GO analysis with TBtools

已于 2024-04-28 08:14:55 修改
阅读量478 收藏 5
点赞数 7
分类专栏： TBtools 文章标签： 笔记
于 2024-04-27 23:44:53 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/qq_42639688/article/details/138261072
版权

GO Enrichment

路径:GO & KEGG - Gene Ontology - GO Enrichment

输入文件 （input）

  1. go-basic.obo: 直接点击进行下载

Download go-basis.obo File If You Need It.

  1. 物种背景文件（物种全部基因的GO注释文件，可以通过物种网站下载注释
    可以使用 eggNOG-mapper（http://eggnog-mapper.embl.de/）+Tbtools eggnog-mapper helper获得，详细步骤见额外。
    ![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/583503aa2617496789706da6ae764bf0.png
  2. 用于富集的基因集 （通过差异分析或聚类等各种方式得到的部分基因）; 格式: 每行一个基因名

在这里插入图片描述

输出文件（output

GORnrichment.GO.Enrichment.final可以用于后续GO分析可视化
在这里插入图片描述

可视化 （Enrichment Bar Plot）

在这里插入图片描述

可视化结果

在这里插入图片描述

起名字好难‍♂️
关注
  • 7
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
TBtools-生物信息分析
07-02
该软件主要用于生物信息相关分析。主要功能包括序列批量提取、转存、转录组富集分析
go_analysis:go原始资料与分析
03-23
go_analysis 参考大佬们的学习，仅个人学习go原始资料与分析
功能的显著性分析——GO Enrichment Analysis
weixin_30300523的博客
12-15 4813
Gene Ontology（GO）是基因功能国际标准分类体系。GO富集分析是对差异基因等按GO分类，并对分类结果进行基于离散分布的显著性分析、错判率分析、富集度分析，得到与实验目的有显著联系的、低误判率的、靶向性的基因功能分类，该分类即导致样本性状差异的最重要的功能差别。在芯片的数据分析中，研究者可以找出哪些变化基因属于一个共同的GO功能分支，并用统计学方法检定结果是否具有统计学意义，从而...
GO富集结果绘图（TBtools进行GO富集分析）
buchongmingle的博客
07-24 1947
1、不太确定BgRatio应该怎样计算，大家如果明白的话麻烦告诉我。
生信学习之通路富集一（GO分析）
热门推荐
coffeeii的博客
04-25 3万+
生信学习之通路富集（一）
Go 性能分析工具从入门到精通
Go中国
08-07 994
概述 Go 语言自带的 pprof 是一种性能分析工具，用于帮助开发者分析和优化程序的性能，它可以提供关于 CPU 耗时、内存分配、网络 IO、系统调用、阻塞等待等方面的详细信息。 快速开始 我们来通过一个小例子直观的感受下 pprof 的使用方法，本文所有示例代码运行环境是 go1.20 darwin/arm64。示例程序packagemain import( "bytes" "lo...
OS Tools-GO富集分析工具的使用与解读详细教程
weixin_30699235的博客
12-15 7089
我们的云平台上的GO富集分析工具，需要输入的文件表格和参数很简单，但很多同学都不明白其中的原理与结果解读，这个帖子就跟大家详细解释~一、GO富集介绍： Gene Ontology（简称GO）是一个国际标准化的基因功能分类体系，提供了一套动态更新的标准词汇表（controlled vocabulary）来全面描述生物体中基因和基因产物的属性。GO总共有三个ontology（本体），分别描...
Regression Analysis with Python
01-05
Regression Analysis with Python by Luca Massaron and Alberto Boschetti
Bayesian Analysis with Python
01-23
Unleash the power and flexibility of the Bayesian framework
Bayesian Analysis with Python mobi
10-03
Bayesian Analysis with Python 英文mobi 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除
KEGGTools:一组用于下载和处理KEGG数据库的工具
05-15
KEGG工具 一组用于下载和处理KEGG数据库的工具 介绍 KEGG是研究某些生物的蛋白质功能和代谢途径的重要数据库，但是KEGG数据库中的序列不能免费下载。 开发KEGGTools就是为了解决这个问题。 要求 Python 3.5+ 安装 git git clone https://github.com/FlyPythons/KEGGTools.git 或下载 wget https://github.com/FlyPythons/KEGGTools/archive/master.zip unzip mater.zip 例子 下载KEGG数据库 从KEGG下载KEGG生物的信息 python3 download_organism.py --url http://www.kegg.jp/kegg/catalog/org_list.html --out KEGG.org 这将从KEGG
Statistical Analysis with Missing Data
02-07
Statistical Analysis with Missing Data ,second edition.
Learn Data Analysis with Python
03-03
Learn Data Analysis with Python: using python for data analysis
Go语言注释的定义及使用（godoc工具提取注释内容）
xyz的专栏
09-05 765
注释在程序中的作用是对程序进行注解和说明，便于对源码的阅读。编译系统在对源代码进行编译时会自动忽略注释的部分，因此注释对于程序的功能实现不起任何作用。在源码中适当地添加注释，能够提高源码的可读性。 Go语言的注释主要分成两类，分别是单行注释和多行注释。 单行注释简称行注释，是最常见的注释形式，可以在任何地方使用以//开头的单行注释； 多行注释简称块注释，以/*开头，并以*/结尾，且不可以嵌套使用，多行注释一般用于包的文档描述或注释成块的代码片段。 单行注释的格式如下所示 //单行注释 多行注释的格
机器学习算法基础——数据集操作、K-近邻算法
qq_42873479的博客
09-23 323
机器学习算法基础——二sklearn数据集数据集基本操作转换器与估计器分类算法-k近邻算法(KNN) sklearn数据集 数据集基本操作 1.数据集划分 机器学习一般的数据集会划分为两个部分： 训练数据：用于训练，构建模型 测试数据：在模型检验时使用，用于评估模型是否有效 一般训练集和测试集比例是75%：25% 2.scikit-learn数据集API介绍 类：sklearn.model_selection.train_test_split sklearn.datasets   加载获取流行数据集 ●d
GO注释步骤（含批量）
weixin_58269397的博客
03-31 694
注意：这些文件是制表符分隔的文本文件，千万不要保存为 Excel 格式，以免有后续问题！直接整理 eggNOG-mapper 的结果，输出几个文件，分别满足不同下游分析需要。但是使用EBI的工具时是有的（存在报错）2.Gene Onotoloy注释信息。四个文件的具体信息，截图可看。下面2种方法选一种使用即可。的注释结果中没有GO注释。接下来进行数据整理与画图。3.KEGG 注释信息。4.PFAM 注释信息。1.具体功能描述信息。
time series analysis with python cookbook
最新发布
10-06
"Time Series Analysis with Python Cookbook"是一本关于使用Python进行时间序列分析的实用手册。这本书旨在帮助读者理解和应用时间序列数据分析的概念和方法。 首先，本书通过介绍基本的时间序列数据结构和特征，使读者对时间序列数据的特点有了更深入的了解。然后，它介绍了Python中常用的时间序列分析库，如Pandas和Numpy，以及它们的基本功能和用法。 接下来，本书详细介绍了时间序列数据的预处理和可视化技术。读者将学习如何处理缺失值、平滑曲线、去除噪声，并进行数据插值和外推。此外，该书还介绍了各种绘图工具，如折线图、柱状图、散点图和热图，以帮助读者更好地理解和展示时间序列数据。 本书的另一个重要主题是时间序列模型的建模和预测。读者将学习如何使用ARIMA模型、指数平滑法和神经网络模型等进行时间序列预测。此外，该书还介绍了如何对模型进行评估和调参，以提高模型的准确性和鲁棒性。 最后，本书还介绍了其他高级的时间序列分析技术，如分布式时间序列分析、多变量时间序列分析和面板数据模型。读者将了解如何应对更复杂的时间序列问题，并利用Python的强大功能进行分析和建模。 总而言之，《Time Series Analysis with Python Cookbook》是一本旨在帮助读者掌握时间序列分析的实用指南。无论是初学者还是有经验的分析师，都能从中获得对时间序列数据分析的深入了解，并学会使用Python的强大功能进行实际应用。
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
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