生信宝典:生物信息学习系列教程、视频、资源

31 篇文章 5 订阅
1 篇文章 1 订阅

生信的作用越来越大,想学的人越来越多,不管是为了以后发展,还是为了解决眼下的问题。但生信学习不是一朝一夕就可以完成的事情,也许你可以很短时间学会一个交互式软件的操作,却不能看完程序教学视频后就直接写程序。也许你可以跟着一个测序分析流程完成操作,但不懂得背后的原理,不知道什么参数需要修改,结果可以出来,却把握不住对还是错。

学习生信从来就不是一个简单的事,需要做好持久战的心理准备。

在学习时,我们都希望由浅入深的逐步深入,不断地练习和实践,这就是为什么我们需要一本书,因为书很系统。但生信发展的历史短于计算机编程的历史,如果想要一门程序设计的入门数据,每种语言都可以找到几本。但想要一个囊括生信的书,就有些难了。本身生信跨领域,需要多学科的知识,而其内部又有不少分子,都囊括了太大,包括的少又有些隔靴搔痒的感觉。

我们当时都是零基础下自学Linux, 自学Python,自学R,自学高通量测序;这些学习经历,之前都零星地记录在博客里。现在回头去看几年前自己记录的东西,觉得好简单,而当时却费了很大的力气。这些零星的随手记,当时也只是为了自己看,到现在确实只有自己能看得懂,不便惠及更多的人。

因此我们创建了生信宝典,希望从不同的角度传播知识。这个不同有三点含义,一是形式上的不同,摒弃之前主编们单人作战想写啥就写啥,而是有组织有计划的内容聚合,提供一系列的教程,由入门到提高。二是内容的不同,不去用网上现有教程的通用数据做例子,而是拿实际生物数据,讲述如何解释生信中普遍碰到的问题,讲述如何处理自己的数据。三是立足点不同。在写作时,我们回到了当年,在回忆中用整个阶段的学习去指导当初的那个小白,从那些会了的人觉得微不足道而不会的人又迈不过的坎入手,直击痛点。知识点的收录依据不是是否炫酷,是否难,而是是否必要。如果必要,再简单,也要提及;如果不必要,再炫酷,也暂不纳入。

通过大量的生信例子、关键的注释和浓缩的语句形成下面的一系列学习教程。每一篇内容都不多,可以当做小说阅读,也可以跟着去练,反复几遍,每读一次都会有不同的收获和体会。

生物信息学包含生物数据分析、数据可视化、重复工作程序化,是生物、医学科研必备的技能之一。生信宝典精心组织生信学习系列教程、生信工具精品教程,通过大量的生信例子、关键的注释、浓缩的语句和录制的视频帮助快速掌握生信知识。

征稿:诚邀广大同行分享学习经验、心得体会、成果文章解读,即有利于交流和宣传,又提高自身的影响和文章的引用推广;欢迎本领域科研院所和高校的团队在本平台免费发布招聘广告。(诚招培训招生主管、招生助理、公众号编辑)

注:下面为往期文章目录集合,所有蓝字均为文章链接,点击阅读原文

教程合集

加拿大生信课程

Illumina测序应用手册

系列教程

机器学习

计算资源评估

蛋白质组学研究

转录组研究

单细胞系列教程

经典综述
文章解读
系列教程
特色分析

GEO/TCGA数据

扩增子三步曲

宏基因组教程

宏基因组分析专题

ChIP-seq专题

Linux 全介绍

CIRCOS系列

R统计和作图

NGS基础和软件应用

招聘

ImageGP

生信宝典之傻瓜式

Python

Cytoscape网络图

分子对接

文献精读

2019的高阅读文章合集

精选文章推荐

科研经验

软件和数据库

扩增子分析

宏基因组分析

实验设计与技术

文献精读

科普视频*寓教于乐

(后面部分连接不可用)

系列宣传

永久链接

招聘

联系我们

要分析转录差异基因,可以使用R语言中的DESeq2包。首先,需要导入DESeq2包并安装所需的依赖项。可以使用以下命令来完成这一步骤: ``` #source("https://bioconductor.org/biocLite.R") #载入安装工具 #BiocManager::install("DESeq2")#安装包 library(DESeq2) ``` 接下来,将基因表达量数据和分信息导入R环境中,并创建一个DESeqDataSet对象。可以使用以下命令来实现: ``` mycounts_1 <- round(mycounts_1, digits=0) #将输入数据取整,若为count数据不需要这一步 dds <- DESeqDataSetFromMatrix(countData = mycounts_1, #基因表达量表 colData = mymeta, #分信息表 design = ~dex) #分信息里的列名 ``` 然后,可以使用DESeq函数来进行差异表达分析,并将结果保存在一个DESeqResults对象中。可以使用以下命令来完成这一步骤: ``` dds <- DESeq(dds) res <- results(dds) ``` 接下来,可以查看差异表达基因的前几行,以及结果对象的类别。可以使用以下命令来实现: ``` head(res) class(res) ``` 如果需要将结果保存为一个数据框,可以使用以下命令: ``` res_1 <- data.frame(res) class(res_1) head(res_1) ``` 为了进一步分析差异基因的上下调情况,可以使用dplyr包中的mutate函数将基因分为上调、下调和不显著差异的三个,并统计每个中基因的数量。可以使用以下命令来实现: ``` library(dplyr) res_1 %>% mutate(group = case_when( log2FoldChange >= 1 & pvalue <= 0.05 ~ "UP", log2FoldChange <= -1 & pvalue <= 0.05 ~ "DOWN", TRUE ~ "NS" )) -> res_2 table(res_2$group) ``` 最后,如果需要将上述结果保存为CSV文件,可以使用以下命令: ``` write.csv(res_2, file = "res_2.csv") ``` 这样,就可以完成R语言中转录差异基因的分析。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [转录-DESeq2筛选差异基因](https://blog.csdn.net/weixin_59909329/article/details/124035131)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [转录-差异基因热图](https://blog.csdn.net/weixin_59909329/article/details/124774333)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

生信宝典

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
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