坐标1-based和0-based

最新推荐文章于 2025-05-21 15:09:07 发布

原创最新推荐文章于 2025-05-21 15:09:07 发布 · 1.2k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#记录

生物信息专栏收录该内容

50 篇文章

订阅专栏

本文详细介绍了UCSC Genome Browser中1-base和0-base两种坐标系统的概念，包括它们如何定义区间（如[3,7] vs [2,7]），以及常见的文件格式如SAM、BAM和BED各自采用的坐标体系。

The UCSC Genome Browser Coordinate Counting Systems

“1-start, fully-closed” = coordinates positioned within the web-based UCSC Genome Browser.
“0-start, half-open” = coordinates stored in database tables.

1-base 系统：
序列的第一个碱基是1，区域是一个闭区间，例如第3个到第7个碱基表示为[3,7]。SAM，GFF和WIG格式用的就是1-base坐标系统。

0-base 系统：
序列的第一个碱基是0.在此系统中碱基区域是由半闭半开区间表示的，例如第3个到第7个碱基表示为[2,7）。BAM，BED和PSL格式用的是0-base坐标系统。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

TIME_@

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【图像去噪】论文精读：Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising

01-06

1338

论文题目：Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising —— 重新思考基于变压器的盲点网络用于自监督图像去噪AAAI 2025！盲点网络(BSN)一直是自监督图像去噪(SSID)中流行的神经体系结构。然而，大多数现有的 BSN 都是用卷积层进行的。尽管变压器已经显示出克服卷积在许多图像恢复任务中的局限性的潜力，但注意机制可能会违反盲点要求，从而限制了它们在BSN中的适用性。

PV-RCNN：Point-based与Voexl-based共同成就的高性能3D目标检测网络

weixin_41271939的博客

04-22

3538

现阶段的3D目标检测方法主要可以分为两大类，一个是采用pointnet及其变种直接对点云进行处理，即point-based。一种是将点云数据转化成规则的体素，通过三维卷积进行特征提取，即voxel-based。两种方法没有绝对意义上的孰优孰劣，各有各自不同的特点。得益于稀疏卷积，voxel-based方法的显存占用与计算量大大减少，但是体素化带来的信息损失仍然不可避免。而point-based方法虽然利用了完整的，也是最原始的点云信息，但是这类方法都会通过SA操作来提取局部空间信息，SA操作中的近邻搜索过于

参与评论您还未登录，请先登录后发表或查看评论

05-27

05-29

weixin_41368414的博客

05-21

806

成像数据可能输出坐标和图像，需要专门的图像处理工具，而测序数据输出的是基因表达矩阵和坐标，可以用常规的单细胞分析工具处理。比如，需要高分辨率但基因数量少的选择成像，需要全转录组但分辨率低的选择测序，而。首先，我需要明确三种技术的核心差异：成像和测序的基本原理不同，导致数据分辨率、基因覆盖、样本处理等方面的差异。同时，要避免使用过于专业的术语，保持解释的清晰易懂，确保用户能够理解不同技术之间的核心差异和应用场景。的区别，比如分辨率提升到细胞级别，但依然基于测序，兼容性如何，样本处理是否有特殊要求等。

01-16

08-08

07-01

09-16

生物信息中坐标文件到底是0-based 还是 1-based？

zhu_si_tao的博客

02-11

1476

生物信息中坐标文件到底是0-based 还是 1-based？常见的坐标文件0-based1-based 常见的坐标文件常见的坐标文件包括BAM，SAM，VCF, GFF, BED,等生物信息文件UCSC参考 0-based 0起始的坐标系统，表示序列的第一个碱基的坐标是0，这类坐标的区间特点是左闭右开，例如3rd 到7th表示为[3,7)。这类文件包括BAM (SAM), BCFv2, BED和PSL格式的文件。 1-based 1-based 坐标系统序列的第一个碱基编号为1，在这个坐标系统中，一个

Remember that ordinal parameters are 1-based 问题

qihaihui的专栏

08-16

538

1. 如果PO类没有加Entity和Table的annotation，也会引发此错误， 2. 如果PO类没有放到spring配置的annotatedClasses里，也会提示此错误。

ansible基本用法1_base

zuopiezia的博客

09-15

389

ansible-doc 是关于查看ansible 相关命令，日常运用的非常多相当于man help ansible-doc 相当于man help ansible-doc --help Usage: ansible-doc [options] [module...] Options: -h, --help show this help message and exit # shellcheck disable=SC2215 -l, --list

基因组坐标系统的 0-based 和 1-based（图文详解）

Baimoc

11-20

1718

基因组坐标中的 “0-based” 和 “1-based” 是两种不同的规范，用于表示基因组上的位置。它们在不同的上下文和文件格式中可能会有不同的使用方式。

Python列表索引为何从0始？

不二的博客

06-18

7492

权威解释来自Guido van Rossum（Python之父）的博文：《Why Python uses 0-based indexing》一句话总结：索引从0开始，切片用法很优雅。翻译精华如下：我决定在Python中使用0-based索引方式的一个原因，就是切片语法(slice notation)。让我们来先看看切片的用法。可能最常见的用法，就是“取前n位元素”或“从第位索引起...

anchor-based和anchor-free 原理

03-21

### Anchor-based与Anchor-free目标检测方法的原理区别及实现机制 #### 1. **Anchor-based 方法** Anchor-based 是传统的目标检测框架的核心部分之一，它通过预先定义一组锚框（anchors），这些锚框覆盖图像的不同位置、尺度和宽高比例。具体来说： - 锚框是基于网格划分的方式生成的一组候选框，通常会设置多种尺寸和宽高比以适应不同大小的对象。 - 对于每个锚框，模型需要预测该框是否包含对象以及如何调整边界框的位置和形状以便更好地匹配真实对象。 - 这种方法依赖于大量的手工设计参数，比如锚框的数量、尺度和宽高比等。这种方法的优点在于能够很好地处理多尺度和多样化的物体形态[^1]。然而，它的缺点也很明显：由于引入了大量的超参数配置，增加了调参难度，并且计算量较大，尤其是在密集采样情况下。 #### 2. **Anchor-free 方法** 相比之下，Anchor-free 方法摒弃了传统的锚框概念，转而采用更加灵活的设计思路来定位目标。以下是两种主流类型的描述： - **KeyPoint-based 方法** 此类方法首先识别出一些特定的关键点作为参考依据，再由这些关键点推导出整个包围盒的信息。例如 CornerNet 使用两个角点（左上角和右下角）表示矩形区域；ExtremeNet 利用极端点（最顶端、底端、左侧、右侧）加上中心点共同界定目标范围[^3]。 - **Center-based 方法** 另一类则是围绕着目标中心展开分析的技术路线——即把注意力集中在目标所在位置附近的像素或者特征图单元格之上。一旦确认某个地方属于某物的心脏地带，则只需额外估计四条边距即可重建完整的边界框数据结构。像 CenterNet 就采用了这种方式，在热力图中寻找峰值对应潜在实例并完成后续操作[^4]。总体而言，Anchor-free 方案简化了许多复杂度高的环节，降低了人为干预程度的同时提升了系统的鲁棒性和效率表现[^5]。 ```python import torch.nn as nn class SimpleAnchorFreeDetector(nn.Module): def __init__(self, num_classes=80): super(SimpleAnchorFreeDetector, self).__init__() # 假设输入为C×H×W形式的feature map self.class_head = nn.Conv2d(256, num_classes, kernel_size=1) # 预测类别得分 self.reg_head = nn.Conv2d(256, 4, kernel_size=1) # 回归偏移向量 def forward(self, x): cls_pred = self.class_head(x).sigmoid() # 类别概率分布 reg_pred = self.reg_head(x) # 边界框回归值 return cls_pred, reg_pred ``` 以上代码片段展示了一个简单的 anchor-free 检测器架构雏形，其中卷积层分别负责分类任务与坐标修正工作。 --- ###