早就接触过这个包了,只是一直畏惧,以为很复杂,也没有应用场景,所以认识很肤浅. 现在有应用场景了,我自己开发了一个幼稚的版本,发现了很多需求,后来想起了WGCNA似乎部分解决了我的问题,今天认真打开了WGCNA的paper,看完后觉得写得真好,其中涉及的统计学非常基础和简单. WGCNA中的一些工具存在很大的优化空间,但是优化很难发好文章,因为没什么原创性. 所以关键还是要自己提出问题,然后用统计学的方法去解决,问题越热门越核心,你的paper就能发的越好. Paper:WGCNA: an R

转自:http://www.gogoqq.com/ASPX/8390905/JournalContent/1303140588.aspx 研究了近半年的算法,记录下来给自己一个交代,也应该是考G前地最后一篇日志了. Weighted Gene Co-Expression Network Analysis中文名有翻译成加权关联网络分析的,感觉不是很恰当,英文来得比较直接.本来是佟昊从老汪那拿的一个课题,因为看起来比较有意思就把文章找来慢慢啃,到现在算是捣鼓出点名堂了.方法是UCLA的一个教授提出来

1.相对危险度(relative risk,RR).指暴露于某因素发生某事件的风险,即A/(A+B),除以未暴露人群发生的该事件的风险,即C/(C+D),所得的比值,即RR=［A/(A+B)］/［C/(C+D)］,RR适用于队列研究或随机对照试验. 2.OR(odds ratio) 比值比.OR=(A/B)÷(C/D)=AD/BC.RR和OR两个公式的区别,A/(A+B) 指暴露于某因素发生某事件的风险:A/B 指暴露人群中病例的比例,C/D指非暴露人群中病例的比例,所以OR也被称为优势比.当疾

这篇文章更多的是对于混乱的中文资源的梳理,并补充了一些没有提到的重要参数,希望大家不会踩坑. 1. 简介 1.1 背景 WGCNA(weighted gene co-expression network analysis,权重基因共表达网络分析)是一种分析多个样本基因表达模式的分析方法,可将表达模式相似的基因进行聚类,并分析模块与特定性状或表型之间的关联关系,因此在基因组研究中被广泛应用. 相比于只关注差异表达的基因,WGCNA利用数千或近万个变化最大的基因或全部基因的信息识别感兴趣的基因集,并

https://www.jianshu.com/p/f80de3468c04 https://mp.weixin.qq.com/s/-DthUKY2RTY6vxtxapzLkw https://www.jianshu.com/p/25905a905086 https://figshare.com/articles/WGCNA_script/4155192

A/B testing主要用来检测网站或者APP的两个版本中哪一个更好,它的中心思想是把流量一分为二,一份用作experiment group,访问新的版本,另一份用作control group,访问旧的版本. 假设现在有一个网站,要测试是否增大网页Register的字体,可以增加注册用户. 进行AB testing,首先要选择Unit of Diversion, 就是把实验分成两组的标准.在这个实验中,可以选择unique cookies to view the web page. 然后要选定

Logistic回归虽然名字叫"回归" ,但却是一种分类学习方法.使用场景大概有两个:第一用来预测,第二寻找因变量的影响因素.逻辑回归(Logistic Regression, LR)又称为逻辑回归分析,是分类和预测算法中的一种.通过历史数据的表现对未来结果发生的概率进行预测.例如,我们可以将购买的概率设置为因变量,将用户的特征属性,例如性别,年龄,注册时间等设置为自变量.根据特征属性预测购买的概率.逻辑回归与回归分析有很多相似之处,在开始介绍逻辑回归之前我们先来看下回归分析. 回归分

SPSS中t检验全都集中在分析—比较均值菜单中.关于t检验再简单说一下,我们知道一个统计结果需要表达三部分内容,即集中性.变异性.显著性. 集中性的表现指标是均值变异的的表现指标是方差.标准差或标准误显著性的则是根据统计量判断是否达到显著性水平 由于t分布样本均值的抽样分布,那么基于t分布的t检验就是样本均值的检验,是对均值差异的显著性检验. t检验可以在以下三种分析中使用 1.样本均数与总体均数的差异性分析(单样本t检验) 2.配对设计样本均数或两非独立两样本均数差异性分析(配对t检验) 3.

http://blog.renren.com/share/223170925/14708690013 常用显著性检验 1.t检验 适用于计量资料.正态分布.方差具有齐性的两组间小样本比较.包括配对资料间.样本与均数间.两样本均数间比较三种,三者的计算公式不能混淆. 2.t'检验 应用条件与t检验大致相同,但t′检验用于两组间方差不齐时,t′检验的计算公式实际上是方差不齐时t检验的校正公式. 3.U检验 应用条件与t检验基本一致,只是当大样本时用U检验,而小样本时则用t检验,t检验可以代替U检验.

框架介绍 上一篇从总体上介绍了推荐系统,推荐系统online和offline是两个组成部分,其中offline负责数据的收集,存储,统计,模型的训练等工作:online部分负责处理用户的请求,模型数据的使用,online learning等.本篇因为online中有比较复杂的ranking,ranking又分为离线训练和online learning,本篇主要介绍online部分的reall,ranking部分下篇介绍.先从整体流程图开始绍,数据流分为两部分: 用户请求数据,一般是由用户下拉刷新

这篇文章会讨论: 在什么情况下需要做 AB 实验 从产品/交互角度,如何设计一个实验 前端工程师如何打点 如何统计数据,并保证数据准确可信 如何分析实验数据,有哪些数据需要重点关注 附:如何搭建前端实验项目,以 mip-experiment 为例 一. AB 实验的使用场景和正确用法 通常,在页面有样式变化,但又不确定是修改影响好坏的时候进行 AB 实验,实验数据可以为改版提供有力支持. 某公司日常(1) 产品:把页面标题变成之前的两倍.标题就是要醒目,要大大大. 设计:打死都不同意,太大的标题

本文由云+社区发表 作者:腾讯技术工程 导语:最近几年来,深度学习在推荐系统领域中取得了不少成果,相比传统的推荐方法,深度学习有着自己独到的优势.我们团队在QQ看点的图文推荐中也尝试了一些深度学习方法,积累了一些经验.本文主要介绍了一种用于推荐系统召回模块的深度学习方法,其出处是Google在2016年发表于RecSys的一篇用于YouTube视频推荐的论文.我们在该论文的基础上做了一些修改,并做了线上AB测试,与传统的协同召回做对比,点击率等指标提升明显. 为了系统的完整性,在介绍主模型前,本

非原创 参考资料: 一文掌握GO和pathway分析 - 生物信息学讨论版 -丁香园论坛http://www.dxy.cn/bbs/thread/34904124#34904124 GO富集 GO是Gene ontology的缩写,GO数据库分别从功能.参与的生物途径及细胞中的定位对基因产物进行了标准化描述,即对基因产物进行简单注释,通过GO富集分析可以粗略了解差异基因富集在哪些生物学功能.途径或者细胞定位. Pathway Pathway指代谢通路,对差异基因进行pathway分析,可以了解实

chip-seq 流程图 书籍资料 工具 UCSU 安装 使用 原理 手册 Swiss在线分析工具 短序列比对工具 BWA 流程 格式处理 序列比对 peak-calling motif 可视化 输出文档 上下游分析 chip-seq 流程图 [怪毛匠子] [独家整理-怪毛匠子] 书籍资料 生物信息学 许忠能 生物信息学——计算的视角 李岭 译 工具 UCSU http://genome.ucsc.edu 安装 获得源文件 http://liulab.dfci.harvard.edu/MACS/

零基础照样做RNA-seq差异分析 GCBI知识库2018-08-24 14:43:36 基因表达谱的差异分析是RNA-seq中最常见的应用.你眼中的RNA-seq差异分析或许是酱紫的,对不会编程,不懂统计,纯正生物学出生的人, 内心简直SOS…… 但有些人眼中的RNA-seq差异分析却是这样的,借助云平台和图形化界面,生信零基础同样可以做RNA-seq差异分析. 小编也是第一次尝试,一起来看看云平台如何拯救你我于水火之中.RNA测序原始数据太大,就直接用了demo数据. 平台用的是GCBI(w

Vue 2.0 v-for 响应式key, index及item.id参数对v-bind:key值造成差异研究 在github上阅览README.md以获得最佳阅读体验,点这里 v-for响应式key, index及item.id参数对v-bind:key值造成差异研究 实验背景 通常情况下,我们渲染一个li列表,采用v-for指令进行渲染,我们需要给渲染的每一项元素绑定一个key值,其实绑定该key值是可选的,但会引起警告.使用v-for参数的过程中,由于v-for提供三个参数,分别是: va

转自:http://yangl.net/2016/09/27/edger_usage/ 1.Quick start 2. 利用edgeR分析RNA-seq鉴别差异表达基因: #加载软件包 library("edgeR",verbose=0); # 1. 载入数据 读取read count数 data <- read.delim("pnas_expression.txt", row.names=1, stringsAsFactors=FALSE); head(d

1.评价指标的局限性 问题1 准确性的局限性 准确率是分类问题中最简单也是最直观的评价指标,但存在明显的缺陷.比如,当负样本占99%时,分类器把所有样本都预测为负样本也可以获得99%的准确率.所以,当不同类别的样本比例非常不均衡时,占比大的类别往往成为影响准确率的最主要因素. 例子:Hulu的奢侈品广告主希望把广告定向投放给奢侈品用户.Hulu通过第三方的数据管理平台拿到了一部分奢侈品用户的数据,并以此为训练集和测试集,训练和测试奢侈品用户的分类模型,该模型的分类准确率超过了95%,但在实际广告

持续更新~ 散点图 条形图 文氏图 饼图 盒型图 频率直方图 热图 PCA图 3D图 火山图 分面图 分面制作小多组图 地图 练习数据: year count china Ame jap '12 2.800000 1.500000 4.500000 2.500000 '13 2.941956 1.587559 5.342547 2.814862 '14 3.508838 1.648075 5.429438 2.701108 '15 4.011208 1.533966 5.419301 2.660

SNP问题大集锦 [2017-01-19]       最近小编对基因检测很感兴趣,也跟风去测了一下,这一测不要紧,吓得小编几天没睡着觉,这不,检测报告上称小编的减肥能力弱,虽然小编一家都是胖子,唯有小编一个瘦子,原本以为是基因发生了突变,然并卵,是未到时候...... 难过之后小编恢复了理智,凭什么你说小编减肥能力弱,小编表示不服,仔细读了报告后发现,原来是这些SNP位点搞的鬼,又是SNP! 话说小编最近收到许多关于SNP的问题,现整理如下: 1.什么是SNP? 单核苷酸多态性(single