- 博客(13)
- 收藏
- 关注
RSS订阅原创 研究miRNA和mRNA的调控关系
**双荧光素酶报告基因实验**：通过将预测的靶标序列克隆到荧光素酶报告基因载体中，观察miRNA对荧光素酶活性的影响，从而验证miRNA与靶标mRNA的相互作用。- **实验数据**：通过实验方法获取miRNA和mRNA的表达数据。- **功能富集分析**：分析被调控的mRNA基因的功能，了解miRNA调控的生物学过程。- **qRT-PCR**：用于定量检测miRNA和mRNA的表达量。- **小鼠模型**：研究miRNA在体内的生物学功能和其对疾病的影响。
2024-05-27 15:23:32
253
原创 怎么联合基因上多个CpG的甲基化来评估一个基因的甲基化程度
此外，使用机器学习方法如LASSO回归，可以选择出最具代表性的CpG位点，用于基因甲基化的预测模型。- 如果使用Bisulfite测序，可以将测序数据转化为每个位点的甲基化水平（例如，0到1之间的值，0表示完全未甲基化，1表示完全甲基化）。通过这种方法，可以比较不同样本的基因甲基化情况，并进一步研究其与基因表达、疾病等的关系。评估一个基因的整体甲基化程度，通常需要综合分析该基因上多个CpG位点的甲基化状态。- 计算多个CpG位点的平均甲基化水平，以评估整个基因的甲基化程度。
2024-05-27 10:01:09
157
转载 机器学习笔记之决策树分类Decision Tree原理
参见：https://www.cnblogs.com/JetpropelledSnake/p/14513544.html
2024-05-23 10:44:17
9
原创 linux本地服务器上设置共享盘，window系统上访问
2. **输入共享路径：**在资源管理器的地址栏中输入 Linux 服务器的 IP 地址，格式为 `\\server_ip\shared`，其中 `server_ip` 是 Linux 服务器的 IP 地址，`shared` 是共享的名称。4. **访问共享文件夹：**现在应该可以访问 Linux 服务器上的共享文件夹了，并可以在 Windows 系统上进行操作。3. **输入凭据：**当提示时，输入在 Linux 上创建的 Samba 用户名和密码。4. **添加 Samba 用户：**
2024-05-09 15:47:32
275
2
转载 RFECV方法
递归特征消除简称RFE(Recursive Feature Elimination)，RFE是使用一个基模型进行多轮训练，每轮训练后，消除若干低权值(例特征权重系数或者特征重要性)的特征，再基于新的特征集进行下一轮训练[1]。RFE使用时，要提前限定最后选择的特征数(n_features_to_select)，这个超参很难保证一次就设置合理，因为设高了，容易特征冗余，设低了，可能会过滤掉相对重要的特征。而且RFE只是单纯基于特征权重去选择，没有考虑模型表现，因此RFECV出现了，R。
2024-04-26 11:21:28
120
1
原创 混合效应模型
在混合效应模型中，固定效应和随机效应被同时考虑，固定效应用于解释整体样本的变化，而随机效应用于解释不同个体或组之间的差异。3. **模型诊断**：对拟合的模型进行诊断，检查模型的拟合度和假设是否满足。4. **解释结果**：解释模型的参数估计，包括固定效应和随机效应的影响，以及它们与研究问题的相关性。2. **拟合模型**：使用统计软件（如 R 中的 lme4 包）拟合混合效应模型，并估计模型参数。5. **预测和推断**：使用拟合的模型进行预测和推断，包括估计新数据的响应变量的值和计算置信区间。
2024-04-24 16:12:59
422
原创 AutoModel.from_pretrained实例化的数据输出格式
是 Hugging Face Transformers 库中定义的一个类，用于表示模型的输出。这个类通常用作预训练模型的前向传播函数的输出。这个类包含了模型的各种输出，其中包括前向传播的结果、过去的注意力权重以及交叉注意力权重。要使用这个类，您可以像使用其他 Python 类一样操作它。例如，您可以访问它的属性或者调用它的方法来获取模型的输出。这个类的实例通常作为模型前向传播函数的返回值，并且可以用于进一步的后处理、解码或者获取感兴趣的信息。
2024-04-24 15:15:21
328
原创 python类中变量、方法的类型和调用
2. **实例变量（Instance Variables）**：实例变量是属于特定实例的变量，每个实例都有自己的实例变量副本。在这个示例中，`class_variable` 是类变量，`instance_variable` 是实例变量，`local_variable` 是局部变量。1. **类变量（Class Variables）**：类变量是属于整个类的变量，它们在类的所有实例之间共享。3. **局部变量（Local Variables）**：局部变量是在方法内部定义的变量，它们只在方法内部可见。
2024-04-23 17:42:50
318
1
原创 huggingface之Transformers学习笔记
AutoProcessor 始终有效的自动选择适用于您使用的模型的正确class，无论您使用的是Tokenizer、ImageProcessor、Feature extractor还是Processor。1）对于文本，使用分词器(Tokenizer)将文本转换为一系列标记(tokens)，并创建tokens的数字表示，将它们组合成张量。4）多模态输入，使用处理器(Processor)结合了Tokenizer和ImageProcessor或Processor。
2024-04-22 11:11:49
173
原创 AutoModel和GPT2Model区别
它是`AutoModel`的一个子类，但它针对的是GPT-2模型。如果你已经确定要使用GPT-2模型，并且不需要自动选择其他类型的模型，那么直接使用`GPT2Model`是更简单的选择。1. **AutoModel：** `AutoModel`是一个通用的模型类，可以用来加载任何预训练的Transformer模型，包括BERT、GPT、RoBERTa等等。如果你希望能够动态地选择加载不同类型的模型，并且希望能够适应不同的任务和模型架构，那么使用`AutoModel`是一个更好的选择。
2024-04-11 17:17:24
175
1
原创 tokenizer() 和 tokenizer.encode()
是 Hugging Face Transformers 库中的两种不同的方法，它们用于文本编码的不同情况。方法适用于对单个文本进行简单的编码操作。您可以根据需要选择合适的方法来进行文本编码。方法通常用于对批量文本进行编码，并提供了更多的灵活性和功能，而。
2024-04-11 10:41:20
261
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人