基因差异分析三剑客:DESeq2、edgeR与limma的实战对比

别再纠结用哪个了!DESeq2、limma、edgeR实战对比:从TCGA数据到差异基因筛选的完整避坑指南 本文深度对比了转录组数据分析中三大主流工具DESeq2、limma和edgeR的实战表现,以TCGA-HNSC数据为例,详细解析了它们在运行效率、结果一致性和假阳性控制等方面的差异。通过完整的代码示例和决策树,帮助研究者根据样本量、实验设计和计算资源选择最佳工具,提升差异基因筛选的准确性和效率。 阅读详情

1. 初识三剑客:它们是谁,能帮你做什么?

如果你刚接触RNA-seq或者基因芯片数据分析,面对一堆基因表达量数据,想知道哪些基因在“处理组”和“对照组”之间有显著变化,那你大概率会听说DESeq2、edgeR和limma这三个名字。它们被戏称为差异分析领域的“三剑客”,几乎成了这个领域的标准工具。但新手最头疼的问题往往是:我该用哪一个?它们看起来都差不多,网上教程也五花八门,选错了会不会白忙活一场?

别担心,今天我就以一个过来人的身份,跟你聊聊这三兄弟的实战区别。我不是要给你讲复杂的数学公式,而是想分享我这些年用它们处理真实数据时踩过的坑、总结的经验,帮你快速找到最适合你手头数据的那个“剑客”。简单来说,DESeq2和edgeR是专门为RNA-seq的“计数数据”设计的,这种数据的特点是离散的、非负整数,比如一个基因被测序仪读到了100次。而limma最初是为基因芯片的“连续信号强度数据”打造的,这类数据通常经过对数转换后接近正态分布。虽然limma通过“voom”或“limma-trend”方法也能处理RNA-seq数据,但它的“根”还是在微阵列那里。

那么,它们各自的核心任务是什么呢?就是帮你从成千上万个基因里,把那些在不同实验条件下表达量真正发生变化的“差异表达基因”给揪出来,并且告诉你这个变化有多可靠(p值、校正p值),变化幅度有多大(log2倍数变化)。听起来简单,但背后的算法选择和参数调整,直接决定了你最终得到的基因列表是“真金”还是“掺了水的沙子”。接下来,我们就深入它们的内部,看看在实战中究竟有何不同。

2. 内核揭秘:三大工具的原理与设计哲学

要理解它们怎么用,先得粗略知道它们是怎么想的。这就像选车,你得知道它是注重舒适的家庭轿车,还是追求操控的性能跑车。

2.1 DESeq2:稳健至上的“保守派”

DESeq2的核心是负二项分布模型。为什么用这个?因为RNA-seq的计数数据存在“过离散”现象——方差大于均值。DESeq2用这个模型来刻画每个基因计数的分布。它最突出的特点是对离散度的估计非常谨慎。它会先为每个基因估计一个离散度,然后利用所有基因离散度与表达水平之间的关系,拟合一条曲线,将那些离散度估计不可靠的基因的离散值“收缩”到这条曲线上。这个过程叫做“离散度收缩”。

我实测下来,这个“收缩”操作是DESeq2稳健性的关键来源。尤其是在样本量不大(比如每组只有3-4个重复)的时候,单个基因的离散度估计可能非常不准,直接使用会导致假阳性或假阴性。DESeq2通过借用其他基因的信息来“稳一手”,使得结果更可靠。它的默认检验方法是Wald检验,计算速度快。简单来说,DESeq2的设计哲学是:在样本量有限的情况下,宁可保守一点,也要优先保证结果的可靠性,避免报告太多不靠谱的差异基因。所以,如果你的实验重复数不多,又特别担心结果假阳性,DESeq2往往是首选。

2.2 edgeR:灵活高效的“敏捷派”

edgeR同样基于负二项分布模型,但它和DESeq2在思路上有同有异。它最著名的技术是TMM归一化,用于校正样本间测序深度的差异。这个算法很高效,在实践中被广泛采用,甚至其他工具也会借鉴它的思想。

edgeR提供了两种主流的差异检验策略,这也是它“灵活”的体现。第一种是精确检验,适用于简单的两组比较,特别适合样本量非常小(比如只有2-3个重复)的情况,它在小样本上的表现有口皆碑。第二种是拟似然F检验,当你实验设计复杂,有多个因素需要同时考虑时(比如“处理”和“时间”两个因素),就可以使用基于广义线性模型的拟似然F检验。edgeR也会对基因的离散度进行估计和收缩,但其具体算法与DESeq2不同。

我的使用感受是,edgeR在计算速度上通常比DESeq2快一些,尤其是在处理大型数据集时。它的灵活性体现在能应对从极简到复杂的设计。你可以把它看作一个工具箱,提供了多种趁手的工具,让你可以根据实验的具体情况来挑选。但相对的,这种灵活性也需要使用者对实验设计有更清晰的认识,知道该调用哪个函数、用什么检验。

2.3 limma:跨界高手与“线性模型大师”

limma的出身和前面两位不同,它诞生于基因芯片时代。它的核心武器是线性模型和经验贝叶斯收缩。对于符合正态分布的数据(比如芯片数据),线性模型是非常强大和灵活的框架,可以轻松处理多因素、多水平的复杂实验设计。

当limma要处理RNA-seq计数数据时,它不能直接套用线性模型,因为计数数据不服从正态分布。这时,它主要走两条路:一是limma-trend,先将计数数据转换为log-CPM(每百万计数取对数),然后假设所有基因的方差是稳定的,在这个转换后的数据上拟合线性模型。二是voom,这是limma处理RNA-seq的“大杀器”。voom会先对计数数据进行log-CPM转换,然后根据每个基因的表达水平,预测其方差,并赋予其一个“权重”。这个权重会参与到后续的线性模型拟合中,相当于让高表达、方差稳定的基因在模型中有更高的话语权。

limma的强项在于其处理复杂实验设计的优雅性和高效性,以及经验贝叶斯方法对方差估计的稳健收缩。对于芯片数据,它是毋庸置疑的王者。对于RNA-seq数据,当样本量较大(比如每组大于10个)时,voom方法的表现常常能与DESeq2和edgeR媲美,甚至在某些情况下更优。它就像一个经验丰富的老师傅,用一套精妙的“加权”线性模型方法,成功跨界到了RNA-seq领域。

3. 实战对垒:不同场景下我该选谁?

理论说了不少,但大家最关心的还是:我手头有这个数据,到底该用哪个?下面我结合几个最常见的场景,分享一下我的选择逻辑和实际操作中的体会。

3.1 场景一:标准RNA-seq,样本量中等(每组3-6个重复)

这是最常见的情况。我的建议是:DESeq2或edgeR任选其一,都不会有太大问题。

如果非要细分:

  • 追求稳健和省心:选DESeq2。它的流程高度封装,DESeq()函数一个命令搞定从估计大小因子、离散度、收缩到检验的全过程,对新手非常友好。你不需要纠结用哪种检验,Wald检验在大多数情况下都工作良好。它的结果报告(results()函数)也很清晰,直接包含了baseMean(平均表达量)、log2FoldChange、pvalue、padj(校正后p值)等所有关键信息。
  • 追求速度或需要精确检验:选edgeR。如果你的数据量很大,或者你明确知道自己的实验就是简单的两组比较且样本量极小,edgeR的精确检验(exactTest())是一个经典选择。使用edgeR时,你需要手动进行TMM归一化(calcNormFactors())、估计离散度(estimateDisp()),然后再进行检验,步骤稍多,但更透明,可控性更强。

这里给一个DESeq2的极简实战代码片段,你可以感受一下它的“一站式”服务:

# 假设你的计数矩阵叫countData,行是基因,列是样本
# 样本信息数据框叫colData,其中有一列condition表示分组(例如“Control”,“Treatment”)
library(DESeq2)

# 构建DESeq2数据集对象
dds <- DESeqDataSetFromMatrix(countData = countData,
                              colData = colData,
                              design = ~ condition)

# 核心分析:一步到位
dds <- DESeq(dds)

# 提取结果,比较“Treatment”组相对于“Control”组
res <- results(dds, contrast = c("condition", "Treatment", "Control"))

# 查看显著差异基因数
table(res$padj < 0.05)

# 按校正p值排序
resOrdered <- res[order(res$padj), ]

# 输出结果
write.csv(as.data.frame(resOrdered), file = "DESeq2_results.csv")

3.2 场景二:样本量极小(每组只有2-3个重复)或样本量极大

  • 小样本情况:这是edgeR的精确检验的传统优势领域。DESeq2的离散度收缩在小样本下虽然稳健,但统计效力会下降。而edgeR的精确检验是专门为小样本比较设计的,在样本量极少时,其性能经过广泛验证。当然,DESeq2也能用,只是你需要对结果更谨慎一些。
  • 大样本情况(每组>10):当样本量足够大时,三种工具的性能会趋同。此时,limma-voom的优势可能会凸显出来。因为线性模型框架在处理超大样本量时计算效率很高,而且其处理复杂设计(比如有批次效应需要校正、有时序关系等)的语法非常直观灵活。你可以轻松地在设计矩阵(design)中加入多个协变量。DESeq2和edgeR虽然也能通过广义线性模型处理复杂设计,但语法上可能没有limma那么直接。

3.3 场景三:数据来自基因芯片(微阵列)

不用犹豫,直接选择limma。这是它的主场。limma为芯片数据优化了数十年,其线性模型和经验贝叶斯收缩方法对于芯片数据标准化后的对数强度值是最佳拍档。DESeq2和edgeR的负二项模型是针对计数数据的,不适用于连续的芯片信号数据。

3.4 场景四:实验设计复杂(多因素、多水平、有时序)

例如,你的实验不仅有“药物处理vs对照”,还有“不同时间点”,甚至还有“不同性别”的样本混杂其中。这时,limma的线性模型框架在表达上最清晰、最灵活。

使用limma,你可以通过一个公式轻松定义你的设计矩阵:

design <- model.matrix(~ 0 + group + batch + gender)

其中group可能是“Control”、“Drug_6h”、“Drug_24h”等多个水平的因子。然后你可以用makeContrasts()函数自由地定义任何你感兴趣的对比,比如“(Drug_6h + Drug_24h)/2 vs Control”来检验药物的整体效应。

DESeq2和edgeR也能处理复杂设计,你需要在设计公式(design参数)中指定复杂的模型,并在提取结果时指定复杂的对比(contrast)。功能上完全可以实现,但在我看来,limma的语法对于复杂对比的构建更直观一些。

4. 结果对比与交叉验证:如何判断我的分析靠谱?

很多时候,尤其是面对重要项目时,我并不会只依赖一个工具。用两种甚至三种方法跑一遍,看看结果的重合度,是一个非常好的习惯。这能帮你评估结果的稳健性。

4.1 重叠基因分析

你可以将DESeq2、edgeR和limma-voom分析得到的显著差异基因列表(例如,设定padj < 0.05且|log2FC| > 1)取出来,画一个韦恩图。这是我经常做的一步。

# 假设res_deseq, res_edger, res_limma是三个工具的结果数据框,都有padj和log2FC列
sig_genes_deseq <- rownames(res_deseq)[res_deseq$padj < 0.05 & abs(res_deseq$log2FoldChange) > 1]
sig_genes_edger <- rownames(res_edger)[res_edger$FDR < 0.05 & abs(res_edger$logFC) > 1]
sig_genes_limma <- rownames(res_limma)[res_limma$adj.P.Val < 0.05 & abs(res_limma$logFC) > 1]

library(VennDiagram)
venn.plot <- venn.diagram(
  x = list(DESeq2 = sig_genes_deseq, edgeR = sig_genes_edger, limma = sig_genes_limma),
  filename = NULL, # 不直接保存文件
  fill = c("cornflowerblue", "green", "yellow"),
  alpha = 0.5,
  category.names = c("DESeq2", "edgeR", "limma")
)
grid.draw(venn.plot)

通常你会发现,三个工具找到的差异基因有相当大一部分是重叠的,这部分基因通常是最可靠、最值得优先关注的“高置信度”差异基因。而那些只被某一个工具单独发现的基因,就需要你多留个心眼:去检查一下它们的原始计数是否可靠、表达水平是否太低、或者是否处于离散度估计比较困难的边界情况。

4.2 关键参数与输出解读

不同的工具,其输出结果的列名和含义略有不同,新手容易混淆。这里做个简单对比:

工具表达变化倍数显著性p值校正后p值其他关键信息
DESeq2log2FoldChangepvaluepadjbaseMean (标准化后的平均计数)
edgeRlogFCPValueFDRlogCPM (平均表达水平)
limmalogFCP.Valueadj.P.ValAveExpr (平均表达水平)

注意:log2FoldChange或logFC都是指处理组相对于对照组的对数2倍变化。正值表示在处理组中上调,负值表示下调。padj、FDR、adj.P.Val都是指经过多重检验校正后的错误发现率,一般我们以< 0.05或< 0.01作为显著性阈值。

4.3 可视化检查:MA图与火山图

无论用哪个工具,在得到结果后,画一张MA图是必须的。MA图能帮你快速判断分析过程是否存在系统偏差。

  • M轴:log2倍数变化(差异)。
  • A轴:平均表达水平。

在理想的MA图上,基因点应该均匀地分布在M=0的上下方,且低表达基因的波动(离散程度)应该比高表达基因大。DESeq2、edgeR、limma都提供了非常方便的MA图绘制函数。通过MA图,你可以直观地看到工具是否进行了有效的离散度收缩或方差建模(低表达基因的波动是否被合理压制)。

火山图则是展示结果的好帮手,可以同时看到变化幅度和统计显著性,方便你挑选那些既显著变化又变化大的基因进行后续研究。

5. 避坑指南:我踩过的那些雷

最后,分享几个实战中容易出问题的地方,希望能帮你节省时间。

坑1:输入数据格式不对。 DESeq2和edgeR要求输入的是原始的、未标准化的整数计数矩阵。千万不要输入已经做过FPKM、TPM等归一化的数据!limma-voom或limma-trend的输入,也需要是原始计数,因为它内部会自己做log-CPM转换。如果你给DESeq2输入了带小数的数据,它会报错。

坑2:忽略批次效应。 如果你的样本是在不同时间、不同批次上机测序的,批次效应可能比处理效应还大。一定要在分析前检查是否有批次效应(用PCA图)。如果存在,必须在模型中将其作为协变量加入。DESeq2和limma可以在设计公式中加入~ batch + condition;edgeR也可以在广义线性模型的设计矩阵中加入批次因子。

坑3:过滤阈值设置不当。 在分析前,通常需要过滤掉在所有样本中表达量都极低的基因。一个常见的做法是:保留至少在n个样本中计数大于X的基因(例如,保留在至少3个样本中计数大于10的基因)。过滤太狠会丢失信息,过滤太松会增加多重检验负担和计算量,并引入噪声。DESeq2在DESeq()函数内部有自动的过滤,但你也可以在之前手动过滤。

坑4:盲目相信p值/校正p值。 统计学显著不等于生物学显著。一个基因padj=0.04,log2FC=0.1,虽然统计学上显著,但变化幅度太小(仅约7%),其生物学意义可能不大。一定要结合log2FoldChange的绝对值来筛选。通常我会设定一个双重阈值,比如padj < 0.05 & |log2FC| > 1(即表达量翻倍或减半)。

坑5:归一化方法混淆。 DESeq2使用自己内部的“中位数比值法”进行归一化(计算大小因子),edgeR默认使用TMM法,limma-voom内部也会使用TMM法。这些方法都是为了校正样本间的测序深度差异。切记,不要自己在外部用其他方法(如FPKM)对计数数据做归一化后再喂给这些工具,它们会自己处理。

说到底,DESeq2、edgeR和limma没有绝对的谁好谁坏,只有合不合适。对于大多数标准的RNA-seq两组比较,从DESeq2或edgeR开始都是稳妥的选择。如果你的实验设计复杂得像一张蜘蛛网,那limma的线性模型会让你思路更清晰。最保险的做法,就是用你的数据,同时跑两个工具,看看核心结果是否一致。这个过程本身,就是你理解和信任你的数据的最好方式。

关于基因差异化的那些事 edger Deseq2和limma的使用及一些总结 在基因差异分析的过程中常见的几大差异化常用的R包 主要是edgeR Deseq2 和limma(其中limma 包主要内置于edgeR) 那么在分析的过程中呢,每个包有他们各自的一些数据处理方式。 在接受的数据格式上和样本数目上呢也存在一些差异。主要如下 1.首先关于limma 包进行差异分析 参考的博客主要有 https://cloud.tencent.com/developer/article/1667505(R包limma作差异基因分析) 关于limma 包的一些相关知识 limma 主要用于 阅读详情

相关推荐

差异分析王者之战: DESeq vs Limma vs edgeR

本文介绍了基因差异表达分析的基本概念和重要性,重点讲解了使用DESeq2进行RNA-seq差异分析的完整流程。涵盖了数据预处理、分组设计、统计检验、多重假设校正及结果可视化等关键步骤。对比了DESeq2、edgeR和limma三大主流差异分析工具的特点及适用场景,并提供了实际代码示例,便于读者上手操作。差异基因分析作为生信研究的核心技术,对肿瘤微环境、自噬等研究方向具有重要推动作用。

mutouyuaichi的博客 2516

DESeq2,EdgeR,limma对比

参考: 【陈巍学基因】RNA-seq - 知乎 关于基因差异化的那些事 edger Deseq2和limma的使用及一些总​​​​​​结_forever luckness 的博客-优快云博客_deseq2和limma 补:芯片和高通量测序(HTS) 基因芯片的差异表达分析而言,由于普遍认为其数据是服从正态分布,因此差异表达分析无非就是用t检验和或者方差分析应用到每一个基因上。目前在基因芯片的分析用的最多的就是limma。 高通量一次性找的基因多,于是就需要对多重试验进行矫正,控制假阳性。高.

weixin_59289660的博客 8452

DESeq2 vs edgeR vs Limma:三大基因差异分析工具保姆级选择指南(附实战代码)

本文详细比较了DESeq2、edgeR和Limma三大基因差异分析工具的核心原理、适用场景及实战表现。通过基准数据集评估和小样本测试,帮助研究者根据实验设计和数据类型选择最佳工具,并提供了实战代码和自动化流程整合建议,助力精准基因差异分析。

weixin_30752699的博客 434

在转录组数据的差异表达分析中,DESeq2、edgeR 和 limma 是三个最常被提及的工具。它们在设计理念、适用场景和结果输出上各有特点。

摘要:DESeq2、edgeR和limma是三种常用的转录组差异表达分析工具。DESeq2适合小样本RNA-seq数据,结果稳健但较保守;edgeR灵敏度高,适合中等样本量和复杂实验设计;limma计算速度快,在大样本和微阵列数据分析中表现优异。选择工具需考虑样本量、数据特点和实验复杂度,不同工具结果存在差异是正常的,可结合使用提高结果可靠性。注意输入数据格式要求,原始计数数据需用DESeq2或edgeR处理。

AI 前沿技术实战博客:LLM / Agent / AI 制药 / 生信四大栏目日更,硬核干货 + 可复现代码,看完就能上手 1129

基因差异分析避坑大全:从数据预处理到结果可视化的完整流程(DESeq2/edgeR/Limma)

本文详细介绍了基因差异分析的全流程避坑指南,涵盖数据预处理、工具选型(DESeq2/edgeR/Limma)、统计检验到结果可视化等关键环节。针对RNA-seq和微阵列数据,提供质量控制、标准化方法选择、多重检验校正等实用技巧,帮助研究人员获得可靠的差异表达基因结果。

weixin_30555125的博客 443

DESeq2 vs edgeR vs limma:三大基因差异分析工具保姆级对比指南(附实战代码)

本文详细对比了三大基因差异分析工具DESeq2、edgeR和limma的核心特性、适用场景及实战应用。通过TCGA和单细胞数据分析案例,解析各工具在数据类型、样本量和实验设计上的优势,提供完整的代码示例和可视化方法,帮助研究者根据实际需求选择最佳工具组合。

weixin_28742653的博客 178

简单使用DESeq2/EdgeR做差异分析

DESeq2和EdgeR都可用于做基因差异表达分析,主要也是用于RNA-Seq数据,同样也可以处理类似的ChIP-Seq,shRNA以及质谱数据。这两个都属于R包,其相同点在于都是对co...

刘永鑫的博客——宏基因组公众号 6128

数据差异分析_TCGA数据差异分析整理

TCGA数据差异分析整理安装软件对于差异基因我们有三个R包,DESeq,edgeR,和limma包,三个包都可以,作者更倾向于DESeq包,这个包也太慢了,建议睡前跑,醒了就跑结束了if(!require(ggplotify))install.packages("ggplotify")if(!require(patchwork))install.packages("patchwork")...

weixin_30096975的博客 2966

Gfold 和Edger 做组内无重复的差异分析,选择哪一个比较好

在常规使用中存在明显局限性。在组内无重复的差异分析中,通常是更合适的选择,而。

青苔先生的博客 673

高通量测序数据差异表达分析_R脚本实践包

在生物信息学领域,差异表达分析(Dea)是理解基因表达模式在不同条件或时间点之间变化的关键技术。通过比较两组或多组样本的转录组数据,研究者能够识别出与生物过程、疾病状态或药物干预相关的基因表达差异。本章将介绍差异表达分析的基础概念,为后续章节中使用DESeq2、edgeR和limma等R包进行深入的分析打下基础。我们将首先解释什么是差异表达基因,并探讨差异表达分析的基本原理和流程。随后,我们将探讨如何选择合适的分析工具,以及如何解读分析结果。这些知识对于希望在基因组学研究中应用差异表达分析的读者至关重要。

weixin_28931507的博客 1412

RWEQ土壤风蚀模型的估算与变化归因分析

本次以介绍RWEQ模型的基本原理及数据需求,再结合案例讲解RWEQ模型中区域地理空间数据库构建的方法和各个参量提取的原理与方法,最后结合典型案例进行综合讲解风蚀模数估算、制图及归因分析。空间分析与制图:提取分析、局部分析、邻域分析、区域分析、插值分析、平滑处理、像元提取、采样与重采样。以某实际应用为案例,掌握RWEQ模型进行当地土壤风蚀量空间分布分析整体流程。地图服务器、在线地图、范围指示器、格网、表格、基础地图服务使用规则介绍。掌握土壤风蚀模型的原理、优势点及因子组成。

2301_77413856的博客 1195

edgeR、limma、DESeq2三种差异表达包比较(RNA-seq数据)

1. 加载R包和输入数据 rm(list = ls()) library("DESeq2") library("limma") library("edgeR") expr = read.csv("mRNA_exprSet.csv",sep = ',',header=T) head(expr) TCGA-mRNA数据链接 链接:https://pan.baidu.com/s/1b6l4qg4...

bioprogrammer 3万+

Win11下Wezterm配置Powershell默认终端全攻略(含主题同步技巧)

本文详细介绍了在Windows 11系统中,如何安装和配置Wezterm终端模拟器,并将其设置为PowerShell的默认终端。内容涵盖使用Winget或手动安装Wezterm,通过修改.lua配置文件切换默认Shell,并同步Campbell主题配色以还原熟悉的PowerShell视觉体验,旨在帮助开发者打造高效、个性化的命令行工作环境。

weixin_28363123的博客 1240

差异表达分析三剑客:DESeq2、edgeR、limma到底该怎么选?

但不同类型的数据在软件选择上存在差异,即便是利用便捷的在线工具,也应当关注选用不同软件可能对结果产生的不同影响。将RNA-seq计数数据转换为连续值后,使用线性模型分析。适合处理多因素实验设计(如时间序列、药物梯度),例如在分析不同浓度药物处理的转录组数据时,可直接在模型中纳入浓度作为协变量。:通过负二项分布模型和自动离散度估计:先极大似然估计,再拟合趋势线,最后修正异常值,特别擅长处理低重复样本。在RNA-seq、微阵列等基因差异表达分析中,DESeq2、edgeR和limma是最常用的三大工具。

公众号/简说基因,知乎/简宝玉 2318

ic后端学习笔记-floorplan

floorplan是布图规划,规划包括定义芯片的大小,定义芯片内各种模块、hard macros(硬核。比如RAM,ROM及其他IP模块等)、IO等的大小和位置,有时候还需要提前定义一些placement blockages,groups/regions等等,是后端设计的第一步,也是后续所有P&R工作的基础。floorplan与placement的区别是。

tfrofc的博客 5835

【计算机组成原理】实验4:单周期CPU(Verilog)中海大

【计算机组成原理】实验4:单周期CPU

m0_63023532的博客 3660

edger和deseq2_基因差异表达分析 cummeRbund 和DESeq, edgeR, limma的区别是什么?

我看这个回答没什么赞,更新一下。1)四款软件的输入文件不一样,这是很自然的。每个软件都需要准备各自的输入文件,格式不同那个肯定的,内容不同那就是取决于软件怎么分析了。2)结果不一样也很自然。分析方法不一样,结果不可能完全一致。四款软件都是R bioconductor的包。=====cummeRbund,有参转录组tuxedo组件之一。tuxedo=tophat+cufflinks+cummeRbu...

weixin_39850697的博客 1663

别再死磕SPWM了!手把手教你用STM32实现SVPWM驱动PMSM电机(附代码)

本文详细介绍了如何使用STM32实现SVPWM驱动PMSM电机,对比传统SPWM方案,SVPWM在电压利用率、电流THD、转矩脉动和稳态温升等方面均有显著提升。通过克拉克变换优化、扇区快速判断和矢量作用时间补偿等核心算法,结合STM32硬件加速技巧,实现高效电机控制。附代码示例,助力开发者快速掌握SVPWM技术。

weixin_28733777的博客 274

python基因差异分析_TCGA的差异基因分析

在分析TCGA数据库里的RNA-seq数据之前,先了解一下TCGA样本的id名称里的小秘密:参考文章:TCGA的样本id里藏着分组信息根据文章里的内容,我查看了前一篇文章里我下载的count文件(利用R包TCGAbiolinks进行各种数据下载),打开是这样的:列是样品名称,格式举例:TCGA.BA.A4IF.01A.11R.A266.07,这里面包含分组信息,比如说这个样品是肿瘤样品还是正常组织...

weixin_39718460的博客 3586

matplotlib保存图片设置分辨率总是96dpi,好烦躁,教你一招轻松解决

matplotlib保存图片设置分辨率总是96dpi,好烦躁,教你一招轻松解决 目录 matplotlib保存图片设置分辨率总是96dpi,好烦躁,教你一招轻松解决 #使用plt.savefig("cm.png",dpi = 300)为什么不管用 #plt.rcParams也不管用 #解决方案 在做论文的过程中,许多期刊或者会议对图片的分辨率有明确的要求,例如,dpi=300。 之前画曲线图都是采取保存方式为savefig(dpi=300),然后查看保存图片的属性信息,然而你看到的现象是

data+scenario+science+insight 8800

【毕设实战】基于YOLOv8的HRSC2016船舶智能检测系统开发全指南(含可视化UI界面,打造海事领域高分毕设)

亲爱的同学,通过这篇教程,你已经掌握了“基于YOLOv8的HRSC2016微小船只检测系统”从数据集处理、模型训练到Tkinter界面开发的全流程。这个课题既贴合“海事智能化”的产业战略,又涵盖了“目标检测、深度学习、界面开发”等多个毕设评分点,非常适合作为计算机或海事工程专业的毕业设计。在实践中,你可能会遇到“海面背景复杂导致船只漏检”“微小船只识别精度不足”“UI与模型推理同步卡顿”等挑战——别担心,这些都是技术成长的必经之路。

know_F0727的博客 132

芯片数据的差异分析主要包括三种方法 ANCOVA进行差异分析 为何不用deseq2

它是一个功能比较全的包,既含有cDNA芯片的RAW data输入、前处理(归一化)功能,同时也有差异化基因分析的“线性”算法(limma: Linear Models for Microarray Data),特别是对于“多因素实验(multifactor designed experiment)”。这时候edgeR依然可以用,不过需要认为指定一个dispersion值,这样的不同的人就可以有不同的结果,在查阅了很多资料之后呢,大家一致认为没有重复的转录组数据应该用GFOLD软件。

生信小博士的博客 1545

华为OD机试2025A卷 - 用户调度问题(Java & Python& JS & C++ & C )

题目要求每个用户依次选择当前所能选择的最小资源消耗策略,并且若有多个策略的资源消耗相同,则选择最后一个策略。每个用户的选择是独立的,只考虑该用户的策略和相邻用户的约束,不考虑整个调度序列的全局资源消耗。每个用户根据自己的当前状态(即自己的三种选择的资源消耗)做出局部最优选择:在当前可选的策略中,选择消耗最小的那个。如果有多个最小值,则选择最后一个(根据题意)。这一选择是局部的最优,即在当下最有利的选择,但并不保证最终的整体系统资源消耗是最小的。

算法大师! 1万+

生信分析—差异分析,聚类分析,相关性分析

生信中提到的二代数据通常指的是第二代测序数据,即在基因组学研究中使用的第二代高通量测序技术生成的数据。第二代测序技术包括Illumina/Solexa、454/Roche、Ion Torrent等平台,它们通常以高通量、低成本、高准确性和较短的读长为特点。这些技术的出现使得大规模基因组测序成为可能,对于遗传学、演化生物学、临床医学等领域的研究起到了重要的推动作用。表型:生物个体可观测的性状。基因型:是指某一生物个体全部基因组合的总称。它反映生物体的遗传构成,即从双亲获得的全部基因的总和。

anyinglengtong的博客 1万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

python基因差异分析包_RNA-seq的3的差异分析R包你选择哪个

在2010-2015年间,RNA-seq本身就是跟现在的单细胞差不多的当红炸子鸡的地位,无数的软件工具,网页数据库,测评文章涌现出来。很多课题组导师都认为做一个RNA-seq项目就能发CNS啦,就跟这两年大家以为做一个单细胞转录组项目就可以发CNS的坚信程度是一模一样的!直到现在(2020),基于高通量测序技术的RNA-Seq方法仍然是转录组学研究中必不可少的工具。截止到(2016)已经普遍接受的...

weixin_39989862的博客 1296

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

上一篇: Edge浏览器多路视频播放利器:ElephVideoPlayer控件深度解析
下一篇: Qt Design Studio 入门指南:从零开始打造炫酷UI(详细+实用+轻松上手)
devops8pract
博客等级 码龄4年 533粉丝 849原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值