众多不同的数据库所采用的对 Gene 和 Protein 编号的 ID 也是不同的, 所以在使用不同数据库数据的时候需要进行 ID 转换. 常用数据库 ID ID 示例 ID 来源 ENSG00000116717 Ensemble ID GA45A_HUMAN UniProtKB/Swiss-Prot, entry name A5PJB2_BOVIN UniProtKB/TrEMBL, entry name A2BC19, P12345, A0A022YWF9 UniProt, accessio

1)安装载入 ------------------------------------------- if("org.Hs.eg.db" %in% rownames(installed.packages()) == FALSE) {source("http://bioconductor.org/biocLite.R");biocLite("org.Hs.eg.db")}suppressMessages(library(org.Hs.eg.db))

DAVID网站提供了id转换的功能 1 选择上传gene list文件 2 选择上传ID的类型,我们ID-list.txt中的是Ensembl Gene ID,所以这里选ENSEMBL_GENE_ID 3 这个是类型,因为只做ID转换,所以选Gene List就ok了 4 选择你要转换的ID类型,这里我选的ENTREZ_GENE_ID 5 然后选择提交就ok了 bioDBnet 1 输入文件ID类型 2 输出ID类型,这里的Gene ID就是指ENTREZ GENE ID 3 输入ID列表,点击

每个物种都有一个对应的Taxonomy ID: 9606 :人类 10090 :小鼠

1.https://www.kegg.jp/kegg/tool/map_pathway2.html 2.如下图,筛选出基因所在的通路,并标上不同的颜色. 3.结果页面如下,有些基因会找不到对应的通路,如下图红字,找到通路的会列在下方,点击可以查看对应通路.

转自:http://www.biotrainee.com/thread-411-1-1.html 常用数据库 ID ID 示例 ID 来源 ENSG00000116717 Ensemble ID GA45A_HUMAN UniProtKB/Swiss-Prot, entry name A5PJB2_BOVIN UniProtKB/TrEMBL, entry name A2BC19, P12345, A0A022YWF9 UniProt, accession number GLA, GLB, UG

目录 流程使用 问题 记录下braker2的使用要点,以备忘记. 流程使用 braker2有很多流程,根据你的数据:组装的基因组.转录组.蛋白(同源,包括近缘或远缘)选择不同流程,官网有说明: https://github.com/Gaius-Augustus/BRAKER 现在的动植物组装,大多数都含有以上三类数据吧,因此可选择如下流程,用公共数据库OrthoDB中的直系同源蛋白,根据自己的物种选择,有动物植物微生物等,如我选择植物就有300多万条序列. 作者指出,braker2并非证据越多越

一:java的数据类型转换除布尔类型boolean(不能转换)有两种:<一> 自动转换: <二> 强制转换 <一>.自动转换:就是将小的数据类型自动转换成大的数据类型.如:int与byte计算时,byte(-128~127)自动的转换成int(-2147483648~2147483647)的类型.   0.1.基本数据类型自动转换:               byte->short,char -> int -> long              

http://blog.csdn.net/chinahaerbin/article/details/9471419 /* * ARC有效时三种类型转换: */ 1.__bridge          // 转换 2.__bridge_retained // 转换 3.__bridge_transfer // 转换 // __bridge 转换 ////////////////////// // ARC无效时 对应的代码 id obj = [[NSObject alloc] init]; void

Xamarin.Android之转换,呼叫,查看历史纪录 E文文章. 功能:能将输入的字母转换成相应的数字.并且能呼叫出去.能查看呼叫的历史纪录. 界面代码如下: <?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android="http://schemas.android.com/apk/res/android" android:orientation=&q

很久没更新博文了,不是没有学习,而是很多东西记在OneNote里面,收获很多啊,因为各种杂事,所以对于博客很久没更新了. 个人觉得:博客比起OneNote或者为知笔记之类的云笔不同在于博客应该记载的是比较成体系的东西,所以很多东西我准备统一回顾我学到的东西后,再成体系的更新在这里来. 废话说多了,先处理RT的问题. 一.问题由来 在学习SpringMVC的过程中,对于URL的拦截,我使用了RESTful,这是一种在形式上没有动词没有后缀结尾的URL表现形式,利用PUT/POST/DELETE/G

参考:http://www.biotrainee.com/thread-558-1-1.html http://bioconductor.org/packages/3.7/bioc/ http://www.bioconductor.org/packages/release/bioc/html/topGO.html https://www.jianshu.com/p/9e21f2196178 https://rpubs.com/aemoore62/TopGo_colMap_Func_Trouble

关键字:新浪 微博 url id mid 互相转换地址:http://www.cnblogs.com/txw1958/archive/2012/12/07/weibo-id-to-mid.html 通过新浪微博api接口发布微博成功后,会返回一个二维数组,这个返回的数组里有微博的内容,发布微博的用户信息等等.却没有所发布成功的微博的URL.很多时候如果要记录信息在数据库 则微博URL应该必不可少.通过新浪微博论坛搜索,发现有以下方法. 原理: 新浪微博的URL都是如:/z8ElgBLeQ这样三部

首先介绍下两种方法: 一.本地分析 1.在STRING数据库下载人的互作文件,如下图,第一个文件 https://string-db.org/cgi/download.pl?sessionId=HGrreq5g8nLI&species_text=Homo+sapiens 2.在本地电脑上(linux),用grep 检索该蛋白的互作关系:ENSP00000359708 ,发现结果是空 二.直接到STRING数据库进行互作关系分析 1.检索网址 (1)这个支持多个基因ID或者蛋白ID https:/

利用DAVID简单的进行GO富集度分析(这里只做简单的分析,即看基因是否存在在GO的三个过程里面) 比如我们有一组要分析的基因:TRPV6    CXADR    PROM1    GRAMD2    SOX10    GPRIN2    VANGL2    GRHL1    BCL11A    MROH8(这里用的是关于人的基因名) 首先打开DAVID网页,选择Functional Annotation: 在左边的框里面按提示输入,步骤1,输入你的ID号,这里可以是基因ID,也可以是基因名,或

KEGG数据库的使用方法与介绍 KEGG的数据 KEGG中的pathway是根据相关知识手绘的,这里的手绘的意思可能是指人工以特定的语言格式来确定通路各组件的联系:基因组信息主要是从NCBI等数据库中得到的,除了有完整的基因序列外,还有没完成的草图:另外 KEGG中有一个“专有名词”KO(KEGG Orthology),它是蛋白质(酶)的一个分类体系,序列高度相似,并且在同一条通路上有相似功能的蛋白质被归为一组,然后打上KO(或K)标签.下面就首先来讲一下KEGG orthology. 任找一个

使用KOBAS进行KEGG pathway和Gene Ontology分析 Article from Blog of Alfred-Feng http://blog.sina.com.cn/u/1706691033 现在使用在线的通路注释,一般使用DAVID.KOBAS等工具.不同的工具可能需要输入不同的基因名或基因编号.下面举例操作一遍. 1 在gprofiler网站进行基因ID转换. 进入网址“http://biit.cs.ut.ee/gprofiler/gconvert.cgi”,选择g:

1.基因系列中的data索引 2.基因ID之间的转换 对于生信,依托于别人的工具不如自己动手,由于研究发表的滞后性,往往很多工具提供的转换并不是最新的,况且开发者水平也参差不齐,理解原理才能让你来去自如. 今天主要记录几个ID转换的方式: 以果蝇为例 详细的了解阅读下面:ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/README 1.从NCBI下载基因ID信息:ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/GENE_INFO/Inverte

使用limma.Glimma和edgeR,RNA-seq数据分析易如反掌 Charity Law1, Monther Alhamdoosh2, Shian Su3, Xueyi Dong3, Luyi Tian1, Gordon K. Smyth4 and Matthew E. Ritchie5 1The Walter and Eliza Hall Institute of Medical Research, 1G Royal Parade, Parkville, VIC 3052, Melbo

为什么使用分库分表? 如下内容,引用自 Sharding Sphere 的文档,写的很大气. <ShardingSphere > 概念 & 功能 > 数据分片> 传统的将数据集中存储至单一数据节点的解决方案,在性能.可用性和运维成本这三方面已经难于满足互联网的海量数据场景. 1)性能 从性能方面来说,由于关系型数据库大多采用 B+ 树类型的索引,在数据量超过阈值的情况下,索引深度的增加也将使得磁盘访问的 IO 次数增加,进而导致查询性能的下降. 同时,高并发访问请求也使得集