前言康奈尔大学，FeiLab的一个预测工具。iTAK是依赖于数据库的用于从蛋白质或核苷酸序列中识别植物转录因子(TF)、转录调节因子(TR)和蛋白激酶(PK)，然后将单个TF、TR和PK分类为不同的基因家族的工具。本人能力有限，本文可能存在描述不当与错误的地方，请仔细辨别后使用。鉴定与依据TFs和TRs的识别和分类是基于主要从PlnTFDB(Perez-Rodriguezetal.,2010)和PlantTFDB[(Jinetal.,2014)总结的一致性规则（每个基因家族的必需和禁止的蛋白质结构域），与来自PlantTFcat(Daietal.,2013)和AtTFDB(Yilmazetal
前言康奈尔大学，FeiLab的一个预测工具。iTAK是依赖于数据库的用于从蛋白质或核苷酸序列中识别植物转录因子(TF)、转录调节因子(TR)和蛋白激酶(PK)，然后将单个TF、TR和PK分类为不同的基因家族的工具。本人能力有限，本文可能存在描述不当与错误的地方，请仔细辨别后使用。鉴定与依据TFs和TRs的识别和分类是基于主要从PlnTFDB(Perez-Rodriguezetal.,2010)和PlantTFDB[(Jinetal.,2014)总结的一致性规则（每个基因家族的必需和禁止的蛋白质结构域），与来自PlantTFcat(Daietal.,2013)和AtTFDB(Yilmazetal
写在前面很多时候，我们做完转录组，会想着看看样品与样品之间的表达相关性如何？依此，可以看看是否存在异常样品，也或许可以找到一些生物学相关问题。常常，我会使用R语言的Corr函数，然后用pheatmap出个图。当然，这个两行命令就解决了。但是呢pheatmap出的热图调整起来还是麻烦。为了偷懒，我决定花点时间，在TBtools中直接写一个。因为这个功能比较简单，其实就是读取表达量矩阵，计算样品间相关系数，用系数矩阵绘制热图。ExpressionCorrCalc感觉就是十来分钟的事情，真的太简单。打界面麻烦了点，不过我也有些好的组件，所以，其实也简单。结果如下，从界面来看，使用更简单，只需要给一个
写在前面很多时候，我们做完转录组，会想着看看样品与样品之间的表达相关性如何？依此，可以看看是否存在异常样品，也或许可以找到一些生物学相关问题。常常，我会使用R语言的Corr函数，然后用pheatmap出个图。当然，这个两行命令就解决了。但是呢pheatmap出的热图调整起来还是麻烦。为了偷懒，我决定花点时间，在TBtools中直接写一个。因为这个功能比较简单，其实就是读取表达量矩阵，计算样品间相关系数，用系数矩阵绘制热图。ExpressionCorrCalc感觉就是十来分钟的事情，真的太简单。打界面麻烦了点，不过我也有些好的组件，所以，其实也简单。结果如下，从界面来看，使用更简单，只需要给一个
####安装包install.packages("BiocManager")BiocManager::install(version="3.13")BiocManager::install("gprofiler2")BiocManager::install("clusterProfiler")BiocManager::install("AnnotationHub")BiocManager::install("org.Bt.eg.db")GO分析（上下调基因分开做，可用于BP,CC,MF分开画图）##方法2：下载到本地加载,每次使用上传,（推荐）library(AnnotationDbi)set
####安装包install.packages("BiocManager")BiocManager::install(version="3.13")BiocManager::install("gprofiler2")BiocManager::install("clusterProfiler")BiocManager::install("AnnotationHub")BiocManager::install("org.Bt.eg.db")GO分析（上下调基因分开做，可用于BP,CC,MF分开画图）##方法2：下载到本地加载,每次使用上传,（推荐）library(AnnotationDbi)set
写在前面：经常做转录组分析，就是把差异基因搞个火山图和Venn图看各组差异基因的共有和特有情况。看见有个比较好的选择，能直观比较各种处理带来的影响，如下：image.png来自Natureplants的一篇文章Ref:https://github.com/YulongNiu/MPIPZ_microbe-host_homeostasishttps://www.nature.com/articles/s41477-021-00920-2这个图很牛逼啊，表示的信息量很全，值得学习。去扒作者的代码，复现出了大部分所需文件：总的基因丰度表，即各个基因在每个样品中的丰度image.png各个样品的基因差异
写在前面：经常做转录组分析，就是把差异基因搞个火山图和Venn图看各组差异基因的共有和特有情况。看见有个比较好的选择，能直观比较各种处理带来的影响，如下：image.png来自Natureplants的一篇文章Ref:https://github.com/YulongNiu/MPIPZ_microbe-host_homeostasishttps://www.nature.com/articles/s41477-021-00920-2这个图很牛逼啊，表示的信息量很全，值得学习。去扒作者的代码，复现出了大部分所需文件：总的基因丰度表，即各个基因在每个样品中的丰度image.png各个样品的基因差异
本教程使用Seurat包进行10xVisium单细胞空间转录组数据分析。这个教程涉及：标准化降维和聚类检测空间差异表达基因交互可视化与单细胞转录组整合分析整合切片信息#1.R环境##检查Seurat版本本教程：Seurat(>=3.2)help(Seurat)##安装包：#EntercommandsinR(orRstudio,ifinstalled)install.packages('Seurat')SeuratData是数据分发Seurat对象的包。使用它可以直接访问Seurat教程中使用的数据集。devtools::install_github('satijalab/seurat-data
本教程使用Seurat包进行10xVisium单细胞空间转录组数据分析。这个教程涉及：标准化降维和聚类检测空间差异表达基因交互可视化与单细胞转录组整合分析整合切片信息#1.R环境##检查Seurat版本本教程：Seurat(>=3.2)help(Seurat)##安装包：#EntercommandsinR(orRstudio,ifinstalled)install.packages('Seurat')SeuratData是数据分发Seurat对象的包。使用它可以直接访问Seurat教程中使用的数据集。devtools::install_github('satijalab/seurat-data
