<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/yangl7</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; yangl7]]></copyright><item><title><![CDATA[2026.02.24【生信洞察L0】生信，正在失去护城河]]></title><link>https://blog.csdn.net/yangl7/article/details/158357015</link><guid>https://blog.csdn.net/yangl7/article/details/158357015</guid><author>yangl7</author><pubDate>Wed, 25 Feb 2026 08:00:00 +0800</pubDate><description><![CDATA[生物信息学领域正经历AI驱动的范式变革：传统分析流程（如基因组学）的技术壁垒因自动化工具而贬值，AI代理已成为基因组学活跃度榜首。单细胞组学面临算法同质化危机，空间组学则因多模态数据处理需求呈现工程红利。交叉组学领域（如营养基因组学）因技术生态空白存在套利空间。从业者需重构职业路径：在成熟领域确保基础交付能力，向高增长低饱和赛道转移，并利用AI工具（如claude-scientific-skills、Cursor）实现分析设计、决策和代码重构的降维打击。核心竞争已从技术熟练度转向领域决策与AI工作流整合能力]]></description><category></category></item><item><title><![CDATA[2026.01.24【生信工具L0】测序接头不知道？用 Gemini Pro 读懂 FastQC 报告 (以蜜蜂 piRNA SE50 数据为例)]]></title><link>https://blog.csdn.net/yangl7/article/details/157324716</link><guid>https://blog.csdn.net/yangl7/article/details/157324716</guid><author>yangl7</author><pubDate>Sat, 24 Jan 2026 18:37:57 +0800</pubDate><description><![CDATA[我没有试过其他AI模型的效果，大家可以试试免费模型，质控效果可以反馈在评论区。切除接头后，数据也并非完美。FastQC 报告虽然变绿了，但对于piRNA 分析来说，数据里还充斥着大量的 rRNA、tRNA 片段以及长度不符合要求（如 miRNA）的序列。如何精准去除结构 RNA 污染？如何根据蜜蜂 piRNA 的特征（26-32nt）进行长度筛选？这些“进阶清洗技巧”，我将在下一篇博客中详细介绍，敬请关注！博主主要研究基因组与非编码RNA,欢迎关注交流生信问题。]]></description><category></category></item><item><title><![CDATA[2025.11.13【服务器】|从芯片、物理核心到逻辑核心的深度解析]]></title><link>https://blog.csdn.net/yangl7/article/details/154779507</link><guid>https://blog.csdn.net/yangl7/article/details/154779507</guid><author>yangl7</author><pubDate>Thu, 13 Nov 2025 11:19:40 +0800</pubDate><description><![CDATA[本文详细拆解了CPU芯片、物理核心和逻辑核心三个关键概念。CPU芯片是插在主板上的物理实体，包含完整的计算单元；物理核心是芯片内独立的计算单元，决定最大并行能力；逻辑核心则通过超线程技术模拟而来，共享物理核心资源。核心数直接影响性能，物理核心越多性能提升越大，而逻辑核心在并发任务中可提高资源利用率。理解这些概念有助于优化CPU资源分配和性能调优，特别适用于并行计算和服务器环境。]]></description><category></category></item><item><title><![CDATA[2025.10.29【服务器】|lftp 常见参数与使用方法详解（含上传下载实战）]]></title><link>https://blog.csdn.net/yangl7/article/details/154064619</link><guid>https://blog.csdn.net/yangl7/article/details/154064619</guid><author>yangl7</author><pubDate>Wed, 29 Oct 2025 11:24:12 +0800</pubDate><description><![CDATA[本文详细介绍了Linux命令行工具lftp的功能与使用方法。lftp作为强大的FTP客户端，支持批量上传下载、断点续传、多线程传输等特性，特别适用于生物信息学领域的数据传输。文章从基本语法、常用命令到实战场景进行了系统讲解，包括单个文件上传、批量上传文件夹、断点续传设置等具体操作示例。同时针对防火墙问题给出了被动模式的解决方案，并提供了自动化脚本案例。最后总结了核心功能对应的常用命令，帮助用户快速掌握这个高效的服务器文件传输工具。]]></description><category></category></item><item><title><![CDATA[2025.10.27【微生物】|Silva数据库下载：LSU 与 SSU 的区别]]></title><link>https://blog.csdn.net/yangl7/article/details/153973473</link><guid>https://blog.csdn.net/yangl7/article/details/153973473</guid><author>yangl7</author><pubDate>Mon, 27 Oct 2025 16:15:32 +0800</pubDate><description><![CDATA[本文介绍了核糖体RNA数据库中LSU与SSU的区别。SSU（小亚基）包含原核生物的16S和真核生物的18S rRNA，主要用于微生物分类和群落分析；LSU（大亚基）包含23S/28S rRNA，多用于大亚基功能研究。在SILVA数据库选择时，16S/18S测序应选SSU版本，而23S/28S测序才需LSU版本。简记：16S/18S用SSU，23S/28S选LSU。]]></description><category></category></item><item><title><![CDATA[2025.09.16【服务器维护】|Linux 文件权限管理：chmod 与 ACL 的区别]]></title><link>https://blog.csdn.net/yangl7/article/details/151723132</link><guid>https://blog.csdn.net/yangl7/article/details/151723132</guid><author>yangl7</author><pubDate>Tue, 16 Sep 2025 10:26:18 +0800</pubDate><description><![CDATA[Linux文件权限管理主要通过chmod（传统Unix权限）和ACL（访问控制列表）实现。chmod采用三类主体（属主、属组、其他人）和三权限（读、写、执行）的简单模型；ACL则扩展了chmod，可对任意用户/组单独授权。两者结合使用时，建议用chmod设定基础权限边界，再用ACL做精细化授权。实战示例包括：设置个人目录权限、给同事只读访问权限、修复执行文件权限等场景。ACL更适合多人协作的复杂权限管理需求。]]></description><category></category></item><item><title><![CDATA[2025.09.01【微生物】|MetaPhlAn 数据转 GraPhlAn 格式绘图]]></title><link>https://blog.csdn.net/yangl7/article/details/151073220</link><guid>https://blog.csdn.net/yangl7/article/details/151073220</guid><author>yangl7</author><pubDate>Mon, 01 Sep 2025 16:19:07 +0800</pubDate><description><![CDATA[MetaPhlAn和GraPhlAn是微生物群落分析中常用的工具组合。本文详细介绍了如何将MetaPhlAn输出的分类学丰度数据转换为GraPhlAn可视化所需的格式，主要包含三个关键步骤：首先通过export2graphlan工具将MetaPhlAn的TSV文件转换为树文件和注释文件；然后使用graphlan_annotate将注释应用到树结构；最后用graphlan生成高分辨率的圆形树状图。文章还提供了环境配置建议和常见问题解决方案，为研究人员提供了一套完整的操作流程，帮助直观展示微生物群落结构和丰度信]]></description><category></category></item><item><title><![CDATA[2025.08.25【读书笔记】|大规模数据传输：rsync在生物信息学中的应用]]></title><link>https://blog.csdn.net/yangl7/article/details/150761408</link><guid>https://blog.csdn.net/yangl7/article/details/150761408</guid><author>yangl7</author><pubDate>Mon, 25 Aug 2025 14:24:49 +0800</pubDate><description><![CDATA[摘要： 文章介绍了rsync工具在生物信息学数据传输中的应用，对比scp突出其增量同步、断点续传和高效性优势。通过归档模式（-a）、排除文件（--exclude）和进度显示（-P）等核心参数，结合实例说明如何备份大文件、跳过临时数据及恢复中断传输。rsync能保留文件属性，显著节省带宽和计算资源，是生物信息学领域管理海量数据的必备工具。（149字）]]></description><category></category></item><item><title><![CDATA[2025.08.21【生信工具L0】| 一键安装WSL：在Windows上执行Linux命令]]></title><link>https://blog.csdn.net/yangl7/article/details/150586398</link><guid>https://blog.csdn.net/yangl7/article/details/150586398</guid><author>yangl7</author><pubDate>Thu, 21 Aug 2025 16:44:19 +0800</pubDate><description><![CDATA[本文介绍了如何在Windows系统上通过WSL（适用于Linux的Windows子系统）轻松搭建Linux环境，解决生信分析工具的运行问题。主要步骤包括：以管理员身份运行PowerShell并输入安装命令wsl --install，重启后设置Linux账户即可完成基础配置。文章还提供了安装其他发行版的方法，并预告后续将分享conda环境配置教程。该方法操作简单，无需双系统或虚拟机，适合生信分析初学者快速搭建工作环境。作者鼓励读者点赞关注，并欢迎在评论区交流问题。]]></description><category></category></item><item><title><![CDATA[2025.07.25【宏基因组】|PathoScope 安装与使用指南]]></title><link>https://blog.csdn.net/yangl7/article/details/149641374</link><guid>https://blog.csdn.net/yangl7/article/details/149641374</guid><author>yangl7</author><pubDate>Fri, 25 Jul 2025 16:02:37 +0800</pubDate><description><![CDATA[摘要： PathoScope是一款高效的微生物组数据分析工具，适用于病原体检测和微生物群落定量分析。本文详细介绍了在Linux/macOS系统上安装PathoScope的步骤：通过Bioconda配置环境、克隆源码、安装依赖项，并提供了基础使用指南。安装完成后需验证功能，使用时需准备参考数据库、预处理数据、比对读段并运行分析。文中还包含常见问题的解决方案，帮助用户快速上手这一强大的生物信息学工具。]]></description><category></category></item><item><title><![CDATA[2025.07.22【BUG记录】|标准输出和标准错误的合并写法详解]]></title><link>https://blog.csdn.net/yangl7/article/details/149530469</link><guid>https://blog.csdn.net/yangl7/article/details/149530469</guid><author>yangl7</author><pubDate>Tue, 22 Jul 2025 11:02:50 +0800</pubDate><description><![CDATA[本文详细介绍了Linux Shell中标准输出(stdout)与标准错误(stderr)的重定向技巧。主要内容包括：1) 解释标准输出(stdout)和标准错误(stderr)的区别；2) 介绍基本重定向写法；3) 重点讲解合并重定向的正确语法&quot;command &gt; all.log 2&gt;&amp;1&quot;；4) 指出常见错误写法；5) 提供多个实用示例；6) 介绍tee命令实现同时输出和保存日志。文章强调重定向顺序的重要性，并总结对比了不同场景下的重定向写法，帮助读者有效调试脚本、]]></description><category></category></item><item><title><![CDATA[2025.07.18【横向评测L1】国产AI模型Kimi-K2：生物信息代码写作新星？]]></title><link>https://blog.csdn.net/yangl7/article/details/149444472</link><guid>https://blog.csdn.net/yangl7/article/details/149444472</guid><author>yangl7</author><pubDate>Fri, 18 Jul 2025 17:04:01 +0800</pubDate><description><![CDATA[本文测评了国产AI模型kimi-K2在生物信息分析中的表现，重点测试了R语言火山图绘制和Shell脚本编写能力。在火山图绘制测试中，kimi-K2生成的R脚本存在四处问题：缺少示例数据、包依赖错误、图例表达不清、颜色区分不足，增加了初学者使用难度。与Gemini和GPT-4o相比，kimi-K2在代码完整性上有待改进，但标记top20基因的设计优于Gemini的全标记方案。整体来看，kimi-K2虽具备超长上下文处理等优势，但在生物信息代码生成细节上仍需优化。]]></description><category></category></item><item><title><![CDATA[2025.07.08【组装】|BUSCO评估结果解读与R统计绘图]]></title><link>https://blog.csdn.net/yangl7/article/details/149202536</link><guid>https://blog.csdn.net/yangl7/article/details/149202536</guid><author>yangl7</author><pubDate>Tue, 08 Jul 2025 17:13:21 +0800</pubDate><description><![CDATA[摘要： BUSCO是评估基因组/转录组完整性的权威工具，通过检测单拷贝直系同源基因（BUSCO基因）进行分析。结果文件中的关键指标包括完整基因（C，含单拷贝S和多拷贝D）、片段化（F）和缺失（M）基因。为直观展示结果，推荐使用R脚本绘制分组堆积柱状图：将C拆分为S和D堆积显示，F和M独立成柱，避免重复统计歧义。脚本自动解析short_summary.txt文件，生成可视化图表（PNG格式），颜色区分不同类型并标注百分比。该方法科学清晰，适合批量分析，提升结果解读效率。 （字数：150字）]]></description><category></category></item><item><title><![CDATA[2025.07.04【服务器】|使用万兆网卡提升服务器间互联速度，实现快速数据传输]]></title><link>https://blog.csdn.net/yangl7/article/details/149113617</link><guid>https://blog.csdn.net/yangl7/article/details/149113617</guid><author>yangl7</author><pubDate>Fri, 04 Jul 2025 11:26:25 +0800</pubDate><description><![CDATA[万兆网卡（10GbE, 10 Gigabit Ethernet）是目前广泛应用于高性能计算、数据中心、存储系统等场景中的高速网络接口。相比于传统的千兆网卡（1GbE），万兆网卡提供了10倍以上的带宽，能够大大提高数据传输速度。万兆网卡的应用不仅限于高速数据传输，它还可以有效减少网络延迟，提升大规模并发数据流的处理能力。无论是文件传输、虚拟化应用还是高性能计算，万兆网卡都能显著改善网络性能。]]></description><category></category></item><item><title><![CDATA[2025.07.04【转录组】| RNA-seq 组装“瘦身术”——BBNorm 归一化处理]]></title><link>https://blog.csdn.net/yangl7/article/details/149113375</link><guid>https://blog.csdn.net/yangl7/article/details/149113375</guid><author>yangl7</author><pubDate>Fri, 04 Jul 2025 11:21:58 +0800</pubDate><description><![CDATA[摘要：本文介绍如何使用BBNorm工具对大规模RNA-seq数据进行数字归一化处理，显著降低内存和计算资源消耗。文章详细讲解了BBNorm的工作原理、安装方法、关键参数设置，并通过1.1TB数据的实际案例展示归一化效果（缩减83%文件大小）。同时提供了进阶技巧、常见问题解决方案及与其他归一化工具的对比。BBNorm作为BBTools套件中的高效工具，能保留低丰度转录本信息，大幅提升后续RNA-seq组装的可行性，是处理超大规模转录组数据的实用解决方案。（150字）]]></description><category></category></item><item><title><![CDATA[2025.07.01【转录组】无参转录组组装软件横向评估]]></title><link>https://blog.csdn.net/yangl7/article/details/149043210</link><guid>https://blog.csdn.net/yangl7/article/details/149043210</guid><author>yangl7</author><pubDate>Tue, 01 Jul 2025 11:39:11 +0800</pubDate><description><![CDATA[摘要：本文对比了四种主流无参转录组组装工具（rnaSPAdes、Trinity、SOAPdenovo-Trans、Trans-ABySS）的关键特性。rnaSPAdes安装便捷、运行高效，适合大数据自动化；Trinity组装质量最优但资源消耗大；SOAPdenovo-Trans速度最快但安装复杂；Trans-ABySS支持多k-mer组装。选择建议：新手优先rnaSPAdes，追求质量选Trinity，超大数据用SOAPdenovo-Trans，复杂样本考虑Trans-ABySS。]]></description><category></category></item><item><title><![CDATA[2025.06.30【L0知识整合】|近期生信+AI技术盘点]]></title><link>https://blog.csdn.net/yangl7/article/details/149022712</link><guid>https://blog.csdn.net/yangl7/article/details/149022712</guid><author>yangl7</author><pubDate>Mon, 30 Jun 2025 14:25:09 +0800</pubDate><description><![CDATA[近年来（2022-2024），生物信息学与AI融合加速发展，涌现出多个创新方向。AI驱动的多组学分析平台（如Deep Genomics、百图生科）利用深度学习处理基因组数据；单细胞组学领域（Parse Biosciences）应用AI提升数据分析精度；蛋白质预测（Helixon）基于AlphaFold2模型取得突破；临床组学（Tempus）实现AI辅助诊疗决策；生信SaaS平台（Bioturing）提供零代码分析服务；药物发现（Insilico Medicine）采用生成式AI设计新分子；大模型技术（Bio]]></description><category></category></item><item><title><![CDATA[2025.06.27【技术观察L0】AlphaGenome：DeepMind推出的全新AI基因组解读平台]]></title><link>https://blog.csdn.net/yangl7/article/details/148949966</link><guid>https://blog.csdn.net/yangl7/article/details/148949966</guid><author>yangl7</author><pubDate>Fri, 27 Jun 2025 12:15:10 +0800</pubDate><description><![CDATA[Google DeepMind推出AlphaGenome AI平台，革新基因组学研究。该平台采用CNN+Transformer混合架构，能处理长达100万碱基对的DNA序列，同时预测基因起止点、RNA表达、染色质可及性等多种分子属性。其核心突破在于单一模型实现多模态分析，并提供变异效应高通量评估，在24/26项任务中超越现有最佳模型。AlphaGenome已开放API预览版，将助力疾病机制研究、合成生物学及基础基因组学探索，为精准医学带来新工具。]]></description><category></category></item><item><title><![CDATA[2025.06.27【微生物】|PlasFlow安装全流程详解（含依赖版本与环境配置）]]></title><link>https://blog.csdn.net/yangl7/article/details/148949873</link><guid>https://blog.csdn.net/yangl7/article/details/148949873</guid><author>yangl7</author><pubDate>Fri, 27 Jun 2025 11:46:41 +0800</pubDate><description><![CDATA[PlasFlow是一款基于深度学习的质粒识别工具，但其安装过程因依赖版本问题常遇困难。本文详细介绍了PlasFlow的安装流程，包括必须使用Python 3.5环境、keras==2.0.8和tensorflow==1.2.1等特定版本依赖，以及通过conda创建隔离环境的步骤。同时提供了源码安装方法、模型文件准备和使用示例，并针对常见问题如protobuf版本冲突等给出了解决方案。该指南适用于Linux系统或Windows WSL，帮助用户顺利完成PlasFlow的安装和配置。]]></description><category></category></item><item><title><![CDATA[2025.06.26【微生物】PathoScope安装与使用详解：微生物丰度定量分析全流程]]></title><link>https://blog.csdn.net/yangl7/article/details/148928927</link><guid>https://blog.csdn.net/yangl7/article/details/148928927</guid><author>yangl7</author><pubDate>Thu, 26 Jun 2025 16:55:40 +0800</pubDate><description><![CDATA[PathoScope是一款基于贝叶斯方法的微生物分类与丰度估算工具，支持16S、宏基因组和转录组等多种数据类型。该工具通过比对测序reads与参考数据库，进行精确的微生物分类和定量分析。安装推荐使用Bioconda（需Python 2.7环境），分析流程包括构建参考数据库、比对reads和定量分析三个主要步骤。输出结果包含基因组名称、reads分配百分比、置信度等信息，以TSV格式呈现。PathoScope能够高效准确地解析微生物群落结构，适用于复杂样本分析，结果可用Excel或R进一步处理和可视化。]]></description><category></category></item></channel></rss>