- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习
【生物信息学】基因富集分析enrichment
最后，计算了在基因数为30到300之间的概率之和，即富集分析的p值。 4. david.ncifcrf.gov/ ChatGPT DAVID（Database for Annotation, Visualization, and Integrated Discovery）是一个功能注释和生物信息学分析工具 它通过使用多种生物信息学数据库和资源，如Gene Ontology（GO）数据库、KEGG（Kyoto Encyclopedia of Genes and Genomes）通路数据库、PubMed文献数据库等 富集分析：DAVID还会对输入的基因或蛋白质列表进行富集分析，以确定在给定的功能注释数据库中是否存在显著富集的功能条目。这有助于确定与特定生物学过程、分子功能或细胞组分相关的功能集合。 结果解释和可视化：DAVID提供了丰富的结果解释和可视化工具，以帮助研究人员理解分析结果。它可以生成图表、图形和交互式网络，以展示功能注释和富集分析的结果。
56910编辑于 2024-07-30 - 来自专栏简说基因
OrthoFinder：生物信息学中的直系同源基因分析
，今天就来学习一款直系同源基因分析工具——OrthoFinder。 OrthoFinder 是一款快速、准确且全面的比较基因组学分析工具。 同时，OrthoFinder 还能为被分析的物种推导出有根的物种树，并将基因树上的基因复制事件映射到物种树的分支上。 运行结束后，会在输入目录下生成一个包含所有分析结果的文件夹。 • 基因家族分析：识别基因家族及其演化历史。 总结 OrthoFinder 作为一款快速、准确且全面的比较基因组学分析工具，能够帮助我们深入理解基因的进化历史和物种间的亲缘关系。 对于不想在本地安装 OrthoFinder 的小伙伴们，可以在 Galaxy 生信云平台（http://usegalaxy.cn）上使用它。
1.4K10编辑于 2025-01-02 - 来自专栏生信挖掘姬
基础生物信息学
生物信息学序列分析是了解这些序列的核心，这本书简单介绍了DNA, RNA和蛋白质序列的研究。 生物信息学(Bioinformatics )涉及生成，可视化，分析，存储和检索大量的生物信息。 原始形式的生物医学数据（包括DNA序列）的生成不涉及生物信息学技能。但是为了使该序列可用，必须对其进行分析，注释和重新生成适合数据库的格式。这些都属于生物信息学分析范畴。 其中许多分析可以自动化，但需要具有生物信息学技能或经验的人来分析和支持。 一旦拿到数据，您如何分析数据呢？有没有DNA和蛋白质序列文件之类的文本呢？ 生物信息学是最早接受科学技术的领域之一。网页是传播信息的工具，本书中我们将使用许多网页。 最后，生物信息学活动通常涉及大量数据。即使如果您只关注一个基因，那么仍然会有大量的数据连接到该单个序列。 尽管如此，生物信息学领域面临的最大的挑战之一是信息的绝对泛滥以及如何生成，可视化，分析，存储和检索这些数据，这无论怎么强调都不为过。
74460发布于 2020-06-05 - 来自专栏代码小菜鸟
生物信息学分析——从公共数据库获取测序数据
【We can download toolkits for different OS in NCBI website.】
72730编辑于 2023-07-12 - 来自专栏深度学习
【生物信息学】使用谱聚类（Spectral Clustering）算法进行聚类分析
一、实验介绍 本实验实现了使用谱聚类（Spectral Clustering）算法进行聚类分析 二、实验环境 本系列实验使用了PyTorch深度学习框架，相关操作如下（基于深度学习系列文章的环境
34610编辑于 2024-07-30 - 来自专栏Linux内核深入分析
Linux平台驱动分析
*******************************platform驱动******************************************************/ /*平台驱动注册 *******************************platform设备******************************************************/ //平台设备注册
2.2K20编辑于 2022-05-08 - 来自专栏生信菜鸟团
读《理解生物信息学》
生物信息学不只是画图那么简单，而《理解生物信息学》就是为那些想进一步理解生物信息学的好奇者准备的礼物。说起这个礼物，大约是在2017年的某个周末一个加班的下午，在一位同事工位上偶遇的。 聚类分析在单细胞转录组数据分析中的作用？ 各物种间基因表达和功能的保守性如何建立的？ 为什么细胞类型的本质是基因的差异表达？ 。。。。。。 可以是说这本书的内容是对我生物信息学背景知识的补充和扩展，特别是对一个半路出家的生物信息学工作者而言。 每一章的每个小节都有一个流程图以帮助读者记忆该小节所涵盖的主题 每一章都配有教科书级别的插图，助于我们理解相关的概念 每一章末都列了一些研究文献和专业著作的参考文献以帮助读者进一步扩展知识、发展技能 字符表和名词解释 《理解生物信息学 这不像《细胞分子生物学》那样讲的全是生物的知识，也不是《R语言数据科学》那样讲的全是编程的技巧，《理解生物信息学》是一本真正意义上的生信书籍。
79021编辑于 2022-04-08 - 来自专栏深度学习
【生物信息学】基因差异分析Deg（数据读取、数据处理、差异分析、结果可视化）
一、实验介绍 本实验完成了基因差异分析，包括数据读取、数据处理（ 绘制箱型图、删除表达量低于阈值的基因、计算差异显著的基因）、差异分析（进行秩和检验和差异倍数计算）等，成功识别出在正常样本与肿瘤样本之间显著表达差异的基因 ，并对其进行了进一步的可视化分析（箱型图、差异倍数fold分布图、热力图和散点图）。 基因差异分析是研究不同条件下基因表达差异的重要手段，能够帮助我们理解生物体内基因调控的变化及其与表型特征的关联。本实验旨在探索正常样本与肿瘤样本之间基因表达的差异，并识别差异显著的基因。 可视化分析 print('finished') plt.hist(result['log2FC'], bins=10, color='blue', alpha=0.6, edgecolor='black
1.3K10编辑于 2024-07-30 - 来自专栏生信技能树
学单细胞数据分析之前得掌握生物信息学算法吗？
有小伙伴在交流群问了一下tSNE和UMAP的问题，就有人“友情回怼”了一下说要理解“降维聚类分群”原理就得看生物信息学算法了。 （动态规划） 这本书通过将生物问题与计算方法相结合，为读者提供了一种主动学习生物信息学算法的途径。 很清晰的展现给我算法细节 如果是学单细胞数据分析之前得掌握如上所示生物信息学算法，那就基本上劝退了99%的入门者。绝大部分生信工程师都是应用级，完全没必要深入学习底层算法了。 感觉啊，现在的很多生物信息学前沿工作，都是数学系或者自动化相关的人弄的，反倒是生命科学缺席了。。。 除了编程基础之外，那就是理解统计可视化的生物学含义了，单细胞转录组是普通转录组的升级，理论上之前我们转录组数据分析的常见思维方法都可以复用的，无论是转录组测序还是表达量芯片，都是有分组有差异分析有富集分析有基因集打分
34310编辑于 2024-07-26 - 来自专栏R语言交流中心
R语言相识生物信息学
R在生物信息分析中有着极其重要的重要，无论我们做什么样的分析，我们都离不开强大的R。无论是统计学分析，还是想得到漂亮的图形，R都成了我们工作必不可少的一部分。 1.NBDC（NationalBioscience Database Center） 链接：https://biosciencedbc.jp/en 简介：本网站主要收集了目前流行的生物信息学专业的数据库 Biostars 链接：https://www.biostars.org/ 介绍：生物信息学相关知识的讨论，问题的回答 网站截图： ? 3. Bioconductor 链接: http://www.bioconductor.org/ 介绍：本网站集中了大量的生物信息学相关的R包，并都附有相关的教程 网站链接： ? 4. OMMIC TOOLS 链接：https://omictools.com/transcriptomics-category 介绍：生物信息学分析以及相关的组学数据库平台集合。 网站截图： ?
1.5K20发布于 2019-07-31 - 来自专栏性能与架构
认识日志分析平台ELK
为什么要使用日志分析平台 对于日志的重要性，都会很认同，不管是一个小网站，还是一个大系统，都会用到日志 网站初期，一般就是查看web服务器访问日志，例如，平时关注一下404访问，有的话及时处理一下；网站访问变慢了 …… 并且日志的存储也不满足于普通的日志文件了，会把日志保存到数据库，如mysql、mongodb、hbase 日志的发展趋势就是：源头分散、产生速度快、数据量巨大 所以，传统日志分析手段力不从心，需要专业的日志分析平台 携程案例 携程分享过他们的日志发展历程 作为中国最大的OTA网站，每日产生的各类日志有好几十种，有数个TB大小，如果采用Splunk这样的商业软件，每年的授权费用就要近千万，必须要有自己的日志平台 当时有基于MySQL和HBase的日志分析工具，但不好用，只能做简单的查看和过滤，一旦有复杂的查询和统计就很慢，体验比较差 运维部门对日志分析工具需求如下： （1）支持多种数据源 （2）日志解析方式灵活 ELK日志分析平台，并在此基础上进行了扩展开发 ELK平台介绍 ELK是三个开源工具 ElasticSearch、Logstash、Kibana 组成的软件栈 通过他们3个的完美配合，就可以完成对大型系统日志的
1.4K80发布于 2018-04-03 - 来自专栏runnergo
开源测试平台RunnerGo分析
最近试用了一款开源测试平台RunnerGo，个人觉得它更像是所有测试工具的一个发展方向：一款可以覆盖整个测试流程的测试平台，下面给大家介绍一下推荐他的原因，先附上RunnerGo的官网和开源地址。 平台化：团队协作一定是互联网工具的发展方向，平台化才能更好的推动协作。全栈式：支持从接口调试-场景管理-性能测试-自动化测试。一个平台覆盖全测试周期。 RunnerGo相较于传统测试工具的优势RunnerGo作为web平台能在线做到接口管理，脚本编辑，场景编辑，报告管理这是传统测试工具不具备的。 个人觉得RunnerGo的设计理念非常领先，作为一个刚刚发布的平台已经有了未来测试工具的雏形，也希望随着版本迭代RunnerGo的功能越来越完善。
1.3K30编辑于 2023-03-21 - 来自专栏Albert陈凯
Hadoop离线数据分析平台实战——330会话分析Hourly分析Hadoop离线数据分析平台实战——330会话分析Hourly分析
Hadoop离线数据分析平台实战——330会话分析Hourly分析 项目进度 模块名称 完成情况 用户基本信息分析(MR)� 未完成 浏览器信息分析(MR) 未完成 地域信息分析(MR) 未完成 外链信息分析 (MR) 未完成 用户浏览深度分析(Hive) 未完成 订单分析(Hive) 未完成 事件分析(Hive) 未完成 模块介绍 Hourly分析指的是按照小时分析数据， 在本次项目中，只分析活跃用户、 我们通过修改现有的job来达到完成hourly分析数据统计的目标。 分别通过在active user和sessions这两个job中添加数据可以达到我们的分析要求。 计算规则 hourly分析分为hourly active user分析、hourly sessions分析以及hourly sessions length分析， 分别计算各个小时的活跃用户、会话个数以及会话长度来进行展示操作
1.2K100发布于 2018-04-08 - 来自专栏数据派THU
独家 | KNIME分析平台简介
KNIME分析平台的同时，演示如何创建一个无代码的数据科学项目。 标签：KNIME分析平台 概述 近年来，数据科学在我们的日常生活中无处不在，许多数据分析工具得以萌芽和发展，供数据科学家使用。Python、R或KNIME分析平台是最常见的数据分析工具。 在本博中，为您展示了KNIME分析平台的用户界面，解释了其关键功能，在展示友好的KNIME分析平台的同时，演示如何创建一个无代码的数据科学项目。 跨社区和组织采用高级分析的最大障碍之一是分析技能的差距，低代码/无代码平台通过消除学习脚本语言的必要性来简化分析流程。 自KNIME首发以来，任何人都可以下载该平台，利用该平台实现数据分析，不带任何限制或附加条件。 为了进一步提高分析的可访问性，KNIME产品团队进行了大量投资，以改善新用户体验和平台的整体易用性。
2K10编辑于 2023-05-11 - 来自专栏Albert陈凯
Hadoop离线数据分析平台实战——320会话分析Hadoop离线数据分析平台实战——320会话分析
Hadoop离线数据分析平台实战——320会话分析 项目进度 模块名称 完成情况 用户基本信息分析(MR)� 未完成 浏览器信息分析(MR) 未完成 地域信息分析(MR) 未完成 外链信息分析(MR) 未完成 用户浏览深度分析(Hive) 未完成 订单分析(Hive) 未完成 事件分析(Hive) 未完成 模块介绍 会话分析主要同时计算会话个数和会话长度， 主要应用在用户基本信息分析模块和浏览器信息分析模块这两部分
1.2K70发布于 2018-04-08 - 来自专栏Albert陈凯
Hadoop离线数据分析平台实战——410事件分析Hadoop离线数据分析平台实战——410事件分析
Hadoop离线数据分析平台实战——410事件分析 项目进度 模块名称 完成情况 用户基本信息分析(MR)� 完成 浏览器信息分析(MR) 完成 地域信息分析(MR) 完成 外链信息分析(MR) 完成 用户浏览深度分析(Hive) 完成 订单分析(Hive) 未完成 事件分析(Hive) 未完成 模块介绍 事件分析我们主要只是分析事件的触发次数， 通过查看事件的触发次数我们可以得到事件转换率或者用户会此类事件的兴趣所在之处以及不喜之处
1.3K80发布于 2018-04-08 - 来自专栏Albert陈凯
Hadoop离线数据分析平台实战——420订单分析Hadoop离线数据分析平台实战——420订单分析
Hadoop离线数据分析平台实战——420订单分析 项目进度 模块名称 完成情况 用户基本信息分析(MR)� 完成 浏览器信息分析(MR) 完成 地域信息分析(MR) 完成 外链信息分析(MR) 完成 用户浏览深度分析(Hive) 完成 订单分析(Hive) 未完成 事件分析(Hive) 完成 模块介绍 订单分析分别分析订单的数量和订单的金额， 以及将订单分为总订单、 支付成功订单以及退款订单三种类型的数据 ， 通过这六个分析指标的数据我们可以指定网站的订单情况。 代码步骤 hive中创建hbase对应的外部表 订单数量&订单金额的hive&sqoop分析 a. 实现自定义udf&自定义函数创建 c. hive+sqoop脚本 退款订单数量&金额&总金额的hive&sqoop分析 shell脚本编写以及测试（作业）
1.4K60发布于 2018-04-08 - 来自专栏生信宝典
43个生物信息学“事实”
(现在EBI也做的越来越好，国内也有了更多越来越好的数据平台) Europe PubMed Central has only ever been accessed by people accidentally
57010编辑于 2022-01-18 - 来自专栏深度学习
【生物信息学】使用皮尔逊相关系数进行相关性分析
一、实验介绍 本实验主要实现了自定义皮尔逊相关系数进行相关性分析。 相关性分析是一种常用的统计方法，用于评估两个或多个变量之间的关联程度。
90610编辑于 2024-07-30 - 来自专栏生信菜鸟团
生物信息学必备工具—SAMtools
广泛兼容性：与其他生物信息学工具和流程兼容。 易于集成：可以轻松集成到自动化的生物信息学分析流程中。 强大的数据过滤和查询功能：能够高效地过滤和查询特定的数据。 这些优势使Samtools成为生物信息学领域研究人员广泛使用的关键工具之一。 注意需要时绝对路径 make make install 未指定目录安装，非管理员用户会报错 5高频用法 samtools 有39个子命令，但是最常用的功能就是对bam文件排序后构建索引，然后进行后续的生物信息学分析
3.8K10编辑于 2023-12-14
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