matlab中的gompertz代码
2021-11-13 23:29:23
1.05MB
1
测序技术推进科学研究的发展。随着第二代测序技术的迅猛发展，科学界也开始越来越多地应用第二代测序技术来解决生物学问题。比如在基因组水平上对还没有参考序列的物种进行从头测序（de novo sequencing），获得该物种的参考序列，为后续研究和分子育种奠定基础；对有参考序列的物种，进行全基因组重测序（resequencing），在全基因组水平上扫描并检测突变位点，发现个体差异的分子基础。在转录组水平上进行全转录组测序（whole transcriptome resequencing），从而开展可变剪接、编码序列单核苷酸多态性（cSNP）等研究；或者进行小分子RNA测序（small RNA sequencing），通过分离特定大小的RNA分子进行测序，从而发现新的microRNA分子。在转录组水平上，与染色质免疫共沉淀（ChIP）和甲基化DNA免疫共沉淀（MeDIP）技术相结合，从而检测出与特定转录因子结合的DNA区域和基因组上的甲基化位点。
2021-10-23 22:04:25
22.26MB
1
练习题六：微生物物种分布柱状图
mycol <-c(119,132,147,454,89,404,123,529,463,104,552,28,54,84,256,100,558,43,652,31,610,477,588,99,81,503,562,76,96,495)
mycol <-colors()[rep(mycol,20)]
otu <-read.table(file="genus.xls",header=T,check.names=FALSE,sep="\t")
rownames(otu) <- otu[,1]
otu <-otu[,-1]
al <- which(rownames(otu) %in% c("All"))
if(length(al)) otu <-otu[-al,]
rowsum <-sapply(1:nrow(otu),function(x) sum(otu[x,]))
otu<-otu[order(rowsum,decreasing=TRUE),]
dat <-sapply(1:ncol(otu),function(x) otu[,x]/sum(otu[,x]))
colnames(dat) <-colnames(otu)
rownames(dat) <-rownames(otu)
lab <-rownames(dat)
tiff(file="bar.genus.tiff",width=750,height=700,pointsize=15) ###pdf(file="bar.genus.pdf", height=8,width=7)
layout(matrix(1:2,2,1),heights=c(1:1.2))
par(mar=c(3,5,2,2))
barplot(dat*100,width=1,space=1.2,plot=T,las=1,col=mycol[1:nrow(dat)],cex.axis=1,cex.names=1,border=NA,ylab="Relative abundance(%)",offset=0,cex.lab=1.2)
par(mar=c(2,5,1,1))
plot.new()
legend("topleft",legend=rownames(dat),ncol=3,fill=mycol[1:nrow(dat)],cex=0.8,bty="n")
dev.off()
*
2021-10-22 23:28:38
3.83MB
1
中国科学院微生物研究所-胡松年团队-《微生物大数据分析与实践》课程-泛基因组下
本课程致力于微生物基因组、转录组、泛基因组、耐药基因组和宏基因组、宏转录组
2021-10-14 16:54:27
193.23MB
1
中国科学院微生物研究所所级课程《微生物大数据分析与实践》
主讲老师：胡松年 研究员 ， 贺子龙 副研究员
2021-09-28 19:06:13
109.35MB
1