TCGA分析癌与癌旁组织表达差异

用TCGA数据库分析癌症和癌旁组织的表达差异

上周收到一条求助信息:“如何用TCGA数据库分析LINC00152在卵巢癌与正常组织的的表达差异?” 所以以这个题目为记录分析过程如下: 一.下载数据 a)进入网站https://cancergenome.nih.gov/ 网页截图如下: b)进入数据下载 Launch Data Portal ,截图如下: 进入数据下载接口后,有Projects Exploration Analysis Repository 四个栏目,我们数据下载可进入Repository菜单栏,截图如下: 网页分成左

web兼容学习分析笔记-margin 和padding浏览器解析差异

二.margin 和padding浏览器解析差异只有默认margin的元素 <body>margin:8px margin:15px 10px 15px 10px(IE7) <blockquote> 定义长的引用 margin:18px 40px 18px 40px margin:30px auto 30px auto(IE7) <dl> 定义列表详情 margin:18px 0 18px 0 margin:auto(IE7) <h1>

肿瘤数据库除了TCGA，还有TCIA--转载

TCIA就是基于TCGA数据开发的,不同的是TCIA只提供了20个癌种的免疫数据分析. 看网站首页的介绍就知道,这个数据库主要是根据TCGA的二代测序数据开发出来的.这里的20个癌种,点击每个柱子进去就可以分析对应的癌种,侧边的栏目则提供一些个性化选择. 01 Patients list模块 TCIA分别对每个病人进行分析,数据也提供下载,我们可以看到提供了ID.疾病.性别和年龄信息,我们重点关注IPS这一列的信息,IPS这一列有4个项目,有不同的属性,作者在文章中表示IPS(immunophe

TCGA各种肿瘤数据的20多种不同玩法/挖掘方法

肿瘤基因组图谱 (The Cancer Genome Atlas,TCGA) 计划是由美国国家癌症研究院(National Cancer Institute,NCI)和美国国家人类基因组研究所(National Human Genome Research Institute,NHGRI)于2006年联合启动的项目,目前共计研究33种癌症类型. TCGA利用大规模测序为主的基因组分析技术,从基因组.表观遗传组.转录组.蛋白质组等多个层析解析癌症的分子机制.最终完成一套完整的与所有癌症基因组改变相关

差异基因分析：fold change(差异倍数), P-value(差异的显著性)

在做基因表达分析时必然会要做差异分析(DE) DE的方法主要有两种: Fold change t-test fold change的意思是样本质检表达量的差异倍数,log2 fold change的意思是取log2,这样可以可以让差异特别大的和差异比较小的数值缩小之间的差距. Let's say there are 50 read counts in control and 100 read counts in treatment for gene A. This means gene A is

无生物学重复RNA-seq分析 CORNAS: coverage-dependent RNA-Seq analysis of gene expression data without biological replicates

无生物学重复RNA-seq分析 CORNAS: coverage-dependent RNA-Seq analysis of gene expression data without biological replicates BMC Bioinformatics 的一篇文章中提出了一种新的差异基因分析方法. 这篇文章提出了CORNAS(COverage-dependent RNA-Seq) 方法,利用贝叶斯方法来推断真实基因表达数的后验分布. 其创新型之一该方法包括了由RNA样品浓度决定的

eQTL | Expression quantitative trait loci | 表达数量性状基因座 | QTL | 数量性状位点

到底什么是eQTL? eQTL和QTL之间有什么联系?为什么说QTL比eQTL难很多? QTL和GWAS有什么关系? GTEx数据库里的eQTL数据如何利用? 说eQTL之前必须先解释QTL,QTL,一说到中文名就清楚了,数量性状位点,就是一个性状,比如身高,会由成百上千个基因来决定,目的简单明确,那么我们如何找到这些位点呢? Quantitative Trait Locus (QTL) Analysis - 来自nature的介绍实现层面,其实研究的不是基因,而是染色体上的区段,更明确的说就

史上最全面的FRM与CFA的区别对比分析，适合新人看

简单地自我介绍:本人于纽约完成了研究生阶段的学习后,在华尔街混迹了几年的时间,已获取FRM证书,正在积极准备CFA. 上海财经大学FRM培训中心前言导读经常看到CFA持证人平均年收入为$XXX之类的统计数据.但其实个人认为职业发展和证书的关系是“鸡与蛋”的关系,说清谁因谁果恐怕并非易事.这个回答主要是本人对CFA以及FRM知识点的异同.应用的领域.对就业/跳槽的帮助.与实际操作的差异等问题的理解.希望能帮助尚未决定的朋友结合自身情况作出选择. 1. 成本与难度: 两个考试难度相差很大. CFA

ASP.NET Core 一步步搭建个人网站（5）_Api模拟和网站分析

前言经过前面几章,我们的网站已经最基本的功能,接下来就是继续拓展其他的功能,这期一起来实现一个该网站流量分析的工具,统计出这个网站每天用户相关数据,不仅要满足了我们对流量统计数字的基本要求,并且用更简单的图形显示方式,让我们一目了然地获取页面热度.点击率信息等等.有了这个想法以后,那怎么实现呢,跟着笔者一步步来吧. 首先,需要考虑怎么才能获得用户访问网站时的相关数据呢?我们没必要自己去记录这些信息,目前已经有很多成熟的解决方案,提供捕获这些信息的免费接口,我们只用去访问这些接口就可以了. 在众

使用 dotTrace 分析 .NET Core 代码问题

0.背景在项目开发之中,前期可能主要以保证任务完成为主,对于性能优化主要在于开发完成之后再来进行.可能在测试的时候发现部分接口的代码执行时间过长,但是又毫无头绪,这个时候你就需要性能分析工具来协助你排查问题了. 常规性能分析借助于 Visual Studio 强大的性能测试工具就可以进行分析,但是这些功能只包含在企业版当中.这个时候我们就可以使用 JetBrains 的 .NET 分析全家桶来进行这个操作了,其包含内存分析(dotMemory)与性能分析(dotTrace),其实他的 dotC

工业以太网EtherNet/IP协议安全分析整理

1. EtherNet/IP : 设备可以用户数据报协议(UDP)的隐式报文传送基于IO的资料 ,用户传输控制协议(TCP)显示报文上传和下参数,设定值,程式 ,用户主站的轮询从站周期性的更新或是改变状态COS,方便主站监控从站的状态,讯息会使用UDP的报文发送出去特性: EnterNet/IP 工业以太网组成的系统具有兼容性和互操作性,资源共享能力强和传输距离远,传输速率高优势 EtherNetIP在物理层和数据链路层采用以太网,可以与标准的以太网设备透明衔接,并保证随着以太网的

差异表达分析之FDR

差异表达分析之FDR 随着测序成本的不断降低,转录组测序分析已逐渐成为一种很常用的分析手段.但对于转录组分析当中的一些概念,很多人还不是很清楚.今天,小编就来谈谈在转录组分析中,经常会遇到的一个概念FDR,那什么是FDR?为什么要用FDR呢?一起来学习吧! 什么是FDR FDR (false discovery rate),中文一般译作错误发现率.在转录组分析中,主要用在差异表达基因的分析中,控制最终分析结果中,假阳性结果的比例. 为什么要用FDR 在转录组分析中,如何确定某个转录本在不同的样品

Differential expression analysis for paired RNA-seq data 成对RNA-seq数据的差异表达分析

Differential expression analysis for paired RNA-seq data 抽象背景:RNA-Seq技术通过产生序列读数并在不同生物条件下计数其频率来测量转录本丰度. 为了鉴定两种条件之间差异表达的基因,重要的是要考虑实验设计以及数据的分布特性. 在许多RNA-Seq研究中,表达数据以多对获得,例如来自相同个体的治疗前和治疗后样品.我们寻求将配对结构纳入分析. 结果:我们提出了一个用于RNA-Seq数据的贝叶斯分层混合模型,以分别考虑变异性来自配对数据结构的

RNA-seq分析htseq-count的使用

HTSeq作为一款可以处理高通量数据的python包,由Simon Anders, Paul Theodor Pyl, Wolfgang Huber等人携手推出HTSeq — A Python framework to work with high-throughput sequencing data.自发布以来就备受广大分析人员青睐,其提供了许多功能给那些熟悉python的大佬们去自信修改使用,同时也兼顾着给小白们提供了两个可以拿来可用的可执行文件 htseq-count(计数) 和 htse

Linux内核分析（九）——总结篇

序:写在前面的话本次内容作为Linux内核的总结内容,主要涉及对Linux系统的总体的一些理解,同时将之前的一些总结贴出来作为大家的一个索引,希望笔者的博客能对和笔者一样的菜鸟有一些帮助和入门的作用.从一个初学者的角度对Linux有一个较为整体的印象,从而加速对Linux操作系统的理解. 一.Linux内核分析系列文章简介及导航下面就是本系列博客的文章目录,后期还会更加细致的对每个环节进行补充,这一系列[Linux内核分析(一)至(九)]作为系统的入门概览希望大家

SAP CO-PA（盈利能力分析）

为了在这个现代和动态的环境中保持和发展,快速和及时的决策对于做出正确的决策更为重要.组织盈利能力是评估设计组织目标,目标和实现目标的核心参数.在本博客中,我将讨论SAP ERP中包含的工具,以分析组织的盈利能力. SAP提供的用于分析组织盈利能力的两个有用工具是Profitability Analysis(CO-PA)和Profit Center Accounting(EC-PCA). 以下提到两种应用程序的用法, 利润中心会计(EC-PCA) 盈利能力分析(COPA) 如果组织希望明智地或根据

MetaboAnalyst的多组学分析

MetaboAnalyst是做代谢的R包,功能十分强大.也开发了web版本,代谢组学的分析这里不介绍,主要讲讲它开发的多组学分析的相关内容. 既然是做代谢的工具,即使是增加了多组学内容,肯定也是以代谢为核心.以代谢组为中心的多组学分析想想无非就是以下几点:多元变量统计分析.网络分析.pathway分析以及mGWAS或宏组学等,这个工具就有网络分析和pathway分析.下面我们一起来试试. 网络分析我们先看看网络分析.我这里使用软件提供的demo数据,点击进去后,会有两种ID类型供选择.第一种是

余弦距离、欧氏距离和杰卡德相似性度量的对比分析 by ChaoSimple

1.余弦距离余弦距离,也称为余弦相似度,是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量. 向量,是多维空间中有方向的线段,如果两个向量的方向一致,即夹角接近零,那么这两个向量就相近.而要确定两个向量方向是否一致,这就要用到余弦定理计算向量的夹角. 余弦定理描述了三角形中任何一个夹角和三个边的关系.给定三角形的三条边,可以使用余弦定理求出三角形各个角的角度.假定三角形的三条边为a,b和c,对应的三个角为A,B和C,那么角A的余弦为: 如果将三角形的两边b和c看成是两个向

redis 源代码分析(一) 内存管理

一,redis内存管理介绍 redis是一个基于内存的key-value的数据库,其内存管理是很重要的,为了屏蔽不同平台之间的差异,以及统计内存占用量等,redis对内存分配函数进行了一层封装,程序中统一使用zmalloc,zfree一系列函数,其相应的源代码在src/zmalloc.h和src/zmalloc.c两个文件里,源代码点这里. 二,redis内存管理源代码分析 redis封装是为了屏蔽底层平台的差异,同一时候方便自己实现相关的函数,我们能够通过src/zmalloc.h 文件里的相

list 、set 、map 粗浅性能对比分析

list .set .map 粗浅性能对比分析不知道有多少同学和我一样,工作五年了还没有仔细看过list.set的源码,一直停留在老师教导的:"LinkedList插入性能比ArrayList好,LinkedList顺序遍历性能比ArrayList好"的世界里.可是真是如此么?本文很"肤浅"的对比和分析了几种常用的集合,"高手"可以就此打住不必往下阅读了... 本文分开介绍了List.Map.Set: (测试环境:win7.jdk.4G.i

巴特西