估计阅读时长: 23 分钟https://github.com/rsharp-lang/R-sharp 降维是将数据由高维约减到低维的过程而用来揭示数据的本质低维结构。它作为克服“维数灾难”的途径在这些相关领域中扮演着重要的角色。在过去的几十年里，有大量的降维方法被不断地提出并被深入研究，其中常用的包括传统的降维算法如PCA和MDS；流形学习算法如UMAP、t-SNE、ISOMAP、LE以及LTSA等。 Order by Date Name Attachments MNIST-LabelledVectorArray-60000x100 • 230 kB • 647 click 2021年6月27日MNIST-LabelledVectorArray-60000x100Euclidean_Distance • […]
估计阅读时长: 13 分钟https://github.com/xieguigang/voyager-1 旅行者一号是一艘由NASA在1977年9月5日发射的宇宙飞船，其只比旅行者2号晚16天发射。旅行者一号除了担负着研究我们的太阳系的任务之外，在这艘飞船之上还搭载着一张我们尝试对外界介绍我们的文明的一张名片为“地球之音”的铜质镀金激光唱片，这张金唱片承载着人类与宇宙星系沟通的使命。 Order by Date Name Attachments 1080px-The_Sounds_of_Earth_Record_Cover_-_GPN-2000-001978 • 330 kB • 533 click 2021年6月18日scripting • […]
估计阅读时长: 15 分钟进行生物化学代谢反应网络的模拟计算，可以分为三种技术路线：基于线性规划做优化的FBA方法，基于常微分方程组求解的动力学模拟方法，以及最近发展的基于图神经网络做模拟计算的深度学习计算方法。在下面的表格中，在这里进行比较和总结了上面所提到的三种计算分析方法各自的计算原理和应用领域： 计算方法 原理 优势 适用场景 通量平衡分析（FBA） 基于约束条件（如化学计量矩阵、酶容量限制）和线性规划，在假设代谢网络处于稳态（即代谢物浓度不变）的前提下，计算代谢通量的分布，通常以最大化特定目标（如生物量生长）进行优化 1. 无需详细的酶动力学参数，特别适合大规模网络研究。2. 计算速度快，可系统性地预测基因敲除或环境扰动下的表型变化。3. 广泛应用于指导代谢工程，优化目标产物合成。 追求快速评估和全局优化：如果你的研究目标是在基因组尺度上快速评估微生物在不同条件下的生长或产物合成潜力，并且难以获取详细的动力学参数，FBA是一个非常实用的起点 动力学模拟 基于质量作用定律等构建常微分方程组（ODEs），描述每个代谢物浓度随时间变化的动力学过程，通过数值方法求解方程组 1. 能够捕捉代谢物浓度和通量的瞬态动态变化，揭示更精细的调控机制2. […]
估计阅读时长: 11 分钟https://github.com/SMRUCC/GCModeller 在R语言之中，存在着一个用于进行表达数据的时间序列分析的程序包：TCseq。TCseq的全称为Time course sequencing，即时间序列分析，通过对表达矩阵进行时间上的模糊CMeans聚类，得到表达变化趋势一致的基因列表，进行基因表达的时间趋势分析。 在GCModeller之中，我仿照着TCseq程序包，自己编写了一个时间序列的聚类与可视化分析的R#程序包模块，在这里介绍给大家。 Order by Date Name Attachments Gene expression pattern visualization • 2 […]
估计阅读时长: 10 分钟https://github.com/xieguigang/sciBASIC 根据积分表达式，微分方程的数值解关键在于微分方程的初值及计算微分方程式在tm(上一时刻)与tm+d（下一时刻）与坐标轴围成面积，若这个面积计算得越准确则得到的数值解也就越精确。微分表达式中与坐标轴围成的面积可表示如下，在实施算法的时候可以结合这个图更加直观点： 从上面的示意图可以看出，一段需要进行面积积分的曲线实际上是由多个梯形构成的多边形。那我们实际上只需要将这些梯形的面积都求出来，然后加起来就好了。 这里的梯形分割就是一种欧拉逼近的思想，欧拉逼近的几何意义，就是我们可以使用一段折线来近似的逼近一条曲线。 利用欧拉逼近，我们可以将一个精确的微分方程曲线 近似的使用线段来表示 Order by Date Name Attachments ODE_Trapezoidal • 30 kB • […]
估计阅读时长: 2 分钟在BILIBILI上观看视频：《【GCModeller教程】基因组功能富集计算原理》 Order by Date Name Attachments 20190818_GSEA_release.mp4_20190921_225144.467 • 226 kB • 484 click 2021年5月30日Fisher Exact Test […]
Hello blogger, thank you for sharing this post! We process a large number of metagenomic samples, and every time we…
谢博，您好。阅读了您的博客文章非常受启发！这个基于k-mer数据库的过滤框架，其核心是一个“污染源数据库”和一个“基于覆盖度的决策引擎”。这意味着它的应用远不止于去除宿主reads。 我们可以轻松地将它扩展到其他场景： 例如去除PhiX测序对照：建一个PhiX的k-mer库，可以快速剔除Illumina测序中常见的对照序列。 例如去除常见实验室污染物：比如大肠杆菌、酵母等，建一个联合的污染物k-mer库，可以有效提升样本的纯净度。 例如还可以靶向序列富集：反过来想，如果我们建立一个目标物种（比如某种病原体）的k-mer库，然后用这个算法去“保留”而不是“去除”匹配的reads，这不就实现了一个超快速的靶向序列富集工具吗？ 这中基于kmer算法的通用性和扩展性可能会是它的亮点之一。感谢博主提供了这样一个优秀的思想原型
It’s laborious to find knowledgeable people on this topic, however you sound like you realize what you’re speaking about! Thanks
WOW, display an image on a char only console this is really cool, I like this post because so much…
确实少有, 这么高质量的内容。谢谢作者。;-) 我很乐意阅读 你的这个技术博客网站。关于旅行者上的金唱片对外星朋友的美好愿望，和那个时代科技条件限制下人们做出的努力，激励人心。