数据质控将SRR转为fastq之后，我们需要对fastq进行质量检查，排除质量不好的数据1.质量检查，生成报告文件ls*fastq.gz|whilereadid;dofastqc$id;done并行处理ls*fastq.gz|xargsfastqc-t102.生成html报告文件和对应的zip压缩文件，并通过scp命令传输到本地后用浏览器打开查看。#传文件scp-iusername@server-ip:~/my_project/airway/QC_results/Users/yangshengyu/qc#传文件夹scp-rusername@server-ip:~/my_project/airw
Faster-Whisper是Whisper开源后的第三方进化版本，它对原始的Whisper模型结构进行了改进和优化。这包括减少模型的层数、减少参数量、简化模型结构等，从而减少了计算量和内存消耗，提高了推理速度，与此同时，Faster-Whisper也改进了推理算法、优化计算过程、减少冗余计算等，用以提高模型的运行效率。本次我们利用Faster-Whisper对日语视频进行双语(日语/国语)转录实践，看看效率如何。构建Faster-Whisper转录环境首先确保本地已经安装好Python3.10版本以上的开发环境，随后克隆项目：gitclonehttps://github.com/ycyy/f
转录组是研究功能基因的利器，通过转录组测序可以得到大量差异基因和众多调控网络，围绕转录组开展的多组学分析策略已是多种类型高分文章的必备“法宝”。但是单一的转录组难以确定关键途径，也无法鉴定控制关键途径的结构。 代谢组学是基于LC-MS/MS液质联用技术对生物样本中的小分子代谢物进行定性和相对定量分析。可以利用代谢组来反映表型的状态变化，但是单独代谢组检测，无法解释影响表型的基因机理。 转录组+代谢组的多组学分析，可以同时实现从“因”和“果”两个层面来探究生物学问题，相互间进行验证，从海量的数据中筛选出关键基因、代谢物及代谢通路，深度解析生物系统的宏观发育过程，解释生物过程的
Faster-Whisper是Whisper开源后的第三方进化版本，它对原始的Whisper模型结构进行了改进和优化。这包括减少模型的层数、减少参数量、简化模型结构等，从而减少了计算量和内存消耗，提高了推理速度，与此同时，Faster-Whisper也改进了推理算法、优化计算过程、减少冗余计算等，用以提高模型的运行效率。本次我们利用Faster-Whisper对日语视频进行双语(日语/国语)转录实践，看看效率如何。构建Faster-Whisper转录环境首先确保本地已经安装好Python3.10版本以上的开发环境，随后克隆项目：gitclonehttps://github.com/ycyy/f
参考生信技能树：pyscenic的转录因子分析结果展示之5种可视化、pyscenic的转录因子分析结果展示之各个单细胞亚群特异性激活转录因子本教程复现系列：pySCENIC的转录因子分析及数据可视化（二）pySCENIC的转录因子分析及数据可视化（三）1.安装pyscenic对于这些陌生的软件，现在发现最好还是直接给它弄个conda小环境来折腾，不然更难折腾出来教程内容。这一步是在linux下面操作#需要一些依赖,尤其是这个python3.7版本condacreate-npyscenicpython=3.7#创建小环境condaactivatepyscenic#激活小环境condainstal
HTSeq作为一款可以处理高通量数据的python包，由SimonAnders,PaulTheodorPyl,WolfgangHuber等人携手推出HTSeq—APythonframeworktoworkwithhigh-throughputsequencingdata。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htseq-qa（质量分析）。这里需要注意的是HTSeq作为readcounts的计数软件，承接的是上游比对软件对于cleandata给出的比对结
经历了一周的时间在学校服务器上痛苦的安装各种软件，各种软件冲突，各种报错，各种conda连接问题，换源，没有GLIBC2.14问题，LC_ALL问题，UCS4问题，重装Anaconda等，终于死心了。还是转到北鲲云上来操作吧。日后有时间再和学校服务器掰扯去。一、登录北鲲云https://www.cloudam.cn/v2/pages/login-page账户密码都是怡美通德小惠给的。查了一下，之前跑EPIC总共花了30几块钱。还不错。貌似没有月租哦，用多少划多少。就是空间200G似乎有点儿少。二、查软件1，查看moduleavail就可以查看已经安装的软件moduleadd就可以加载使用比如想
SRA数据下载近期下载SRA数据，应用linux子系统下载极其不顺利。果断放弃，下面介绍两种亲测好用的办法。方法1windows下使用SRAToolkit下载首先在官网下载SRAToolkitwindows版本软件。Fig.1然后解压，安装。在windows命令行（CMD）中运行代码#存储路径\sratoolkit.2.11.0-win64\bin\vdb-config--interactive进入安装界面Fig.2一般软件的安装程序就是自定义安装还是默认安装。为了防止各种插件出错，保险起见，选择默认。按上下键选择，按“s”保存，再按“exit”退出。然后运行代码#存储路径\sratoolki
1.CellChat对象的创建、处理及初始化1.1使用Seurat对象创建CellChat对象1.2使用表达矩阵创建CellChat对象1.3设置配体受体交互数据库1.4表达数据的预处理2.细胞通信网络推断2.1计算通信概率并推断cellchat网络2.2提取推断的cellchat网络作为数据框架2.3在信号通路级别推断细胞-细胞通信2.4计算整合的细胞通信网络3.细胞通信网络的可视化3.1使用层次结构图、圆图或和弦图可视化每个信号通路3.2计算每个配体受体对整体信号通路的贡献，并可视化由单个配体受体对调节的细胞通信3.3自动保存所有推断网络的模块以进行快速探索3.4可视化由多个配体受体或信号
limma差异表达分析本篇笔记的内容是在R语言中利用limma包进行差异表达分析，主要针对转录组测序得到的基因表达数据进行下游分析，并将分析结果可视化，绘制火山图和热图[TOC]基因表达差异分析是我们做转录组最关键根本的一步，不管哪种差异分析，其本质都是广义线性模型，limma也是广义线性模型的一种，其对每个gene的表达量拟合一个线性方程。limma包是2015年发表在NucleicAcidsResarch一个做差异分析的工具，目前引用次数高达七千多次，最流行的差异分析软件之一就是limma。环境部署与安装安装limma包if(!require("BiocManager",quietly=T
