KeepNotes blog

第一次听说R markdown的时候，简单以为Rmarkdown只是一个markdown拓展的一个小工具而已，最近才发现Rmarkdown是一个展示报告的利器！如果你不想用word等老套的报告模式，那么Rmarkdown绝对能满足你的需求，并且其还有其他优势所在（自行搜下就明白了）

之前的对rMATS软件做笔记的时候，提到过rmats2sashimiplot这款专门用来对rMATS分析结果做可视化的软件，最近尝试用了下，操作比较简洁，但是还是留了点问题没解决

rmats2sashimiplot，网址：rmats2sashimiplot

PCA（Principal Components Analysis）即主成分分析，一种无监督算法，降维中的最常见的一种方法

为什么要降维：

1. 减少高维数据的处理难度，降低后续计算的复杂度
2. 去除噪音和冗余数据，同时减少信息的损失
3. 低维数据相比高维更加容易理解及可视化

PCA的本质：将具有相关性的高维变量通过线性变换投影到低维空间上，这低维变量称为主成分；并且通过最大方差理论使得第一主成分能对原始数据更多的解释（变异最大，也就是方差最大），同时也使得这些低维度变量的相关尽可能的小，便于后续分析

来自于 白话统计这本书的 一些笔记

之前看到不少人思维导图，我也来凑凑热闹。用幕布做了一个，以做为这篇的笔记的总提纲

现在学习Perl的人真不多了（略微有点感触），最近想了解下Perl的多线程/多进程的使用方法，在网上查下文章想学习下，结果发现都是2-5年前写的文章了。当然以"胶水"语言著称的Perl也不太适合来写一些讲究效率的软件，毕竟速度摆着那；尤其在生信领域，常规的软件还是R/Python比较多，如果是支持多线程的软件则一般也是C++/JAVA写的

之前一段时间一直在用R，最近刚转变过来时差点都不会写了Perl了（有时觉得R的向量思维真的很棒！应用性极强~）

刚好遇到一个问题需要解决：将4000000行的测序fastq序列分割成10份，强行用Perl写了下。。下面是一些解决思路（代码比较简单，就不做注释了）

R作为当今最为流行的统计分析软件之一，其处理数据一般都是默认单线程跑的。而现今各种云平台层出不穷，其主要目的就是加快分析速度从而节省分析成本，比如现在大型平台的全基因组分析的耗时都按分钟记了（当然是最快的那种），因此有时我们平时处理数据时，也可以优先考虑下将R并行化，在计算资源足够的情况下，肯定是越快越好

最近花了一周的时间写了一个简化版GSEA分析包，命名为siGSEA

前段时间用GSEA处理了一些数据，发现其官网还在更新的只有GSEA的桌面版和服务器java版，其R版本只有一个2005年写的脚本！！！我那时粗略的看了一遍，感觉使用起来实在有点繁琐，并且GSEA官网的R代码很长，足足有2500+行，个人对其代码的风格很不适应；因此就有了想法自己重新写一个GSEA的R包，这样单从使用的角度来说更加方便点（虽然可能自己以后也用不了几次，而且GSEA桌面版功能更加全面。。。），毕竟现在很多生信分析软件都是以R包的形式，当然也顺便写个R包娱乐下

我们一般平时较为常用的检验要属有参检验，但是其要求样本必须满足近似正态，无离群点，数据量大等要求；而有些时候其实很难都满足以上前提条件，则这时需要使用无参检验，其只关注数据的秩，但是无参检验有时也无法处理一些样本数较少的情况，这时则可以使用置换检验

最近为了了解下GSEA的算法的整体思路以及软件一些主要参数的具体含义，从头看了下其R代码，由于其R代码是作者在软件早期写的，其功能并不是很完善，但是其核心的思路还是在代码中体现出来了（其实主要还是GSEA的JAVA版看不懂。。）

下面结合作者发表的文献、官方手册以及R代码，对一些有意义的参数和一些指标做个简单的记录，也算一次看代码后的小结，如果可能的话，也想从头写一个简化版的GSEA的R代码（主要发现官方的R代码写的年代好早之前了，代码写的有点啰嗦~~）以及其出图的代码

说到富集，富集是将基因根据一些先验的知识（也就是常见的注释）进行分类的过程。我们一般会想到最常见的是GO/KEGG富集，其思路是先筛选差异基因，然后确定这些差异基因的GO/KEGG注释，然后通过超几何分布计算出哪些通路富集到了，通常会选择一个阈值来卡一下，比如p值和FDR等。因此这会涉及到人为的阈值选择，具有一定的主观性，而且只能用于差异较大的基因，所以结果可能有一定的局限性。

最近有点浮躁，出去散了下心没什么好转，已经有1个多月没有系统的学习了，除了工作，其他时候也不知道在忙啥。

有时间就看了看文献，之前有一朋友推荐我看一篇临床研究的文献，发表于2017年 Breast Cancer Res Treat期刊的Clinical and molecular relevance of mutant-allele tumor heterogeneity in breast cancer，主要讲了使用Mutant-allele tumor heterogeneity(MATH)算法评估肿瘤异质性，并研究了其与一些临床指标以及组学数据的相关性，思路很简单，效果比较一般，并没有较大的突破，但是其MATH的算法还是值得看看的

这个不是标题党，我确实很快的写了属于我自己的第一个R包，前后可能不过1小时，但是这个只是一个包的基础框架，也就是说，是一个最最简单的R包。。。

我在去年才听说原来有个给百度云下载提速的方法-aria2，那时用了后感觉非常新奇，然后就写了篇博文记录下aria2+chrome+BaiduExporter下载百度云，然后过了半年有余发现该方法已经失效了，可能baidu修复了这个'BUG'~~

蛋白质组学在现在众多组学中属于起步较晚的组学之一，一般跟代谢组并列提起，因为都是通过质谱仪进行检测（虽然代谢组不一定要用质谱）。我们通过质谱下机数据，然后经过软件进行图谱分析（查库），然后获得肽段/蛋白的丰度值，接下来可能就跟RNA-Seq等NGS数据一样，需要在蛋白表达谱（虽然由于仪器的限制，并未能检测到全部低丰度蛋白，鉴定到的蛋白数目还是处于N千数量级）中筛选出丰度发生显著变化的蛋白（这也就是常说的比较蛋白组学）

实验设计中，一般会做三个生物学重复来确保结果的准确性，尤其在下游分析中。但有时会遇到没有生物学重复，而又需要进行差异分析的情况，这时一般建议考虑foldchange即可，因为根本无法进行T-test等统计学方法嘛。但是如果必须要算一个P值（个人觉得没啥必要。。。），那么不同组学有各自处理的方法（虽然并不是靠谱），比如NGS的转录组的一些软件会预估一个离散度做校正，而质谱的蛋白组则是用Significance A/B算法，这篇文章主要讲下Significance A/B是怎么来的

本来应该这是一个很正常的学习过程，之前总结了一篇博文Bioconductor的质谱蛋白组学数据分析，对蛋白组学定量那块比较感兴趣，正好看到一个R包-MSstats，其可用来对DDA，SRM和DIA的结果进行蛋白差异分析，这R包发表于2014年，那时来说还是很不错的（还在不断更新维护），并且其还支持Maxquant查库结果文件作为输入（主要我有些此类测试文件），非常有兴趣的想尝试下看看结果，然后就入坑了。。。

不知不觉，写这个博客一年了，也可以说刚好一年整

最初只是临时起意，将博客作为一个学习过程的督促者，在阿里云上买了个服务器，用wordpress尝试搭建了博客，那时感觉还不错，就开始在博客记录自己的笔记。当时也不知道自己能坚持多久，但是有一点还是明白的，只要每天都学习一点，这个博客就会一直更新下去，就这样写了一年

记录之前一段时候作图的一些基础用法以及小技巧，但不局限于ggplot2（但我用的最多的还是ggplot2），持续更新（如果没忘记的话）。。。