1.lol原计划和源代码的源码区别
2.10分钟搞懂遗传算法(含源码)
3.FindVariableFeatures
4.snippy calling snps 群体snp分析
5.一文详解基因组denovo组装原理和实战
6.Nature Medicine：除了GitHub，还能怎样查询论文源代码和数据库？

lol原计划和源代码的基因区别

       一、人物背景故事上的电话区别：原计划：

       (1)源计划风，亚索：亚索从一次高科技战斗中归来，源码却被指控一项他不曾犯下的基因罪行，他知道源计划的电话js frame 下 源码管理层一定牵连其中，于是源码亚索与基因动力叛军并肩作战，用自己的基因等离子锻压战刃斩断科技的谎言。

       （2）源计划林，电话易：作为最初的源码概念原型之一，易被源计划囚禁并沦为试验对象，基因最后终于被基因动力叛军解救，电话他的源码心智或许依然存在故障，但他的基因实验级超光“阿尔法”剑刃以其精准的平衡为反抗军贡献力量。

       （3）源计划火，电话菲奥娜：增强改造只为速度的菲奥娜，手持零度脉冲剑刃，与艾希和其他基因动力的成员并肩作战，完整长度的能量剑刃是为了完美无瑕的攻击速度 和最大限度击打强度，空间受控的原子针镀层能最大程度地兼容单目标作战。

       （4）源计划山，雷欧娜：重装战斗人员雷欧娜曾见证过源计划霓虹灯光背后的真相，现在她与艾希和基因动力叛军并肩作战，她拿着离子火花护盾，利用能量变量输出阻挡并击晕目标。

       （5）源计划阴，劫：在体系内新晋崛起的劫是源计划反间谍小组的首领，他使用一双高频能量战刃“固态烟”投影装置搜寻基因动力的叛军，擅长近距离多角度的目标割裂。

       （6）源计划雷，卢锡安：卢锡安曾在体系内担任哨兵，所以见证过源计划的真正面目。他的粒子核心光束手枪现在为基因动力和人类的反叛而战，用残酷的高效摧毁科技的压迫者。（7）源计划联合，艾希：艾希曾在一场集团战争的前线上见证了源计划以人类作为代价实现自己的野心。现在她是反抗组织基因动力的领袖，艾希的目标就是要颠覆这个最强大的集团。（8）源计划自由，艾克：艾克是一个黑客奇才，艾希在下城收编了他，并没有费多大口舌就说服了艾克帮她扳倒源计划。凭借强力的秘钥解密装置和擅长干扰的思维，艾克总是能够绕道访问核心编码。（8）源计划雄心，卡特琳娜：曾在基因动力叛军中担任中尉的卡特琳娜，在与艾希本尊当面对质以后回到了体系内。她的股票求和公式源码超刃匕首现在重新新为源计划而战，但那些了解她的叛军依然心存希望，认为她会从内部为叛军而战。（9）源计划净化，薇恩：装备了机密级增强科技的薇恩曾是源计划反间谋小组的一员。她被自己效命的集团出卖以后，如今潜伏在黑影中扮演义警，不断寻求新方式破坏源计划，破坏侵扰她灵魂的科技。（）源计划升华，烬：一次拙劣的手术过后，烬从一个黑市增强体黑客变为一个机械化雇佣杀手，他的程序依然嗜好高权限升级组件， 但烬从猎物身上得来的部件让他出现严重的人格分裂，而且对源计划和整个人类的未来产生了一种黑暗愿景。（）源计划裁决，蔚：街头智慧，鲁莽无礼而且永远都不懂委婉的蔚，是一名中心区的警探，负责这座霓虹城市的治安和秩序。在下城执法的日子锻炼了她，蔚捍卫和平的工具是对阿特拉斯拳套，还有一记狠毒的右勾拳。源代码：

       (1)苹果机器人，布里茨：苹果机器人布里茨最初的设计是家用服务机械体，但后来上千个布里茨在一次日常软件更新时被源代码攻破。 他们的人类主人对此毫不知情，而他们继续忙里忙外，耐心地等待着新命令初始化。

       （2）源代码，索拉卡：源代码索拉卡的创造是作为支援机器人保护人类的脆弱本质，以机械天使之手带来科技的救赎。如今被损坏代玛入侵的她，不知道是否还以这仁慈的使命作为自己的首要指令。

       （3）源代码，丽桑卓：源代码丽桑卓的设计意图是作为目视一切的安保机器人，但她超越了自己的初始代码，成为了有自我生成力的人工智能。她通过自己的拟态指令玩弄人类增强改造技术，所有人都会在她面前崩塌。

       （4）源代码，卡蜜尔：源代码卡密尔是为了镇压基因动力反叛而生的人形兵器，任何试图使用未授权技术的人类都会成为她的暗杀目标，她拥有高度适应性的执行规程和激光般的集中，直接听命于源代玛的顶层人工智能。

       二、所代表英雄上的区别：原计划：亚索、易、kdj 指标公式源码菲奥娜、雷欧娜、劫、卢锡安、艾希、艾克、卡特琳娜、薇恩、烬、蔚。源代码：布里茨、索拉卡、丽桑卓、卡蜜尔。原计划：源代码：三、构造上的区别：原计划：是半机械化，可以看出来源计划是在原英雄基础上做的机械化升级，能看出来有肉体。源代码：是完全机械化，无法辨别是否为英雄本身，有可能是纯机器。百科-源代码百科-源计划

分钟搞懂遗传算法(含源码)

       大自然中存在一种神奇的力量，它能够将优良的基因保留下来，进而进化出更加强大、更适应生存的基因。这种力量启发了遗传算法的诞生，它模拟了自然选择、物竞天择、适者生存的原则，通过多代的遗传、变异、交叉和复制，最终进化出问题的最优解。尽管遗传算法看起来神奇，但其实现思路相对简单。本文将介绍遗传算法的基本思想，并运用遗传算法解决实际问题，最后给出遗传算法的代码实现和解析。

       在介绍遗传算法之前，我们需要了解以下几个概念：

       1. 基因和染色体：在遗传算法中，我们将要解决的问题映射成一个数学问题，一个可行解被称为一条“染色体”。一个可行解通常由多个元素构成，每个元素被称为染色体上的一个“基因”。

       2. 适应度函数：适应度函数在遗传算法中扮演着“上帝”的角色，用于衡量染色体的优劣。在迭代过程中，供需指数指标源码适应度函数会给所有染色体打分，评判其适应度，淘汰适应度较低的染色体，保留适应度较高的染色体。

       3. 交叉：每次迭代都会生成N条染色体，这被称为一次“进化”。交叉的过程类似于交配，需要从上一代的染色体中选取两条染色体，然后拼接在一起，生成一条新的染色体。

       4. 变异：交叉可以保证每次进化留下优良的基因，但只能保证结果更接近局部最优解。为了解决这一问题，我们需要引入变异，即在新的染色体上随机修改基因的值，引入新的基因，突破当前搜索的限制。

       5. 复制：每次进化中，为了保留上一代优良的染色体，需要将适应度最高的几条染色体直接复制给下一代。

       遗传算法的执行流程如下：

       1. 生成初始染色体种群。

       2. 计算每个染色体的适应度。

       3. 根据适应度选择染色体进行交叉和变异。

       4. 生成新一代染色体种群。

       5. 重复步骤2-4，直到满足终止条件。

       在实际应用中，可以通过限定进化次数或允许范围来控制算法的迭代次数。选择何种方式取决于具体的业务场景。

       下面我们以负载均衡调度问题为例，介绍遗传算法的解决方法。

       1. 数学建模：首先，我们需要将实际问题映射成遗传算法的数学模型，包括任务长度矩阵、节点处理速度矩阵、任务处理时间矩阵等。

       2. 染色体：染色体用于记录每次进化过程中的可行解，每个染色体由多个基因组成，每个基因表示将任务分配给节点的方案。

       3. 适应度矩阵：适应度矩阵记录每条染色体的适应度，用于评判染色体的优劣。

       4. 选择概率矩阵：选择概率矩阵记录每条染色体在下一次进化中被选择的概率，用于选择染色体进行交叉和变异。

       5. 遗传算法的实现：通过交叉、变异和复制等操作，生成新一代染色体种群，并不断迭代，简单python实战源码直到满足终止条件。

       结果展示：通过遗传算法解决负载均衡调度问题，经过次进化，算法最终收敛于最优解。

FindVariableFeatures

         单细胞文章层出不重，在重现文章数据的时候发现，有的文章提供的是处理后的单细胞矩阵，而不是原始counts。其中有的数据甚至是scaled data，这样我就有疑问：直接利用scaled data能否进行单细胞分析。

          单细胞数据进行分析主要有几个步骤：lognormalized，FindVariableFeatures，scaledata，PCA，FindClusters。其中，可以略过lognormalized和scaledata步骤，但是FindVariableFeatures用来发现高可变基因，似乎只有scaled data不能进行高可变基因的发现，且这一步的高可变基因用于后续PCA分析，也不能省略，因此我看了下FindVariableFeatures的源码（Seurat V3版本）：

          可以看到，高可变基因的获取是利用原始counts矩阵或者lognormalized data的j计算的，也就是说seurat作者认为scaled data来计算高可变基因可能是不准确的，因此文章只提供了scaled data是不能进行高可变基因的计算的。

          当然，会有好(tai)奇(gang)的人问了，我就是要用scaled data来运行FindVariableFeatures，会得到比较可靠的高可变基因吗？因此，我测试了下运用counts, lognormalized data, scaled data来进行高可变基因获取：

        可以看到，利用scaled data计算出来的高可变基因与counts,data计算出来的差别是很大的。

        那么没有高可变基因是不是就不能进行PCA等降维分析了呢？理论上当然不是，RunPCA可以自己指定基因来运行。

snippy calling snps 群体snp分析

       Snippy 是一个用于快速单倍体变体调用和核心基因组比对的工具。它能在单倍体参考基因组和您的NGS序列读数之间发现SNP，包括替换（snps）和插入/删除（indels）。Snippy 会尽可能使用更多的CPU，因为它可以在一台计算机上使用多达个内核。它的设计注重速度，并在一个文件夹中生成一组一致的输出文件。此外，它可以使用相同的参考获取一组Snippy结果，并生成核心SNP比对，最终生成系统发育树。

       安装 Snippy 时，推荐使用 conda 进行依赖安装。源码安装时可能会因为共享库文件不匹配的问题导致snippy自带的一些第三方软件无法使用，如samtools、bcftools、freebayes等。在检查所有依赖项是否已安装并正常工作之前，请注意，由于snippy最新一次更新是//，其他软件或已更新。目前已知使用的snpeff版本不能是最新版（v5.1），需要上一个版本：snippy=4.6.0和snpeff=5.0兼容（测试时间//）。如遇执行问题，可检查依赖软件版本问题，此处列出snippy=4.6.0版本的依赖软件版本。

       Snippy 可以使用双端测序的reads数据，对于没有reads的细菌菌株，可以使用基因组文件或contigs.fa 文件。其原理是模拟二代测序将基因组文件拆分成生成reads的fq文件用于比对。需要注意的是，作为输入的FASTA文件夹不能存在带文件夹的相对路径，必须在当前目录。例如，/its1/GB_BT2/yzhishuang/data/tem/snippy/Yb2_genomic.fna 或者 Yb2_genomic.fna 可以，但是./Yb2_genomic.fna不行（经测试这个问题仅出现在集群服务器运行时，普通linux系统不存在此问题）。

       输出文件支持TAB、CSV、HTML格式的列。如果提供Genbank文件--reference而不是FASTA文件，Snippy将使用基因组注释填写这些额外的列，以告诉您哪个功能受到变体的影响。详细查看变体可查看 snippy-vcf_report。如果您使用该--report选项运行Snippy，它将自动运行 snippy-vcf_report 并为每个SNP生成包含以下内容的部分snps.vcf。如果希望在运行Snippy 后生成此报告，可以直接运行它。如果要在Web浏览器中查看HTML版本，请使用以下--html选项。它适用samtools tview于每个变体的运行，如果您有个变体，这可能会非常慢。使用--cpus建议尽可能高。

       Snippy 可以产生“核心SNP”的比对，可用于构建高分辨率的系统发育（忽略可能的重组）。核心位点是存在于所有样品中的基因组位置，可以是单态或多态。如果我们忽略“ins”，“del”变种类型的并发症，并且只使用变异位点，则这些是“核心SNP基因组”。为了简化针对相同引用的一组隔离序列（reads或contigs）的运行，可以使用 snippy-multi 脚本。此脚本需要一个制表符分隔的输入文件，可以处理双端测序reads，单端reads和组装的contigs。然后就可以运行它来生成输出脚本。第一个参数应该是input.tab文件。其余参数应为任何剩余的共享snippy参数。在ID将用于每个分离的--outdir。命令：它还将snippy-core在最后运行以生成核心基因组SNP比对文件core.*。

       Snippy 不能直接用于群体snp calling 分析，但是利用snippy-multi多菌株snp calling 基于生成的bam文件可以一步分析得到群体合并在一个vcf 文件里面的变异信息，用于下游的分析。重要步骤：使用freebayes-parallel并行freebayes 从全部个体的bam文件中分析变异信息。一个运行脚本全文：

一文详解基因组denovo组装原理和实战

       面向未来生物医疗数据挖掘应用场景下，如何实现数据计算或挖掘的可扩展性、可重用性、可视性、伸缩性、高保真性。

       关于更多生物医疗大数据分析工具和软件的介绍和使用请看六点了官网[1]。

       1、基因组组装

       2、基于De-Bruijn Graph的组装算法

       3、SOAPdenovo的安装和使用说明：安装、说明、配置、运行

       4、SOAPdenovo案例实战：数据下载、配置、运行、输出

       大家好，这是我们六点了给大家介绍生物信息大数据分析基因组数据分析系列文章第一篇。我们会持续为大家分享关于生物医疗大数据处理相关的知识和案例，希望帮助大家更好地进行自己项目中生物医疗健康大数据处理工作。本篇文章主要四部分来为大家介绍基因组的denovo的知识和以及详细应用案例。①基因组组装、 ②基于De-Bruijn Graph的组装算法、 ③SOAPdenovo的安装和使用说明：安装、说明、配置、运行，以及 ④SOAPdenovo案例实战：数据下载、配置、运行、输出。

       基因组组装 (Genome assembly)是生物信息学领域的核心问题，想要深入研究一个生物体，获得参考基因组是第一步也是必须的一步。基因组组装是将原始的下机序列还原成DNA序列片段、以至于整个物种全基因组序列的过程。

       基因组组装是基因组分析的关键，对物种起源与进化，挖掘功能基因进而研究疾病发生和发展具有重大意义。

       然而由于目前市面上广为应用的二代测序技术获得的测序序列一般都较短，因此如何通过短片段组装成完整的基因组成了亟待解决的问题。

       基因组组装可分为基于参考基因组的组装（Mapping assembly）和从头组装（denovo assembly）。两者主要的区别在于是否存在已知的基因组参考序列作为参照。本文我们主要介绍的是denovo组装，即不依赖任何基因组参考序列相关信息而进行的序列组装。目前，应用于主流的基因组denovo组装的算法主要有两个[1]：OLC方法 (Overlap-Layout-Consensus)和 DBG方法 (De-Bruijn Graph)[2]。

       而DBG方法的核心思想是将序列拼接问题转化为人们所熟知的欧拉图（Euler Graph）问题[3]。

       DBG方法内存消耗相对较低，运算速度快，且准确率高。

       目前主流的基因组装算法都是基于DBG方法改进设计的。

       前面我们说到基因组denovo组装两种方法，下面主要展开说说基于De-Bruijn Graph的组装算法的基本原理。此处，就以目前使用比较广泛，由华大基因团队开发的SOAPdenovo[4]为例。软件的参考文献[5]有兴趣可以在参考资料看一下读读。

       A：基因组DNA打断成小的片段，进行建库和双端测序。~bp的进行直接双端测序，长的片段2-kb的则先进行环化再进行双端测序。

       B：组装的核心部分，进行De-Bruijn Graph的构建。构建De-Bruijn图的第一步是将测序read k-mer化，而所谓的k-mer是指将reads分成包含k个碱基的字符串，即拿一个k长度的窗口在整个read上1个碱基一个碱基的滑动，每次滑动窗口内部都会产生一个k大小的序列,即为一个k-mer，因此一般长短为m的reads可以分成m-k+1个k-mers。其中k一定是奇数，如果是偶数遇到回文序列可能会产生完全相同的k-mers。我们将k-mers作为图的节点，如果两个节点有 K-1个共同重叠子集，就把两个节点连接在一起，这样就会形成De-Bruijn Graph，可以看到该图可以很好地展现出序列的顺序信息。

       C：进行图结构的精简。尽管前面步骤已经初步构建出图形，但是实际上由于测序错误，重复，杂合等原因，图上会出现很多类似翼尖（tips）、气泡（bubbles）等问题，因此还需要进一步简化。此处简化主要包含四个方面：1）去除tips（可能为测序错误导致的）；2）去除低覆盖度的路径；3）解开微小重复的区域（可以通过read穿过来解决）4）合并bubbles气泡区（可能为测序错误，重复或者杂合导致的）。

       D: 拆分出contig。在重复的节点处剪断，输出contigs。

       E: 构建scaffolds。重新用reads和contigs进行比对，使用paired-end信息来把单一的contigs连接成scaffolds。1）paired reads 比对到contigs上，使临近的contig建立连接；3）paired-end信息的不同插入片段被用来一步步从短到长的建立scaffold.

       F: 最终是把多个scaffold组装成无GAP的基因组序列。

       SOAPdenovo目前已更新到SOAPdenovo2, github[6]链接: github.com/aquaskyline/...。

       直接下载二进制[7]（ sourceforge.net/project...）

       源代码安装:

       安装完可以看到SOAPdenovo-mer，SOAPdenovo-mer两个执行文件。mer代表支持的kmer最大长度为，mer代表支持的kmer最大长度为，除了支持的kmer长度不同外，其他用法完全相同。

       SOAPdenovo由于计算量相对较大，对电脑的配置有一定的要求，官网对运行配置的说明：SOAPdenovo 的适用目标是大型植物和动物基因组，尽管它也适用于细菌和真菌基因组。它运行在至少 5G 物理内存的 位 Linux 系统上。对于像人类这样的大基因组，大约需要 GB 的内存。运行SOAPdenovo-mer即可看到SOAPdenovo主要包含了以下6个子命令：

       其中，1-5分别表示组装的4个步骤（1,2是两种构图方式，二选一），all则用于一次执行以上的4个步骤。实际应用中，可以使用SOAPdenovo all 一步式跑完，也可以分成4步单独去跑。

       soapdenovo需要一个配置文件config_file,里面给定输入文件和一些参数设置。 下面是配置文件的示例和说明：

       拆分式：

       一步式：

       输出文件：运行完会有不少的文件生成，其中后缀分别为contig和scafSeq即为对应组装结果，分别对应contig和scaffold的结果。

       下面我们找个NA样本的测序数据，具体来实践一下吧。

       下载测序数据：

       准备配置文件

       vi config_file， 填入以下内容：

       运行命令

       此处我们将程序运行的标准输出和标准错误都分别重定向到对应的log和err文件中了。一步式运行：

       四步单独运行：

       输出结果

       此处我们的测试数据做了截取，因此可以非常快速的跑完，具体的结果如下图所示，可以看到生成了不少的中间结果文件，其中组装出来的contig和scaford结果即图上圈出来的两个文件： *.contig：contig序列文件，fasta格式； *.scafSeq：scaffold序列文件，contig之间的gap用N填充 。

       *.log和*.err是运行的日志，里面包含很多的统计信息，如N，N，contig/Scaffold等信息。

       *.scaf：包括scaffold中contig的详细信息；在scaffold行中包括scaffold名字、contig长度和该scaffold长度。在contig行包括contig名字、contig在scaffold上的起始位置、正反链、长度和contig间的链接信息

       *.links：contig间的pair-end连接信息

       *.readOnContig：reads在contig上的位置。

       从sixoclock下载soapdenovo2

       此外，六点了官网基于CWL (common workflow language) 对SOAPdenovo2软件进行了封装，通过我们开发的`sixbox` 软件可以快速进行软件的运行。对sixbox不了解可以通过六点了官网了解下。下面是具体的运行步骤如下：

       1)下载cwl 源码

       sixbox pull cadc5-1a-4a-b-d6ee0db 或 在六点了官网上下载soapdenovo2.cwl

       2) 下载数据

       3) 使用sixbox生成参数模板文件(YAML) , 并配置yaml文件

       不熟悉的，可以直接粘贴下方示例内容到soapdenovo2.job.yam

       4）使用sixbox运行

       运行结束即可看到当前目录或者指定的输出目录输出对应的SOAPdenovo 组装的结果文件。

       至此，SOAPdenovo的实战体验基本就结束了。

       以上为我们给大家带来的基因组denovo的基本原理知识，以及在平台上运行经典的SOAPdenovo的详细操作过程。也欢迎大家去我们六点了官网看我们放上去的SOAPdenovo2的CWL流程工具。

       如果对生物医疗健康大数据相关内容感兴趣也可以持续关注我们。想要探索更多的软件流程或者知识文档，可以到六点了官网查看。

       References

       [1] 六点了官网: sixoclock.net

       [2] OLC方法 (Overlap-Layout-Consensus)和 DBG方法 (De-Bruijn Graph): zh.wikipedia.org/wiki/%...

       [3] 欧拉图（Euler Graph）问题: baike.baidu.com/item/欧拉图/

       [4] SOAPdenovo: github.com/aquaskyline/...

       [5] 参考文献: genome.org/cgi/doi/.1...

       [6] github: github.com/aquaskyline/...

       [7] 二进制: sourceforge.net/project...

Nature Medicine：除了GitHub，还能怎样查询论文源代码和数据库？

       计算病理学中的深度学习算法正逐步改变医学诊断。然而，缺乏可重复性和可重用性限制了这些技术在临床应用中的广泛实施。Nature Medicine上的一篇文章强调了提升算法这两方面特性的重要性，以促进快速、可持续的领域发展。

       本文评估了年1月至年3月间篇同行评审文章中算法的可重复性和可重用性，发现只有%的论文提供了代码。这些论文在不同层面提供了支持计算病理学的算法，如组织类型分割、细胞级特征定量分析、基因改变预测以及肿瘤分级、分期和预后信息提取。

       为了提高可重复性和可重用性，建议让临床医生参与模型开发过程，共享数据和代码，并记录预处理和模型训练步骤。评估和出版时，应综合考虑预测准确性、模型校准、稳健性、简单性和可解释性。最后，应通过GitHub、Zenodo或深度学习模型专用资源库如ModelZoo公开发布模型，促进算法的重复使用。

       尽管GitHub是广泛使用的代码归档平台，但不应忽视其他资源。Zenodo和ModelZoo等平台提供了额外的检索途径。Docker或CodeOcean容器系统能够简化模型评估过程，加快不同机构用户和开发人员的评估速度。

       通过实施上述建议，计算病理学领域有望实现算法的持久可用性，满足临床医生对可解释性、可用性和稳健性的需求。这将充分发挥算法在诊断医学领域的潜力，推动计算病理学的进一步发展。