羊羊的博客

关于基因的那些事（1）文章目录关于基因的那些事（1）1. 基因ID2. refGene每一列不同的含义1. 基因ID对于一个基因会有不同的mRNA转录本，进一步会有不同的蛋白异构体。在gene数据库里对于转录本和蛋白的编号是以NM和NP开头的。如果是NM的话则代表是转录本编号，如果是NP的话则是蛋白编号。我们检索的这个基因是一个非编码的RNA（ncRNA）的话，那关于转录本的注释就从之前的NM开头变成了NR开头了。2. refGene每一列不同的含义第1列bin：Indexing field t

pipeline——（2）文章目录pipeline——（2）step 1 生成indexstep 2 生成bamstep 3 组装转录本step 4 merge组装的转录本step 5 生成saf文件step 6 选择TE转录本step 1 生成indexstar.shSTAR \--runMode genomeGenerate \--runThreadN 20 \--genomeFastaFiles /share/pub/wangxy/software/genome/ucsc/hg38/

Rscript export_saf_file.r -g /share2/pub/yangjy/yangjy/database/hg38_refGene.txt #参考基因注释文件-r /share2/pub/yangjy/yangjy/database/hg38_rmsk.txt #rmsk文件的路径-l /share2/pub/yangjy/yangjy/database/STAR_index69/chrNameLength.txt #染色体长度文件的路径-n hg38 #输出数据name-m

Taco——（1）安装一、package下载git clone https://github.91chi.fun/https://github.com/tacorna/taco.git二、build三、测试文章目录Taco——（1）安装一、package下载二、build三、测试stringtie采用了组装转录本和估计表达量同步进行的方法，不同于cufflinks的先组装后定量的策略ls -R /share2/pub/yangjy/yangjy/rna-seq-data/GSE14688

Stringtie2——（2）参数文章目录Stringtie2——（2）参数1.Attention！一、基本用法1.[options]二、使用三、输出文件1.Attention！1.Stringtie的输入文件必须按基因组位置排序。在STAR比对生成bam的过程中使用sorted…已经排好序2.输入BAM文件中的每个 spliced read 比对（即跨越至少一个连接点的比对）必须包含标签XS，用以指示测序产生的read是来源于基因组序列上的哪条链产生的RNA。由TopHat和 HISAT2 (需

Stringtie2——（1）安装文章目录Stringtie2——（1）安装一、introduction二、GitHub下载安装三、编译四、环境变量五、测试一、introductionstringTie 可以看做是cufflinks 软件的升级版本，其功能和cufflinks是一样的 ，包括下面两个主要功能转录本组装定量相比cuffinks, 其运行速度更快。二、GitHub下载安装git clone https://github.91chi.fun/https://github.com

RNA-seq 比对软件STAR——（2）使用一、参数说明详见——>manual（1） readFilesIn要映射序列文件的名称（带路径），注如果文件是压缩的文件使用readFilesCommand参数进行解压缩。如果是（*.gz）使用 --readFilesCommand zcat或 --readFilesCommand gunzip -c，对于bzip2压缩文件，使用–readFilesCommand bunzip2 -c（2） outFileNamePrefix输出文件的前缀（包含

RNA-seq 比对软件STAR——（1）安装文章目录RNA-seq 比对软件STAR——（1）安装一、package下载二、编译三、环境配置四、测试一、package下载在GitHub知道package，使用加速复制链接下载。我需要2.7版本以上，所以下载最新版，建议没有特定需求下载最新版，bug修复的差不多了，更便捷#直接gitclonegit clone https://github.91chi.fun/https://github.com/alexdobin/STAR.git#或者wge

RepeatMasker安装及使用文章目录RepeatMasker安装及使用一、安装1. RMBlast序列搜索引擎2.TRF搜索串联重复序列3. repeatmasker下载4. Repbase数据库5. 配置repeatmasker依赖关系二、使用1.参数说明2.输入3. 使用RepeatMasker三、结果1. masked文件2. out文件3. out.gff文件（和.out文件完全一样）4. out.html文件（和.out文件一样，只是在html，显示方式不同罢了）5. polyout文件—

Topic 1 Single_Cell_analysis（4）文章目录Topic 1 Single_Cell_analysis（4）Part 1 Scissor() debug——binomial 数据处理1.1 加载package1.2 加载单细胞数据1.3 将单细胞数据转化为Seurat类型1.4 加载bulk数据1.5 parameter 赋值1.6 检查bulk-cell和single-cell的intersect1.7 得到processed data 和 细胞间的network1.8 将net

Topic 1 Single_Cell_analysis（3）文章目录Topic 1 Single_Cell_analysis（3）Part 1 Scissor1.1 流程图1.2 如何将matrix转换为Seurat1.3Part 1 Scissor1.1 流程图1.2 如何将matrix转换为SeuratCreateSeuratObjectFindVariableFeaturesScaleDataRunPCAFindNeighbors1.3......

Topic 1 Single_Cell_analysis（2）文章目录Topic 1 Single_Cell_analysis（2）Part 1 Scissor——logistic regression1.下载bulk-dataset和phenotype（TP53mutant作为phenotype）2.Scissor选择有信息量的细胞（informative cells）Part 2 Scissor 结果解释注：Development1.label2.model of selected cell and

Topic 1 Single_Cell_analysis文章目录Topic 1 Single_Cell_analysisPart1 PlanPart2 原始数据复现——LUADPart3 Scissor使用cox regression1.prework2.准备单细胞数据2.1 Seurat_preprocessing（）3.Part1 Plan原始数据复现使用其他疾病的数据，查看效果，更深入了解代码根据cell-cell之间的空间结构，得到相关性较强的cell簇，作为新的特征原始的回归方法

氨基酸三字母序列转单字母序列1.氨基酸对照数据对照数据集：提取码：amin实例数据：提取码：data2. 对照code#%% 氨基酸的3 to 1 #导入packageimport pandas as pdfrom pandas import DataFrame as dfimport numpy as npimport re Amino_acid_path="D:\Topic\\alphafold\\Amino_acid.csv"#氨基酸对照表路径amino_acid=pd.

RoseTTAFold安装——alphafold的平替（4）文章目录RoseTTAFold安装——alphafold的平替（4）一 、log content1. network.stderr2. network.stdout3. script.o4. script.e二、Error三、小结今天周末，原本想在宿舍的，但是起床后发现没什么事情可以做的，而且在宿舍网不好，看剧运动都没那么称心如意。所以还是来实验室，发现自己在实验室再无聊也可以看看巡回检查组。昨天因为下雨回去的早，原本想在宿舍打拳的，结果发现打

RoseTTAFold安装——alphafold的平替（3）文章目录RoseTTAFold安装——alphafold的平替（3）一、result文件详情1.hhsearch.stderr2.hhsearch.stdout——blank3.make_msa.stderr4.make_msa.stdout5.make_ss.stderr6.make_ss.stdout二、error集合1. error 1 in hhsearch.stderr——sequence ss_pred contains no res

RoseTTAFold安装——alphafold的平替（2）文章目录RoseTTAFold安装——alphafold的平替（2）6. 获取PyRosetta许可证7. 在conda环境中安装软件——PyRosetta接上一篇RoseTTAFold安装——alphafold的平替（1）在下载数据的时候在下载中间那个BFD的时候，出现bug，重新编辑一下脚本cd /share2/pub/yangjy/yangjy/softs/RoseTTAFold/wget https://bfd.mmseqs.co

RoseTTAFold安装——alphafold的平替文章目录RoseTTAFold安装——alphafold的平替1. 下载GitHub package2. 创建环境3. 下载network的权重4. 安装第三方软件5. 下载数据——大！终究还是错付了，我尽心尽力的尝试了alphafold的各种情况但是都没有成功。只要思想不退步，办法总比困难多！另辟蹊径——师兄出招，用平替！总不能止步不前吧，那个正版的alphafold等我过几天再学习一下docker吧，担心老板最近要找我问进度，也得有个东西呀！随

AlphaFold安装——非docker镜像（4）文章目录AlphaFold安装——非docker镜像（4）Error 1. Failed to create session: Internal: cudaGetDevice() failed. Status: CUDA driver version is insufficient for CUDA runtime versionError 1. Failed to create session: Internal: cudaGetDevice()

AlphaFold安装——非docker镜像（3）文章目录AlphaFold安装——非docker镜像（3）Error 1. flag --use_gpu_relax=None: Flag --use_gpu_relax must have a value other than None.Error 2. 显示我的jaxlib版本不对Warning 3. Unable to initialize backend 'tpu_driver': NOT_FOUND: Unable to find driver

AlphaFold安装——非docker镜像（2）

AlphaFold安装——非docker镜像参考教程最近在配置alphafold环境，按照GitHub上的readme进行，需要在docker前提下进行，找管理服务器的师兄开了权限，但是期间很多次都需要重启docker，卑微没有root权限，没法搞定，搞得整个人心态爆炸，所以不打算在docker下搭了。普及：docker在几年前很火，但是现在他的大势已去，主要因为很多地方需要root权限，这对大多数人来说是很大的不便。文章目录AlphaFold安装——非docker镜像1、安装miniconda2、

RNA-seq之QAPA量化后差异分析秩和检验和t检验数据处理

生信入门（七）——数据预处理1文章目录生信入门（七）——数据预处理1一、用基本包处理数据框1.查看数据框中的内容2、选取数据库的子集3、将数据按照某个变量的值排序：order()4、查找和删除数据：duplicated()5、在数据框中添加和删除变量６、把数据框添加到搜索路径后面几节，将分别使用基本包和当前流行的 dplyr 包处理数据框，并介绍数据框的合并、长宽格式的转换、缺失值的处理、处理大型数据集的策略等操作。一、用基本包处理数据框加载epiDisplay包里的小型数据集Familydata

生信入门（六）——单细胞分析（Seurat）文章目录生信入门（六）——单细胞分析（Seurat）一、数据导入1、数据来源2、数据导入二、标准预处理1、QC和选择细胞进行进一步分析2、规范化数据3、识别高度可变的特征（特征选择）4、缩放数据三、主成分分析（PCA）1、线性降维2、确定数据集的“维度”四、聚类细胞五、非线性降维（UMAP/tSNE）六、寻找差异表达的特征（簇生物标志物）一、数据导入1、数据来源点击此处下载数据数据说明：分析10X Genomics提供的外周血单细胞（PBMC）数据集，有

生信入门（五）——使用DESeq2进行RNA-seq数据分析文章目录生信入门（五）——使用DESeq2进行RNA-seq数据分析四、探索性数据分析五、差异数据分析六、AnnotationHub本篇接上一篇，本篇做探索性数据分析，差异表达分析以及后面步骤四、探索性数据分析五、差异数据分析六、AnnotationHub...

生信入门（三）——使用DESeq2进行RNA-seq数据分析文章目录生信入门（三）——使用DESeq2进行RNA-seq数据分析一、学习目标二、实验数据1、数据来源2、建模计数数据3、转录本丰度4、salmon定量三、用tximport导入R1、指定文件位置2、将转录本映射到基因今日学习内容DESeq2分析RNA-seq数据一、学习目标直观地评估 RNA-seq 数据的质量对 RNA-seq 数据进行基本的差异分析将 RNA-seq 结果与其他实验数据进行比较从 FASTQ 文件中量化转录表

使用limma、Glimma和edgeR,RNA-seq数据分析文章目录使用limma、Glimma和edgeR,RNA-seq数据分析六、差异表达分析1、创建设计矩阵和对比2、从表达计数数据中删除异方差3、拟合线性模型以进行比较4、检查DE基因数量5、检查单个DE基因6、差异表达结果可视化7、使用camera的基因检验本篇继续上一篇数据预处理之后做差异表达分析。六、差异表达分析1、创建设计矩阵和对比在此研究中，我们想知道哪些基因在我们研究的三组细胞之间以不同水平表达。我们的分析中所用到的线性模型

生信入门（二）——使用limma、Glimma和edgeR,RNA-seq数据分析文章目录生信入门（二）——使用limma、Glimma和edgeR,RNA-seq数据分析一、简介一、简介简单且高效地分析RNA 测序数据的能力是生信的核心优势之一。通常在获得RNA-seq基因表达矩阵后，通常需要对数据进行数据预处理、探索性数据分析、差异表达检验以及通路分析，以得到可以帮助进一步试验和验证研究的结果。未来几篇将介绍使用edgeR包，limma包，Glimma包对RNA-seq数据展开分析，从原始计数（c

生信（一）——DESeq2差异基因分析文章目录生信（一）——DESeq2差异基因分析一、差异基因分析原理二、代码实现1、前提：安装DESeq2包2.代码实现三、小结记录学习过程，共勉。一、差异基因分析原理详见二、代码实现1、前提：安装DESeq2包2.代码实现setwd("D:\\RData");#设置编码位置rt<-read.table("GSE149549_mRNA_Expression_Summary.txt",head=TRUE,row.names = 1)head(r