用popart构建常染色体单倍型网络（Autosomal haplotypes network construction with popart）...

最新推荐文章于 2024-12-06 12:57:02 发布
最新推荐文章于 2024-12-06 12:57:02 发布
阅读量3.5k 收藏 3
点赞数
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/chenwenyan/p/9877377.html
本文详细介绍了如何利用popart软件构建常染色体单倍型网络。首先，从vcf文件转为plink格式，通过PLINK确定连锁位点。接着，提取连锁的35个位点，生成singstring文件和两条单链fas格式文件。然后，用DnaSP6将fas文件转换为nex文件，并统计不同群体的单倍型数量。最后，手动修改nex文件并用popart构建单体型网络。

1）将vcf转化为plink格式，假定输入的vcf文件名为：17893893-17898893.vcf,也可以参考链接：将vcf文件转化为plink格式并且保持phasing状态

/vcftools --vcf 17893893-17898893.vcf --plink-tped --out 17893893-17898893 /plink --tfile 17893893-17898893 --recode --out 17893893-17898893

　　

2) 用PLINK确定要研究的位点是否处于连锁的状态；生成blocks和blocks.det两种后缀格式文件；

/plink --file 17893893-17898893 --blocks no-pheno-req --out 17893893-17898893

　　

 

 以上结果说明rs62033

最低0.47元/天 解锁文章

新学期VIP享超值加赠
popart:IPU的Poplar Advanced Runtime
05-05
构建PopART 这些说明假定您在Ubuntu 18.04上构建PopART。 这些说明描述了如何安装每个必需的依赖项。 如果从现有的Ubuntu 18.04安装开始，则可能已经安装了其中一些依赖项。 如果是这样，请确保这些依赖项的版本与这些说明兼容。 其他基于Linux的操作系统也可以使用，但程序包名称和支持的程序包版本可能会有所不同。 注意： build_scripts\Dockerfile有一个可用的实验性Dockerfile，可用于生成包含编译和运行PopART所需的所有第三方依赖项的Docker环境。 如果您使用的是此容器，请从“”部分开始阅读。 请注意，此方法已经过有限的测试。 安装所需的工具 如果尚未安装以下工具，则需要在系统上安装它们： Wget，Git sudo apt-get install wget git -y Python（版本3.6.7或更高版本，不支持
如何构建基因单倍型网络
hgz2020的博客
05-18 3715
单倍型分析
PopArt
azeyeazeye的博客
03-12 720
PopArt https://www.leiphone.com/news/201809/kvmsqopha3xh984s.html
单倍型网络图绘制软件NETWORK 5.0
02-04
单倍型网络图绘制软件NETWORK 5.0，2020年1月18日更新版本。 Network generates evolutionary trees and networks from genetic, linguistic, and other data. Network can then provide age estimates for any ancestor in the tree.
单倍型
an05423833476591的博客
08-11 2256
单倍型，是单倍体基因型的简称，在遗传学上是指在同一染色体上进行共同遗传的多个基因座上等位基因的组合；通俗的说法就是若干个决定同一性状的紧密连锁的基因构成的基因型。按照某一指定基因座上基因重组发生的数量，单倍型甚至可以指至少两个基因座或整个染色体。 与基因型的区别 更进一步的讲，单倍型也是指一个染色单体里面具有统计学关联性的一类单核苷酸多态性（SNPs）。一个单倍型内的这类统计学关联性...
生物学软件TCS：单倍型网络图构建指南
weixin_36212459的博客
12-06 1701
本文还有配套的精品资源，点击获取 简介：Tamura-Nei's Consensus Sequence（TCS）软件是用于生物信息学分析的工具，尤其擅长构建单倍型网络图。它简化了生物学家研究遗传变异和群体遗传结构的过程。TCS通过处理基因序列数据，采用Tamura-Nei距离模型，计算序列差异并构建最小连接或最大简约网络图。该软件适用于进化生物学、群体遗传学、疾病遗传学和生...
单倍型分析网络图绘制软件 network下载
Xu_sunflower的博客
03-29 1324
ps 就这么个免费简单下载的小软件，在网上搜了十几分钟没找着到它官网在哪儿，然后看到有人给的下载链接要收费，无语。现在我找到了官方免费下载途径 分享给大家，祝大家科研顺利，生活顺心。2.进入该网站 点选"FREE PHYLOGENETIC NETWORK SOFTWARE"按钮，找到喜欢的network版本，直接Download。1.搜索Fluxus Technology Ltd 网站。
线粒体单倍型分析
06-03
Pomoxis nigromaculatus，通常被称为黑cr鱼，是美国东部淡水溪流和湖泊的原生物种，并支持重要的休闲渔业。 我们研究了居住在三个格鲁吉亚湖泊，西德尼·拉尼尔湖，塞米诺尔湖和哈特威尔湖的黑black的遗传种群结构。 利用DNA条码标记细胞色素氧化酶亚基I（COI）对229条鱼样品进行DNA测序，发现27个多态性位点定义了9个单倍型。 所有样品位点之间仅共享单倍型2，其他六个单倍型在各个湖泊中是唯一的，总单倍型多样性为0.734。 实施了田岛的D和Fu检验来评估偏离中立期望的情况。 在这项研究中评估的所有黑人黑饼人群中，Fst配对比较在统计学上具有统计学意义。
生物学软件NETWORK
12-07
《生物学软件NETWORK：绘制单倍型网络图的利器》 在生物信息学研究中，单倍型（Haplotype）的分析是理解基因组变异和群体遗传结构的关键环节。单倍型网络图（Haplotype Network）是一种有效的可视化工具，能够清晰...
GRAPHCORE软件栈：为扩展而构建.pdf
04-16
例如，PopART（Poplar高级运行时）允许用户直接使用ONNX格式的模型，而XLA编译器则专门针对基于TensorFlow的模型进行优化。 - **运行时支持与库**：为了确保IPU上的应用程序能够高效执行，Graphcore提供了全面的运行...
NETWORK 10.0.zip
02-18
单倍型网络图绘制软件的最新版本
NETWORK5.0说明书
04-14
NETWORK5.0说明书，可以绘制群体遗传学中的单倍型网诺图。
进化生物学-网络关系图制作软件
10-09
针对单倍型数据的进化关系，可以使用Median-Joining算法对其网络关系图 进行推测计算
第三篇：Haploview做单倍型教程3--结果解读
邓飞----育种数据分析之放飞自我
01-26 5065
大家好，我是邓飞，这里介绍一下如何使用Haploview进行单倍型的分析。今天是第三篇。
单倍型分析理解性问题，以及图如何看，2.0版本
2302_79242191的博客
12-08 9182
先看一些文章，再看一个图片，相信能有一个很好的理解，单倍型分析 - 简书 (jianshu.com)参考基因组新时代 — “单倍型”参考基因组 - 简书 (jianshu.com)生信:haplotype 单倍型分析全解，基于vcf文件进行基因单倍型分析 (qq.com)单倍型甚至还有一个官网单倍型 (genome.gov)Haplotype：SNP ：是指基因组上由单个核苷酸的变异所引起的DNA序列多态性。单倍型(haplotype)：位于一条染色体上某一区域的一组相关联的多个SNP等位位点被称作。
单倍型分析过程，旧+新，2.0版本（上）
2302_79242191的博客
10-12 1943
1.VCF转成的plink的二进制文件，SNP位点文件（rs-1-7602377-1678200），样本名称文件（1054 1054）2.plink1.9和Python脚本。
科研常用软件（仅学习使用）
weixin_43029125的博客
10-01 925
科研工作常用到的软件
单倍型定相软件Haplotype phasing
wangprince2017
12-20 5705
Haplotype phasing software Share: haplotype phasing software The Eagle software estimates haplotype phase either using a phased reference panel or within a genotyped cohort. Haplotype-specific association analysis was performed with Fisher’s exac...
如何使用 geneHapR 进行单倍型分析 （以vcf文件为例）
热门推荐
zhang_rl的博客
05-23 2万+
geneHapR基因的单倍型分析
class PopArtLayer(nn.Module): """ 正确实现参考：https://arxiv.org/abs/1809.04474 """ def __init__(self, input_dim, output_dim, epsilon=1e-5): super().__init__() self.input_dim = input_dim self.output_dim = output_dim self.epsilon = epsilon # 可学习参数 self.weight = nn.Parameter(torch.Tensor(output_dim, input_dim)) self.bias = nn.Parameter(torch.Tensor(output_dim)) # 运行统计量 self.register_buffer('mu', torch.zeros(output_dim)) self.register_buffer('sigma', torch.ones(output_dim)) self.register_buffer('v', torch.zeros(output_dim)) # 二阶矩 # 初始化 nn.init.kaiming_uniform_(self.weight, a=math.sqrt(5)) bound = 1 / math.sqrt(input_dim) nn.init.uniform_(self.bias, -bound, bound) def forward(self, x): # 原始输出 y = F.linear(x, self.weight, self.bias) # 标准化输出 y_normalized = (y - self.mu) / torch.sqrt(self.sigma + self.epsilon) return y_normalized def update_stats(self, targets): """ 更新统计量 (应在每个训练batch后调用) """ with torch.no_grad(): # 计算batch统计量 mu_batch = targets.mean(dim=0) v_batch = targets.var(dim=0, unbiased=False) n = targets.size(0) # 更新全局统计量 (指数移动平均) delta = mu_batch - self.mu self.mu += delta * 0.1 self.v = 0.9 * self.v + 0.1 * (v_batch + delta**2) self.sigma = self.v - self.mu**2 # 调整权重以保持输出一致性 std = torch.sqrt(self.sigma + self.epsilon) self.weight.data *= (std.unsqueeze(1) / torch.sqrt(self.sigma_old + self.epsilon)) self.bias.data = (self.bias.data - self.mu_old) / std和class PopArtLayer(nn.Module): """ 正确实现参考：https://arxiv.org/abs/1809.04474 """ def __init__(self, input_dim, output_dim, epsilon=1e-5): super().__init__() self.input_dim = input_dim self.output_dim = output_dim self.epsilon = epsilon # 可学习参数 self.weight = nn.Parameter(torch.Tensor(output_dim, input_dim)) self.bias = nn.Parameter(torch.Tensor(output_dim)) # 运行统计量 self.register_buffer('mu', torch.zeros(output_dim)) self.register_buffer('sigma', torch.ones(output_dim)) self.register_buffer('v', torch.ones(output_dim)) # 初始值为1，避免标准差为0 # 初始化 nn.init.kaiming_uniform_(self.weight, a=math.sqrt(5)) bound = 1 / math.sqrt(input_dim) nn.init.uniform_(self.bias, -bound, bound) def forward(self, x): # 原始输出 y = F.linear(x, self.weight, self.bias) # 标准化输出 y_normalized = (y - self.mu) / torch.sqrt(self.sigma + self.epsilon) return y_normalized def update_stats(self, targets): """ 更新统计量 (应在每个训练batch后调用) """ with torch.no_grad(): # 缓存旧的统计量 mu_old = self.mu.clone() sigma_old = torch.sqrt(self.sigma + self.epsilon) # 计算 batch 统计量 mu_batch = targets.mean(dim=0) v_batch = targets.var(dim=0, unbiased=False) n = targets.size(0) # 更新全局统计量 (指数移动平均) delta = mu_batch - self.mu self.mu += delta * 0.1 self.v = 0.9 * self.v + 0.1 * (v_batch + mu_batch**2) self.sigma = self.v - self.mu**2 # 调整权重与偏置 std = torch.sqrt(self.sigma + self.epsilon) self.weight.data *= (std.unsqueeze(1) / sigma_old.unsqueeze(1)) self.bias.data = (self.bias.data - mu_old) / sigma_old * std + self.mu 那个更优更好
最新发布
03-18
关键点是在更新统计量后调整网络参数，保持输出的一致性。 现在来看用户提供的两个版本。首先对比初始化部分。第一个版本中的v初始化为全零，而第二个版本初始化为全一。这可能有问题，因为方差初始为零的话，在...
评论
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