2301_78630677的博客

本文主要记录了本人如何使用bwa对测序数据进行mapping，再使用SOAPdenovo2对核序列进行从头组装成scaffolds，再使用CandiSSR寻找多态性核SSR。最后整理成一个文件。根据文献中的所用方法步骤来完成：整理形成的文件表格：本文主要学会的是如何对测序数据进行多态性核SSR的鉴定。从第一步的使用bwa软件将测序数据映射到参考序列中，获得仅包含核reads的bam数据；到第二步的使用SOAPdenovo2程序将bam数据进行从头组装成scaffolds；

文献精读【1】——对东亚一种关键森林树木的当地适应和未来气候导致的脆弱性的基因组研究的结合ppt的简要汇报。两篇结合来看，更方便理解。p1p2。

香杨 Populus koreana|iPlant 植物智——植物物种信息系统【注：下文使用的AI的中文翻译仅供参考，或许有不准确之处】基因组组装与重测序本研究对东亚温带森林中香杨）的24个种群的230个个体进行了染色体规模的基因组组装和重测序。结合群体基因组学和环境数据，识别出与气候适应相关的遗传变异。适应性非编码变异发现了大量的适应性非编码变异，强调了非编码区域在适应性进化中的作用。将遗传变异信息用于环境建模，预测物种对气候变化的时空响应。

之前得到了经过SNP过滤后的vcf文件，本文就使用该文件进行后续的群体遗传结构分析之前的博文：SNP过滤本文记录了一下群体遗传结构的分析并绘图过程中所做的笔记。主要使用了admixture软件进行了群体遗传结构分析；使用了pophelper包和TBtools软件进行了遗传结构堆积柱状图的绘制；使用了mapmixture包进行了遗传结构的地图分布，同时其也可用于前面的堆积柱状图的绘制。差不多就这些（遇到的主要难题还是前面pophelper包的安装，因为版本兼容等问题，花费了些许时间）。。。

之前（也就是博客重测序数据处理得到vcf文件）得到了原始的vcf文件，本文就使用该文件进行SNP过滤，以便后续的分析也就是本文是对博客【重测序数据处理得到vcf文件】的补充首先对原来的vcf文件进行过滤，得到一个高质量的vcf文件，用于后续的群体遗传结构分析原始文件：图文详解 VCF 生信格式 (变异信息)本文主要记录了对之前得到的原始的vcf文件进行SNP过滤后，保留过滤后的位点数据。先用perl脚本统计位点信息，再用R脚本获得过滤后的位点位置信息，最后用vcftools保留过滤后的位点。

该项目是基于flask框架为后端以及bootstrap为前端框架搭建的博客项目,（算是一个练手项目，其网站已经取消，被其它项目取代了）https://xingyun-dev.github.io/docs/以flask为后端的博客项目/这篇博客主要介绍一下我的一个练手的项目——星云小窝。这是一个用于学习交流的网站,网站地址：【注意：该网站已经被取代为其它项目】主要是以flask为后端，以bootstrap为前端框架。分为介绍页面、首页、笔记、交流、工具库、数据中心等这几个主要功能页面。

这是我的第一篇项目文档,记录了使用vuepress-reco主题来搭建个人文档。https://xingyun-dev.github.io/docs/vuepress搭建个人文档/本文是对使用vuepress搭建个人文档的项目的简概，从vuepress了解、vuepress-reco主题个人博客搭建、vuepress博客部署到后面的vuepress后续补充。这四篇博文记录了项目流程2024/7/23。

本文主要是记录了重测序数据处理流程：对于送往公司的DNA样品进行重测序后，得到的数据进行一系列处理得到vcf文件。补充——重测序数据处理的理论以及其它相关了解内容数据处理程序流程图！！！后续处理流程的代码仅供参考，请根据自己的实际情况自行修改！本文主要了对重测序数据进行处理得到vcf文件的流程，从得到rawdata，用fastp对数据进行质控和过滤，使用getorganelle软件对叶绿体基因组进行组装、通过构树鉴定所需个体；

这篇博客是对重测序数据处理得到vcf文件的补充，记录了重测序数据处理的理论以及其它相关了解内容重测序专题（一）| 一文了解测序技术的发展百度百科全基因组重测序是对已知基因组序列的物种进行不同个体的基因组测序，并在此基础上对个体或群体进行差异性分析。全基因组重测序的个体，通过序列比对，可以找到大量的单核苷酸多态性位点（SNP），插入缺失位点（InDel）和结构变异位点（SV）等信息.本文主要记录了重测序数据中的一些数据文件以及使用分析软件。

第二天2024/7/9所属目录：科研训练课程创建时间：2024/7/9作者：星云更新时间：xxx今天主要学习了如何修改论文格式，并且也对自己之前的综述进行了格式的修改；同时也补充了endnote的安装与使用。又是收获满满的一天还剩6天课程2024/7/9。

本系列笔记为记录大二暑期学校课程—— 科研训练与写作，记录一下每天了解了什么吧（苦逼又无聊的学习生涯又开始了。才刚结束啊）在’亲爱‘的大学想念我那远方的家的第一天（成功度过 (￣ω￣) ）所属目录：科研训练课程创建时间：2024/7/8作者：星云更新时间：xxx本文主要了解了用LetPub去查询论文所属期刊的影响因子等信息；以及用web of science 来对论文进行查询。哎，又是收获满满的一天这是第一天上课，还有整整七天，距离回家还有…2024/7/8。

本系列文章为近期所做项目研究而作的研究介绍。算是我近期所学的一个总结吧, 同时也希望与各位多多交流学习。星云文档github代码存储图像分类部分的研究相关代码和文档目录【1】构建图像分类数据集；主要存放图像采集与整理、可视化采集图像、划分训练集验证集、统计各类别图像数量【2】模型训练准备；主要介绍在开始训练模型前所做的一些准备，例如训练环境的搭建、安排、记录等【3】迁移学习模型；

存放一些有关这个项目研究的补充。包括做这个项目的一些总结以及实验心得。参考我的另一篇文章阶段总结——基于深度学习的三叶青图像识别本文主要介绍了关于进行的这个项目除了步骤方法的一些补充，包括实验记录、有关SNP位点筛选、阶段总结、后续安排等，

阶段总结——基于深度学习的三叶青图像识别。

将训练好的模型应用在测试集上，评估模型的效果本文主要介绍了在测试集上进行模型评估的代码，以及测试集图像语义特征可视化等2024/6/12。

主要简述一下训练代码主要是运用迁移学习的方法，将预训练模型在自定义的数据集上进行训练。2024/6/12。

构建完图像分类数据集后，就要开始训练我们的模型了，深度学习模型训练需要大量计算资源，也就是GPU。可以在本地机器上使用GPU（如果有的话），或者在云服务上租用GPU资源。此外，还有专门为深度学习训练提供的服务，如Google的Colab和Kaggle。本文将简单介绍一下如何使用kaggle上的GPU资源。准备好了模型训练的资源，将数据上传到了kaggle平台，编写了相关代码。2024/6/12共赏金尊沈绿蚁，莫辞醉，此花不与群花比。

主要简述图像采集与整理、可视化采集图像、划分训练集验证集、统计各类别图像数量代码存放库本文主要介绍了如何构建我的图像分类数据集，数据集的构建是比较重要的，这里数据集图像的获取也不知道合不合格，这一步或许有点问题，考虑再完善。2024/6/12十一年前南渡客，四千里外北归人。

包括将训练好的模型部署在本地终端、web端、小程序上、qt界面化。本文主要介绍了如何将pytorch模型转为ONNX模型文件以及如何将图像识别模型部署，包括部署在本地、部署在web网页、小程序、qt界面部署。2024/6/13。

pyqt+opencv开发的图像识别qt界面目前共有五个主要界面：软件介绍界面、省份识别、浙产识别、产地识别界面、以及自定义识别页面。开发这个图像识别的qt界面，使其它学者能够轻松地测试和验证图像识别模型。另外，之后也会随着项目的完善来对这个软件进行更新。2024/6/13。