单细胞测序数据聚类待读文献

MECAT is an ultra-fast Mapping, Error Correction and de novo Assembly Tools for single molecula sequencing (SMRT) reads. MECAT employs novel alignment and error correction algorithms that are much more efficient than the state of art of aligners and error correction tools. MECAT can be used for effectively de novo assemblying large genomes. For example, on a 32-thread computer with 2.0 GHz CPU , MECAT takes 9.5 days to assemble a human genome based on 54x SMRT data, which is 40 times faster than the current PBcR-Mhap pipeline. We also use MECAT to assemble a diploid human genome based on 102x SMRT data only in 25 days. The latter assembly leads a great improvement of quality to the previous genome assembled from the 54x haploid SMRT data. MECAT performance were compared with PBcR-Mhap pipeline, FALCON and Canu(v1.3) in five real datasets. The quality of assembled contigs produced by MECAT is the same or better than that of the PBcR-Mhap pipeline and FALCON. Here are some comparisons on the 32-thread computer with 2.0 GHz CPU and 512 GB RAM memory:

安全技术-网络信息-准互穿聚合物网络纳米粒子复合介制备及其用于DNA测序性能.pdf

安全技术-网络信息-准互穿聚合物网络纳米粒子复合介制备及其用于DNA测序性能的研

医药生物-医药与健康护理：基因测序，星辰大海之华大智造.pdf

医药生物-医药与健康护理行业专题报告：基因测序，星辰大海之科研服务.pdf

医药生物-医药与健康护理行业专题报告：基因测序，星辰大海之齐碳科技.pdf

医药生物-医药与健康护理行业专题报告：基因测序，星辰大海之肿瘤伴随诊断.pdf

原理： 决策树生成算法： 是递归地生成决策树，它往往分类精细，对训练数据集分类准确，但是对未知数据集却没有那么准确，有比较严重的过拟合问题。因此，为了简化模型的复杂度，使模型的泛化能力更强，需要对已生成的决策树进行剪枝。 集成分类算法： 集成（Ensemble）分类模型综合考量多个分类器的预测结果，从而做出决策。 随机森林分类器用相同的训练数据同时搭建多个独立的分裂模型，然后通过投票的方式，以少数服从多数的原则作出最终分类的决策。在相同的训练数据上同时搭建多棵决策树，每棵决策树会放弃固定的排序算法，随机选取特征。 梯度提升决策树按照一定的次序搭建多个分类模型。模型之间彼此存在依赖关系。后续加入

通过串联质谱技术进行多肽测序是蛋白质组学领域中蛋白质识别最强有力的工具之一。因为完整的基因组序列正在迅速地积聚，串联质谱光谱解释的最近趋势早已是数据库搜索。然而，从头测序串联质谱光谱解释仍然是一个公开的问题，它典型地包含质谱专家手工解释。我们为从头测序解释开发了一种新算法SHERENGA，它可以自动地从任何类型质谱仪产生的一个测试光谱集合中学习碎片离子的类型和强度阈值。测试数据用来构建串联质谱光谱表示图中的最佳路径打分。一个高得分路径的分级列表对应了潜在的多肽序列。SHERENGA在解释未知蛋白质的多肽序列和验证全自动、高通量多肽测序数据库搜索算法的结果时是最有用的。