目录 软件的安装 基因组的准备 一些细节 建议和示例 软件的安装 Python版McScan(jcvi工具包):https://github.com/tanghaibao/jcvi 以前只有python2,现在已有python3版本,建议用py3.安装可用pip: pip install jcvi ##或开发版 pip install git+git://github.com/tanghaibao/jcvi.git pip可能会安装很慢.建议还是用conda,要快很多,最好新建环境. conda

软件简介 MCScanX工具集对MCScan算法进行了调整,用于检测共线性和同线性区域,还增加了可视化和下游分析..MCscanX有三个核心工具,以及12个下游分析工具. 软件安装 进入官网http://chibba.pgml.uga.edu/mcscan2/#tm,下载安装 1 unzip MCscanX.zip 2 cd MCScanX 3 make 软件使用 所需要文件 两个或多个物种的gff文件,蛋白序列(** 该软件最多能做5个物种的共线性) 第一步:构建索引,进行blastp比对 注

目的:检验两个有联系的正态总体的均值是否存在显著差异. 适用条件:有联系,正态总体,样本量要一样.一般可以分为一下四种: ①同一受试对象处理前后的对比:如对于糖尿病人,对同一组病人在使用新治疗方法前测量血糖含量,在使用后再次测量血糖含量,形成两组对比样本:一般是为了说明是否有作用. ②同一受试对象不同的部位数据 ③同一样品用两种方法(仪器等)检验的结果: ④配对的两个受试对象分别接受两种处理后的数据:糖尿病人按照体重进行配对(60岁的两个配对,65岁的两个配对……)然后对配对的病人采用不同的治疗

目录 问题 思路 问题 原问题来自:How to calculate overlapping genes between two genome annotation versions? 其实可分为两个问题: 一是我组装了一个新的基因组,做了多个注释版本,如何比较它们的feature?比如gene 二是我组装了一个新的参考基因组,并做了注释,想和其他已有的同物种参考基因组比较,如何寻找共有和特有的基因(或其他feature)? 思路 第一个问题是比较好解决的,使用bedtools即可. bedto

根据研究设计和资料的性质有单个样本t检验.配对样本t检验.两个独立样本t检验以及在方差不齐时的t'检验 单样本t检验 单样本t检验(one-sample t-test)又称单样本均数t检验,适用于样本均数$\overline{X}$与已知总体均数$\mu_{0}$的比较,其比较目的是检验样本均数所代表的总体均数µ是否与已知总体均数$\mu_{0}$有差别 已知总体均数$\mu_{0}$, 一般为标准值.理论值或经大量观察得到的较稳定的指标值 单样本t检验用于总体标准差σ未知的资料,其统计值t 其

目录 1. 组装算法 1)基于OLC算法 2)基于DBG算法 3)OLC vs DBG 2. 组装软件 3. 组装策略 4. 组装项目实施 1)测序前的准备 2) 测序样品准备 3)测序策略的选择 4)质控.基因组组装.质量评估 5)基因组注释 6)生物学分析 7)更多参考内容 5. 动植物Denovo测序项目的主要分析内容 1. 组装算法 一般有基于OLC(Overlap-Layout-Consensus, 先重叠后扩展)和基于DBG(De Brujin Graph)两种组装算法.基于OLC的

比较基因组学中,共线性的分析的图无疑是最漂亮的. 共线性分析可以很好地解释进化关系和多倍化事件. 本文主要介绍的是唐老师的Python版McScan(jcvi工具包),这个包很强大,但是其功能在官网的说明并不详细,在众人的博客中也比较零散. 我刚使用这个包的时候(2017年)还很难安装,需要预装各种依赖,不过现在的同学们很幸福了,可以直接用pip一键安装了. 软件包链接:https://github.com/tanghaibao/jcvi 安装过程很简单: pip install jcvi pi

目录 来源 一.简介 二.结果 基因组组装 重复序列和转座子 基因组特征和基因注释 绿豆的驯化 豆科基因组复制历史 基于转录组分析的豇豆属形成 绿豆育种基因组资源 三.讨论 四.方法 材料 组装 SNP/INDEL 分析和全基因组比对 遗传图谱构建 转座子(TE)检测和重复序列屏蔽 基因预测和注释 转录因子(TF)鉴定 非编码RNA鉴定 转录组组装和豇豆物种形成分析 抗病基因鉴定 全基因组复制分析 来源 Kang, Y., Kim, S., Kim, M. et al. Genome seque

曼-惠特尼U检验(Mann-Whitney检验) How the Mann-Whitney test works Mann-Whitney检验又叫做秩和检验,是比较没有配对的两个独立样本的非参数检验.思想是这样的:假定要检验两组数据之间有没有差异.首先,不管分组把所有数据排序.按照数值大小给定一个值叫做秩.最小的值秩为1,最大的为N(假定两个样本总共有N个观察值).如果有相同的值,就得到相同的秩.相同的值的秩是他们的秩的平均值.如果两组的秩的和差距比较大,就会得出较小的p值,认为这两组间有显著差

同步自我的知乎专栏:https://zhuanlan.zhihu.com/p/27343585 本文完整代码地址:Generative Adversarial Networks (GANs) with 2D Samples 50行GAN代码的问题 Dev Nag写的50行代码的GAN,大概是网上流传最广的,关于GAN最简单的小例子.这是一份用一维均匀样本作为特征空间(latent space)样本,经过生成网络变换后,生成高斯分布样本的代码.结构非常清晰,却有一个奇怪的问题,就是判别器(Disc

在TCGA中,一个患者可能会对应多个样本,如TCGA-A6-6650可以得到3个样本数据: TCGA-A6-6650-01A-11R-1774-07TCGA-A6-6650-01A-11R-A278-07TCGA-A6-6650-01B-02R-A277-07大家知道一般在做TCGA数据分析的时候样本名实际上只保留到前四个元素(以”-“分割),例如TCGA-A6-6650-01.所以实际上上示3个样本一般只保留一个,那该怎么取舍呢? 在取舍之前,当然要先搞清楚样本命名方式: 我们将此示图以”-“

假设检验的基本思想: 若对总体的某个假设是真实的,那么不利于或者不能支持这一假设的事件A在一次试验中是几乎不可能发生的.如果事件A真的发生了,则有理由怀疑这一假设的真实性,从而拒绝该假设. 实质分析: 假设检验实质上是对原假设是否正确进行检验,因此检验过程中要使原假设得到维护,使之不轻易被拒绝:否定原假设必须有充分的理由.同时,当原假设被接受时,也只能认为否定该假设的根据不充分,而不是认为它绝对正确. 1.检验指定的数列是否服从正态分布 借助假设检验的思想,利用K-S检验可以对数列的性质进行检验

全基因组测序 全基因组测序分为从头测序(de novo sequencing)和重测序(re-sequencing). 从头测序(de novo)不需要任何参考基因组信息即可对某个物种的基因组进行测序,利用生物信息学分析方法进行拼接.组装,获得该物种的基因组序列图谱,从而推进该物种的后续研究.基因组重测序 是对有参考基因组物种的不同个体进行的基因组测序,并在此基础上对个体或群体进行差异性分析. 基因组重测序主要用于辅助研究者发现单核苷酸多态性位点(SNPs).拷贝数变异(CNV).插入/缺失(I

今天跟大家研究和分享一下:spss非参数检验——两独立样本检验, 我还是引用教程里面的案例,以:一种产品有两种不同的工艺生产方法,那他们的使用寿命分别是否相同 下面进行假设:1:一种产品两种不同的工艺生产方法,他们的使用寿命分布是相同的 2:一种产品两种不同的工艺生产方法,他们的使用寿命分布是不相同的 我们采用SPSS进行分析,数据如下所示: 点击“分析”选择“非参数检验” 再选择“旧对话框——2个独立样本检验   如下所示: 在检验类型 下面 选择"Mann-Whitney U “ 检验类型

from:http://www.freebuf.com/articles/system/182566.html 0×01 前言 目前的恶意样本检测方法可以分为两大类:静态检测和动态检测.静态检测是指并不实际运行样本,而是直接根据二进制样本或相应的反汇编代码进行分析,此类方法容易受到变形.加壳.隐藏等方式的干扰.动态检测是指将样本在沙箱等环境中运行,根据样本对操作系统的资源调度情况进行分析.现有的动态行为检测都是基于规则对行为进行打分,分值的高低代表恶意程度的高低,但是无法给出类别定义. 本文采用

sklearn实战-乳腺癌细胞数据挖掘(博客主亲自录制视频教程) https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share   多元共线性 在一个回归方程中,假如两个或两个以上解释变量彼此高度相关,那么回归分析的结果将有可能无法分清每一个变量与因变量之间的真实关系.例如

One Class SVM 是指你的training data 只有一类positive (或者negative)的data, 而没有另外的一类.在这时,你需要learn的实际上你training data 的boundary.而这时不能使用 maximum margin 了,因为你没有两类的data. 所以呢,在这边文章中,“Estimating the support of a high-dimensional distribution”, Schölkopf 假设最好的boundary要远

R语言中样本平衡的几种方法 在对不平衡的分类数据集进行建模时,机器学习算法可能并不稳定,其预测结果甚至可能是有偏的,而预测精度此时也变得带有误导性.在不平衡的数据中,任一算法都没法从样本量少的类中获取足够的信息来进行精确预测.因此,机器学习算法常常被要求应用在平衡数据集上.不平衡分类是一种有监督学习,但它处理的对象中有一个类所占的比例远远大于其余类.比起多分类,这一问题在二分类中更为常见.不平衡一词指代数据中响应变量(被解释变量)的分布不均衡,如果一个数据集的响应变量在不同类上的分布差别较大我们

文章目录 一.Fisher算法 二.蠓的分类问题: 三.代码实现: 一.Fisher算法 二.蠓的分类问题: 两种蠓Af和Apf已由生物学家根据它们的触角和翼长加以区分(Af是能传播花粉的益虫,Apf是会传播疾病的害虫),两个矩阵中分别给出了6只Apf 和9只Af蠓的触角长(对应于矩阵的第1列)和翼长(对应于矩阵的第2列)的数据(See next slide).根据触角长和翼长这两个特征来识别一个样本是Af还是Apf是重要的. (1)试给出该问题的Fisher分类器: (2)有三个待识别的模式样

文章来自:微信公众号[机器学习炼丹术] 目录 1 什么是非均衡 2 8种解决办法 2.1 重采样(四种方法) 2.2 调整损失函数 2.3 异常值检测框架 2.4 二分类变成多分类 2.5 EasyEnsemble 1 什么是非均衡 分类(classification)问题是数据挖掘领域中非常重要的一类问题,目前有琳琅满目的方法来完成分类.然而在真实的应用环境中,分类器(classifier)扮演的角色通常是识别数据中的"少数派",比如: 银行识别信用卡异常交易记录 垃圾邮件识别 检测