全基因集GSEA富集分析

已于 2024-03-18 20:33:57 修改
阅读量1.3k 收藏 25
点赞数 14
分类专栏： 转录组数据分析 文章标签： KEGG富集 功能富集分析 差异功能分析 生物信息学 GSEA富集分析 组学分析
于 2024-03-18 20:31:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kanghua_du/article/details/136820752
版权

原文链接：一文完成全基因集GSEA富集分析

本期内容

全基因集GSEA富集分析

写在前面

我们前面分享过一文掌握单基因GSEA富集分析的教程，主要使用单基因的角度进行GSEA富集分析。

我们社群的同学咨询，全基因集的GSEA如何分析呢？？其实，原理都是大同小异的，那么今天我们就简单的整理一下吧。

若我们的分享对你有用，希望您可以点赞+收藏+转发，这是对小杜最大的支持。

GSEA知识回顾

GSEA网址

https://www.gsea-msigdb.org/gsea/index.jsp

GSEA网站

分析原理

GSEA的分析原理，我们这里使用“生信宝典”陈同老师分享的教程，一文掌握GSEA，超详细教程。

1. GSEA定义

GSEA用来评估一个预先定义的基因集的基因在与表型相关度排序的基因表中的分布趋势，从而判断其对表型的贡献。其输入数据包含两部分，一是已知功能的基因集 (可以是GO注释、MsigDB的注释或其它符合格式的基因集定义)，二是表达矩阵，软件会对基因根据其于表型的关联度(可以理解为表达值的变化)从大到小排序，然后判断基因集内每条注释下的基因是否富集于表型相关度排序后基因表的上部或下部，从而判断此基因集内基因的协同变化对表型变化的影响。

2. GSEA原理

给定一个排序的基因表L和一个预先定义的基因集S (比如编码某个代谢通路的产物的基因, 基因组上物理位置相近的基因，或同一GO注释下的基因)，GSEA的目的是判断S里面的成员s在L里面是随机分布还是主要聚集在L的顶部或底部。这些基因排序的依据是其在不同表型状态下的表达差异，若研究的基因集S的成员显著聚集在L的顶部或底部，则说明此基因集成员对表型的差异有贡献，也是我们关注的基因集。

3. GSEA计算的关键概念

  1. 计算富集得分 (ES, enrichment score). ES反应基因集成员s在排序列表L的两端富集的程度。计算方式是，从基因集L的第一个基因开始，计算一个累计统计值。当遇到一个落在s里面的基因，则增加统计值。遇到一个不在s里面的基因，则降低统计值。每一步统计值增加或减少的幅度与基因的表达变化程度（更严格的是与基因和表型的关联度）是相关的。富集得分ES最后定义为最大的峰值。正值ES表示基因集在列表的顶部富集，负值ES表示基因集在列表的底部富集。

  1. 评估富集得分(ES)的显著性。通过基于表型而不改变基因之间关系的排列检验 (permutation test)计算观察到的富集得分(ES)出现的可能性。若样品量少，也可基于基因集做排列检验 (permutation test)，计算p-value。

  1. 多重假设检验矫正。首先对每个基因子集s计算得到的ES根据基因集的大小进行标准化得到Normalized Enrichment Score (NES)。随后针对NES计算假阳性率。（计算NES也有另外一种方法，是计算出的ES除以排列检验得到的所有ES的平均值）

  1. Leading-edge subset，对富集得分贡献最大的基因成员。

4. 与GO或KEGG富集分析的区别

GO富集分析是先筛选差异基因，再判断差异基因在哪些注释的通路存在富集；这涉及到阈值的设定，存在一定主观性并且只能用于表达变化较大的基因，即我们定义的显著差异基因。

GSEA则不局限于差异基因，从基因集的富集角度出发，理论上更容易囊括细微但协调性的变化对生物通路的影响。

GSEA富集结果如何解读

GSEA分析的标准图形，该图分为3部分，最上面部分为基因EnrichmentScore的折线图，从左至右，每个基因计算一个ES值，连成线。横轴为该基因下的每个基因，纵轴为对应基因的RunningES。 在折线图中有个峰值，该峰值就是这个基因集的Enrichemntscore。一般关注基因集的Enrichemntscore，峰出现在前端还是后端(ES值大于0在前端，小于0在后端)，和Leading-edge subset (即对富集贡献最大的部分，领头亚集)。如果ES值大于0，则峰值前的基因为Leading-edge subset ；如果ES值小于0，则峰值后的基因为Leading-edge subset。在ES图中出现领头亚集的形状，表明这个功能基因集在某处理条件下具有更显著的生物学意义。如果峰值出现在正值处，认为峰值之前的基因就是该基因集下的核心基因。图中我们一般关注ES值，峰出现在前端还是后端（ES值大于0在前端，小于0在后端）以及Leading-edge subset（即对富集贡献最大的部分）；在ES图中出现领头亚集的形状（红色虚线前），表明这个功能基因集在某处理条件下具有更显著的生物学意义。

中间部分为用线条标记位于基因集下的每个基因的位置，每个竖杠代表一个基因，竖杠的位置就是每个基因集里的基因在所有排序好的基因的位置。如果基因集里的基因集中在所有基因的前部分，就是在A组里面富集，如果集中在后面部分，就是在B组里面富集。最下面部分，展示的是所有基因在处理前后的变化量，一般是signal2noise值的排序后的z-score值，所有图片这里都是一样的。红色表示在A样本里表达量高，蓝色表示在B样本里表达量高。

全基因基因如何做GSEA富集分析

在一文掌握单基因GSEA富集分析的教程中，主要将目标基因与基因集进行相关性分析，获得与目标基因高相关性的基因集（新基因集），通过对新基因集的相关性进行排序，进而计算富集得分。

全基因GSEA富集分析，同理使用类似的思路。不同的是，使用的差异分析的结果进行排序。

教程代码

1. 差异分析

library(clusterProfiler) 
library(limma)
library(dplyr)
library(enrichplot)

##'@进行差异分析
df <- read.csv("Input_ExpData.csv", header = T, row.names = 1, check.names = F)
head(df)
dim(df)

> head(df)
          sample01  sample02  sample03   sample04    sample05  sample06
VWA1    2.26049224 4.0849168 3.4792744  1.9981978  2.36426617 2.7599358
ATAD3C  0.17494291 0.2392763 0.1331588  0.2631752  0.11831695 0.2776743
ATAD3B  0.45914335 0.6230045 0.7261913  0.2329782  0.33270716 0.3687205
ATAD3A  1.21857160 1.5351078 1.3646565  1.5075305  1.03695410 0.8589157
TMEM240 0.08058546 0.2755498 0.0000000  0.0000000  0.05109502 0.0000000
SSU72   6.95506819 7.8575557 8.3072225 10.2744489 11.24621189 9.5172173
          sample07   sample08  sample09  sample10   sample11  sample12
VWA1    2.04558813 2.58275255 3.1090554 2.7553617 2.37954625 2.3153159
ATAD3C  0.07752277 0.08661602 0.2036830 0.2146174 0.22648980 0.2409740
ATAD3B  0.33218128 0.47089072 0.5591193 0.5431534 0.52515416 1.0277217
ATAD3A  0.86783765 1.42893292 0.9400629 1.2392146 1.19632800 2.2858707
TMEM240 0.22956418 0.35908816 0.1507890 0.1112187 0.08236575 0.2913801
SSU72   6.71217104 9.51295472 8.0220936 8.1840045 6.17101093 8.3134840
         sample13  sample14  sample15  sample16  sample17
VWA1    3.6736464 1.7861272 2.3616284 2.3857983 2.0455828
ATAD3C  0.1659437 0.0911157 0.2334325 0.2719684 0.1421380
ATAD3B  0.8625647 0.5693717 0.5001235 0.7995373 0.4329996
ATAD3A  1.3480738 1.1273742 1.1461349 2.0054420 1.0503185
TMEM240 0.2084729 0.1049285 0.1728129 0.0427088 0.1227642
SSU72   7.0636830 6.9285523 5.9834562 8.4834879 9.5837599

### 样本信息注释
list <- c(rep("CK", 8), rep("Treat",9)) %>% factor(., levels = c("CK", "Treat"), ordered = F)
head(list)
list <- model.matrix(~factor(list)+0) 
colnames(list) <- c( "Treat","CK")
df.fit <- lmFit(df, list)

##  差异分析
df.matrix <- makeContrasts(CK - Treat, levels = list)
fit <- contrasts.fit(df.fit, df.matrix)
fit <- eBayes(fit)
tempOutput <- topTable(fit,n = Inf, adjust = "fdr")
head(tempOutput)

## 
nrDEG = na.omit(tempOutput) ## 去掉数据中有NA的行或列
diffsig <- nrDEG  
head(diffsig)

write.csv(diffsig, "all.limmaOut.csv")

差异分析结果

> head(diffsig)
              logFC     AveExpr         t      P.Value  adj.P.Val        B
FAM73A  -3.10592496  8.27102066 -6.443542 9.768026e-06 0.01773475 3.718066
ZFYVE9  -2.57620727  8.26757419 -6.296644 1.270398e-05 0.01773475 3.474333
KCTD3   -7.59640852 18.59133182 -5.966282 2.319097e-05 0.02158306 2.913731
SLC35A3 -9.53618968 17.91235063 -5.545091 5.103940e-05 0.03548145 2.174505
CNTN2    0.09541924  0.06503767  5.412018 6.580711e-05 0.03548145 1.935443
PRKAA2  -2.45822572  4.50889541 -5.335439 7.624953e-05 0.03548145 1.796716
  1. 排序
##'@使用差异富集结果进行排序
geneList <- diffsig$logFC
names(geneList) <- rownames(diffsig)
##'@使用logFC从高到低进行排序
geneList <- sort(geneList,decreasing = T)
head(geneList)
  1. 导入所需的gmt文件
GOgmt<-read.gmt("c5.go.v7.2.symbols.gmt")
KEGGgmt <- read.gmt("c2.cp.kegg.v7.2.symbols.gmt")
  1. GSEA GO 富集分析
GSEA_GO <- GSEA(geneList,                 
                        TERM2GENE = GOgmt, 
                        pvalueCutoff = 0.05,      # P值阈值
                        minGSSize = 20,           # 最小基因数量
                        eps = 0,                  # P值边界
                        pAdjustMethod = "BH")     # 校正P值的计算方法

输出结果

> head(data.frame(GSEA_GO))
                                                                                                             ID
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS                           GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS
GO_NCRNA_METABOLIC_PROCESS                                                           GO_NCRNA_METABOLIC_PROCESS
GO_RIBOSOME                                                                                         GO_RIBOSOME
                                                                                                    Description
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS                           GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS
GO_NCRNA_METABOLIC_PROCESS                                                           GO_NCRNA_METABOLIC_PROCESS
GO_RIBOSOME                                                                                         GO_RIBOSOME
                                                        setSize
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION      27
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS                   23
GO_NCRNA_METABOLIC_PROCESS                                   45
GO_RIBOSOME                                                  33
                                                        enrichmentScore
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION      -0.9964764
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS                   -0.9874217
GO_NCRNA_METABOLIC_PROCESS                                   -0.9625250
GO_RIBOSOME                                                  -0.9752312
                                                              NES
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION -1.616715
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS              -1.577665
GO_NCRNA_METABOLIC_PROCESS                              -1.638784
GO_RIBOSOME                                             -1.604346
                                                              pvalue
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION 7.343619e-09
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS              8.339535e-05
GO_NCRNA_METABOLIC_PROCESS                              1.363807e-04
GO_RIBOSOME                                             1.954748e-04
                                                            p.adjust
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION 6.704724e-06
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS              3.806998e-02
GO_NCRNA_METABOLIC_PROCESS                              4.150519e-02
GO_RIBOSOME                                             4.461713e-02
                                                              qvalue rank
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION 6.647907e-06    2
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS              3.774737e-02    2
GO_NCRNA_METABOLIC_PROCESS                              4.115348e-02    6
GO_RIBOSOME                                             4.423904e-02   15
                                                                         leading_edge
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION   tags=7%, list=0%, signal=7%
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS                tags=9%, list=0%, signal=9%
GO_NCRNA_METABOLIC_PROCESS                              tags=11%, list=0%, signal=11%
GO_RIBOSOME                                             tags=15%, list=1%, signal=15%
                                                                    core_enrichment
GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION                  WDR47/PIGR
GO_SENSORY_PERCEPTION_OF_CHEMICAL_STIMULUS                                GNB1/PIGR
GO_NCRNA_METABOLIC_PROCESS                              IARS2/RPS8/RPL5/RPS27/RPL11
GO_RIBOSOME                                             RPL22/RPS8/RPL5/RPS27/RPL11
  1. GSEA KEGG 富集分析
##'@GSEA_KEGG富集
GSEA_GO <- GSEA(geneList,                 
                TERM2GENE = KEGGgmt, 
                #pvalueCutoff = 0.05,      # P值阈值
                minGSSize = 20,           # 最小基因数量
                eps = 0,                  # P值边界
                pAdjustMethod = "BH")     # 校正P值的计算方法
  1. 绘图
##'@绘制提气泡图
dotplot_internal <- function(object, x = "GeneRatio", color = "pvalue",
                             showCategory=10, size=NULL, split = NULL,
                             font.size=12, title = "", orderBy="x", decreasing=TRUE) {
  
  colorBy <- match.arg(color, c("pvalue", "p.adjust", "qvalue"))
  if (x == "geneRatio" || x == "GeneRatio") {
    x <- "GeneRatio"
    if (is.null(size))
      size <- "Count"
  } else if (x == "count" || x == "Count") {
    x <- "Count"
    if (is.null(size))
      size <- "GeneRatio"
  } else if (is(x, "formula")) {
    x <- as.character(x)[2]
    if (is.null(size))
      size <- "Count"
  } else {
    ## message("invalid x, setting to 'GeneRatio' by default")
    ## x <- "GeneRatio"
    ## size <- "Count"
    if (is.null(size))
      size  <- "Count"
  }
  df <- fortify(object, showCategory = showCategory, split=split)
  ## already parsed in fortify
  ## df$GeneRatio <- parse_ratio(df$GeneRatio)
  
  if (orderBy !=  'x' && !orderBy %in% colnames(df)) {
    message('wrong orderBy parameter; set to default `orderBy = "x"`')
    orderBy <- "x"
  }
  
  if (orderBy == "x") {
    df <- dplyr::mutate(df, x = eval(parse(text=x)))
  }
  
  idx <- order(df[[orderBy]], decreasing = decreasing)
  df$Description <- factor(df$Description, levels=rev(unique(df$Description[idx])))
  ggplot(df, aes_string(x=x, y="Description", size=size, color=colorBy)) +
    geom_point() +
    scale_color_continuous(low="red", high="blue", name = color, guide=guide_colorbar(reverse=TRUE)) +
    ## scale_color_gradientn(name = color, colors=sig_palette, guide=guide_colorbar(reverse=TRUE)) +
    ylab(NULL) + ggtitle(title) + DOSE::theme_dose(font.size) + scale_size(range=c(3, 8))
  
}

##'@绘图气泡图
pdf('GO.气泡图.pdf',height=10,width=12)
dotplot_internal(GSEA_GO)
dev.off()


###'@分类气泡图
pdf('GO.分类_气泡图.pdf',height=8,width=10)
dotplot(GSEA_GO,split=".sign")+facet_grid(~.sign)
dev.off()

###'@GSEA常规富集图
pdf('GSEA常规富集图.pdf',height=8,width=16)
gseaplot2(GSEA_GO,1:3,color="red",pvalue_table = T)
dev.off()


##'@绘制出某一个通路的富集结果
pdf('GSEA通路富集图.pdf',height=8,width=16)
gseaplot2(GSEA_GO,"GO_DETECTION_OF_STIMULUS_INVOLVED_IN_SENSORY_PERCEPTION",color="red",pvalue_table = T)
dev.off()

参考：

  1. https://mp.weixin.qq.com/s/g8ZWgSIIw_6fZimFLmRMng
  2. https://mp.weixin.qq.com/s/455T2hybmUC4RT85SRpEHw
  3. https://mp.weixin.qq.com/s?__biz=MzU2MzMzOTk1Mg==&mid=2247503569&idx=1&sn=4fd79dd67db2ac5eb9f0c47275998c57&chksm=fc59390ecb2eb018ce4fc37c38f0cc2b510a962dc0dfe886396b4c2b2cd859db86dc4346715f&scene=27
  4. https://blog.csdn.net/qazplm12_3/article/details/122076674

代码和数据链接：

原文链接：一文完成全基因集GSEA富集分析

若我们的分享对你有用，希望您可以点赞+收藏+转发，这是对小杜最大的支持。

往期文章：

1. 复现SCI文章系列专栏

2. 《生信知识库订阅须知》,同步更新，易于搜索与管理。

3. 最全WGCNA教程（替换数据即可出全部结果与图形）

4. 精美图形绘制教程

5. 转录组分析教程

转录组上游分析教程[零基础]

一个转录组上游分析流程 | Hisat2-Stringtie

小杜的生信筆記 ，主要发表或收录生物信息学的教程，以及基于R的分析和可视化（包括数据分析，图形绘制等）；分享感兴趣的文献和学习资料!!

小杜的生信筆記
关注
专栏目录
一文了解如何做全基因集GSEA富集分析
BioinfoDu
03-18 1055
我们前面分享过一文掌握单基因GSEA富集分析的教程，主要使用单基因的角度进行GSEA富集分析。我们社群的同学咨询，全基因集的GSEA如何分析呢？？其实，原理都是大同小异的，那么今天我们就简单的整理一下吧。若我们的分享对你有用，希望您可以，这是对小杜最大的支持。
gsea富集分析结果怎么看_GSEA基因集富集分析clusterProfiler篇
weixin_39653481的博客
11-30 8183
GSEA 介绍GSEA全名Gene Set Enrichment Analysis，翻译过来就是基因集富集分析。基本思想是使用预定义的基因集，将基因按照在两类样本中的差异表达程度排序，然后检验预先设定的基因集是否在这个排序表的顶端或者末端富集。GSEA分析检测基因集合而不是单个基因的表达变化，因此可以包含更多细微的表达变化，从另一个角度来解读生物学信息，以阐述其中的生物学意义。GSEA与...
gsea分析 全代码完整版本
生信小博士的博客
10-28 4159
【代码】gsea分析。
基因集富集分析(GSEA)
热门推荐
lazysnake666的博客
06-11 1万+
GSEA简介首先简单介绍一下GSEA，它是2005年在PNAS上发扬光大的方法，沿用至今，目的是看差异表达的基因在哪些基因集中富集。相比于Over-representation只关注显著差异表达的基因，GSEA分析纳入所有基因，将一些微弱但不显著的效应考虑在内。假设做了AHBA的10000个基因表达和大脑表征相关，其中300个基因经过检验是显著相关的，ORA富集分析这30...
差异基因富集分析（R语言——GO&KEGG&GSEA）
m0_73145613的博客
07-03 3188
通路富集分析气泡图
GSEA原理及一些理解
生信小白一枚，欢迎大佬一起讨论分析前沿技术！
05-30 2133
生信宝典之前总结了一篇关于GSEA富集分析的推文——《GSEA富集分析 - 界面操作》，介绍了GSEA的定义、GSEA原理、GSEA分析、Leading-edge分析等，是全网最流行的原理+操作兼备教程，不太了解的朋友可以点击阅读先理解下概念 （为了完整性，下面也会摘录一部分）。 GSEA案例解析 介绍GSEA分析之前，我们先看一篇Cell文章(https://sci-hub.tw/10.1016/j.cell.2016.11.033)的一个插图 (SCI-HUB客户端（文献神器V4.0）——下
基因集富集分析(GSEA)简介
Asa12138的博客
09-21 9956
Gene Set Enrichment Analysis (GSEA) 是一种用于分析基因表达数据的计算生物学方法，旨在揭示与特定生物学过程、通路或功能相关的基因表达模式。
一文掌握单基因GSEA富集分析 | gseaGO and gseaKEGG
BioinfoDu
02-03 7918
给定一个排序的基因表L和一个预先定义的基因集S (比如编码某个代谢通路的产物的基因, 基因组上物理位置相近的基因，或同一GO注释下的基因)，GSEA的目的是判断S里面的成员s在L里面是随机分布还是主要聚集在L的顶部或底部。这些基因排序的依据是其在不同表型状态下的表达差异，若研究的基因集S的成员显著聚集在L的顶部或底部，则说明此基因集成员对表型的差异有贡献，也是我们关注的基因集。GSEA用来评估一个预先定义的基因集的基因在与表型相关度排序的基因表中的分布趋势，从而判断其对表型的贡献。其输入数据包含两部分，
gsea:用于基因组富集分析的R包
05-20
基因组富集分析（GSEA）是一种广泛应用的生物信息学方法，它可以帮助研究者理解基因表达数据中的生物学意义。在R编程环境中，`gsea`包提供了强大的工具来执行这种分析。本文将深入探讨`gsea`包的核心功能、安装与...
一文掌握单基因GSEA富集分析
BioinfoDu
02-03 1564
关于GSEA分析，我们在前期的教程单基因GSEA富集分析 | 20220404有出过类似的分享。今天，我们也结合相关的资源整理出一篇关于GSEA的教程及出图教程。每个方法的教程很多，我们大家结合自己的需求进行分析即可。以及，对于目前知识分享博主很多，只要你自己动手搜索，基本可以找到你的需求。更新！对于GSEA的教程原计划是在2月2日发表，但是由于有预约被占用了，因此这个教程也就是往后推迟。我在2月1日将我们的教程发在社群中，**也有同学提出疑问：**单基因也可以做GSEA分析，以及给出自己的疑问？
GSEA2:2 个互补基因集的基因集富集分析 (GSEA)-matlab开发
05-30
GSEA2 是 GSEA 的扩展版本，它根据排序基因列表评估两个互补基因集的富集情况。 基因组的例子包括 (a) TF 激活和 TF 抑制基因，(b) 促凋亡和抗凋亡基因。 参考1. Lim WK、Lyashenko E 和 Califano A. (2009) 用作...
1基于STM32的智能气象站项目.docx
最新发布
10-30
1基于STM32的智能气象站项目
技术资料分享SH-HC-05蓝牙模块技术手册很好的技术资料.zip
10-30
技术资料分享SH-HC-05蓝牙模块技术手册很好的技术资料.zip
【路径规划】改进的人工势场算法机器人避障路径规划【含Matlab源码 1151期】.zip
10-30
【路径规划】改进的人工势场算法机器人避障路径规划【含Matlab源码 1151期】.zip
链表HuffmanTree.zip
10-30
链表HuffmanTree.zip
开题报告Nodejs商城系统.docx
10-30
毕业设计开题报告
【路径规划】 A_star算法机器人走迷宫路径规划【含Matlab源码 1332期】.zip
10-30
【路径规划】 A_star算法机器人走迷宫路径规划【含Matlab源码 1332期】.zip
用于分析的牙科X射线图像数据集
10-30
用于分析的牙科X射线图像数据集 数据说明： 牙科成像在诊断口腔健康状况、指导治疗方案和改善患者护理方面发挥着关键作用。这个精心挑选的数据集包含来自当地医院和值得信赖的熟人提供的70个高质量样本的多种正侧位片(OPG)牙齿X光图像。由干提供了注释，因此该数据集非常适合用于训练和测试机器学习模型，以执行诸如牙齿类型分类、异常检测等牙科图像分析任务。 受计算机视觉新兴领域的启发，以及牙科诊断工具改进需求的驱动，本数据集旨在帮助研究人员、从业者和爱好者探索创新的解决方案，以提高口腔保健效果。
Oracle数据库管理中的表空间、用户操作及DDL、DML语言应用详解
10-30
内容概要：本文详细介绍了Oracle数据库的核心管理任务，包括表空间的概念及其与数据文件之间的关系、常见表空间的作用、如何创建和删除表空间。接着探讨了用户表空间的操作方法，如创建用户、为用户授予权限以及删除用户的步骤。随后讲解了关于数据表的基本概念、创建、维护（添加、修改、删除字段）及更改表名的方法。最后，深入分析了DML语句的应用，涵盖插入、更新及删除数据的具体实现。 适用人群：适用于初学者至中级水平的Oracle数据库管理员和技术爱好者，以及有意向深入了解Oracle数据库管理细节的专业人士。 使用场景及目标：①理解并掌握Oracle中表空间与数据文件间的关系；②熟悉表空间的管理和优化技巧；③学会高效地创建、配置和删除数据库账户；④掌握DDL语句的基本语法，灵活应对数据库表结构调整的需求；⑤熟练运用DML完成日常的数据维护任务。 其他说明：文中提供了大量SQL命令的实际应用场景与案例演示，有助于读者快速上手实战练习，更好地巩固理论知识。
GSEA软件使用教程：基因集富集分析详解与数据准备
GSEA软件使用教程深入讲解了基因富集分析（Gene Set Enrichment Analysis，GSEA）这一生物信息学工具，它在比较两种或多种生物学状态（如对照组和处理组，或者时间序列）时，能够评估预定义的功能基因集在表达水平上...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小杜的生信筆記

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值