多去做分析，多去尝试几个基因。
1.6K20发布于 2020-07-20 生信星球--生信入门DAY1
R语言R 语言是为数学研究工作者设计的一种数学编程语言，主要用于统计分析、绘图、数据挖掘。 这些数据包括基于单通道和双通道微阵列的实验，检测mRNA，基因组DNA和蛋白质丰度，以及非阵列技术，如基因表达系列分析（SAGE），质谱蛋白质组学数据和高通量测序数据。
36010编辑于 2024-01-17- 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 - 4 生信分析流程图形化
在上文图形化开放式生信分析系统开发 - 3 生信分析流程的进化 讨论了生信分析pipeline的进化，从手动到自动，但仍然停留在终端命令行阶段，为了让更多非生信专业的人能够使用，就要想办法实现生信分析pipeline 变量的分类： 根据实际经验，pipeline变量用到根据用途可以分为以下几类： 分析数据目录${data} 分析过程输出目录${result} 分析用到的软件 bwa ${tools.bwa};samtools ${tools.samtools} 分析流程中用的reference文件以及数据库，如 hg19.fa ${ref.hg19} 分析流程中，用到的cutoff值. /节点设计：前文提到，生信分析pipeline其实就是基于文件输入输出的工作流，这里对工作流做了简化，归纳起来工作流中有4种节点。 Task节点，输入文件，运行分析过程，输出分析过程运行结果 task.png task_menu.png 4.
1.1K00发布于 2020-01-17
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