生信小白一枚，欢迎大佬一起讨论分析前沿技术！

AE和GAN在产生图片上十分相似，AE是通过Decoder隐变量产生新数据。而GAN则是通过Generator产生随机图像。AE是通过对比生成数据和原始数据之间的质量差异，来优化隐变量。GAN则是通过判别器对比真实数据和生成数据之间的质量，使两种图片能产生相似的结果。AE，中间的隐变量是由输入数据Encode产生的，导致隐变量Encode和原数据对应性更强，生成数据也就更加规则。但是这样会导致数据是点对点监督的，也就是说，尽量保证每个点都一样，也就会导致全局信息获取不够全面。全局信息弱，局部信息强。...

1. 首先，定义图拉普拉斯矩阵 , 这里L可以换成任何其他形式，比如被正则化的拉普拉斯矩阵。2. 然后，对图进行卷积操作： 经过上述操作，可获得图上的卷积操作 3. 对图卷积公式进行简化求解，即求解。 4. 共享参数，即令，没啥道理，就是效果好才这样操作。最后公式可以整理为5. 最后，就可以训练卷积核了本文是整理b站一个大佬的视频笔记，从头到尾学习了一遍，感觉讲的很透彻，这里附上链接，感兴趣可以听一听：图卷积神经网络（GCN）的数学原理详解——谱图理论和傅立叶变换初探_哔哩哔哩_bilibi

VAE模型原理、解释、损失函数、python实现（包含中文注释）

细胞通讯分析常用方法

TCGA数据，或者基因表达数据，真的是正态分布吗？下面进行一些实验讨论

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

pathway 数据库，Harmonizome and reactome

执行UMAP可视化需要运行PCA降维，PCA降维之前需要缩放数据到一定规模！接上一篇结果：预处理后的数据R语言分析单细胞数据Day1——下载Seurat包并进行预处理（一）Task.1 缩放数据all.genes <- rownames(Seurat_Day0_fit_norm) #Seurat_Day0_fit_norm这个是上一节的名字，换成自己的项目名即可Seurat_Day0_fit_norm <- ScaleData(Seurat_Day0_fit_norm, featur.

Task.1 安装Seurat，准备处理single cell data安装Seurat时，只能安装3.2.3以下的版本，太高就不兼容！install.packages('remotes') %安装过可以省略remotes:: install_version("Seurat", version = "3.2.3")% 安装不上可以更新R版本或者安装附属包Task.2 加载Seurat包并导入数据library(Seurat)% 这里可以设置你的路径，三个文件（mtx数据、行名和列名）都需要