估计阅读时长: 8 分钟https://github.com/rsharp-lang/R-sharp 对于0，1两类分类问题，一些分类器得到的结果往往不是0，1这样的标签。如神经网络得到诸如0.5，0.8这样的分类结果。这时，我们人为取一个阈值，比如0.4，那么小于0.4的归为0类，大于等于0.4的归为1类，可以得到一个分类结果。同样，这个阈值我们可以取0.1或0.2等等。
估计阅读时长: 23 分钟https://github.com/rsharp-lang/R-sharp 降维是将数据由高维约减到低维的过程而用来揭示数据的本质低维结构。它作为克服“维数灾难”的途径在这些相关领域中扮演着重要的角色。在过去的几十年里，有大量的降维方法被不断地提出并被深入研究，其中常用的包括传统的降维算法如PCA和MDS；流形学习算法如UMAP、t-SNE、ISOMAP、LE以及LTSA等。
估计阅读时长: 3 分钟http://mzkit.org/ 质谱成像是以质谱技术为基础的成像方法，该方法通过质谱直接扫描生物样品成像，可以在同一张组织切片或组织芯片上同时分析数百种分子的空间分布特征。
估计阅读时长: 15 分钟https://github.com/xieguigang/Darwinism NetCDF文件格式（Network Common Data Format）是一种以network byteorder进行编码的CDF数据文件格式。其广泛应用于大气科学、水文、海洋学、环境模拟、地球物理等诸多数据科学计算分析领域内的数据存储。
估计阅读时长: 13 分钟https://github.com/xieguigang/voyager-1 旅行者一号是一艘由NASA在1977年9月5日发射的宇宙飞船，其只比旅行者2号晚16天发射。旅行者一号除了担负着研究我们的太阳系的任务之外，在这艘飞船之上还搭载着一张我们尝试对外界介绍我们的文明的一张名片为“地球之音”的铜质镀金激光唱片，这张金唱片承载着人类与宇宙星系沟通的使命。
估计阅读时长: 7 分钟https://github.com/xieguigang/mzkit SMILES字符串是一种在计算化学领域内使用线性ASCII字符串描述一个具有空间立体结构的分子结构所使用的一种语言规范。因为在工作中会需要使用到SMILES字符串做一些分子结构相关的数据建模分析，所以编写了一个很方便的用于SMILES字符串解析操作的模块，在这篇文章中为大家讲解具体的工作原理。
估计阅读时长: 15 分钟进行生物化学代谢反应网络的模拟计算，可以分为三种技术路线：基于线性规划做优化的FBA方法，基于常微分方程组求解的动力学模拟方法，以及最近发展的基于图神经网络做模拟计算的深度学习计算方法。在下面的表格中，在这里进行比较和总结了上面所提到的三种计算分析方法各自的计算原理和应用领域： 计算方法 原理 优势 适用场景 通量平衡分析（FBA） 基于约束条件（如化学计量矩阵、酶容量限制）和线性规划，在假设代谢网络处于稳态（即代谢物浓度不变）的前提下，计算代谢通量的分布，通常以最大化特定目标（如生物量生长）进行优化 1. 无需详细的酶动力学参数，特别适合大规模网络研究。2. 计算速度快，可系统性地预测基因敲除或环境扰动下的表型变化。3. 广泛应用于指导代谢工程，优化目标产物合成。 追求快速评估和全局优化：如果你的研究目标是在基因组尺度上快速评估微生物在不同条件下的生长或产物合成潜力，并且难以获取详细的动力学参数，FBA是一个非常实用的起点 动力学模拟 基于质量作用定律等构建常微分方程组（ODEs），描述每个代谢物浓度随时间变化的动力学过程，通过数值方法求解方程组 1. 能够捕捉代谢物浓度和通量的瞬态动态变化，揭示更精细的调控机制2. […]
估计阅读时长: 7 分钟https://github.com/xieguigang/sciBASIC 在分布式哈希表网络之中，Peer节点之间进行分布式数据传输都是使用的B编码。B编码格式与JSON编码格式较为相似，均以“键：值”形式存储，我们可以将B编码的字符串整个内容理解为一个经过特殊编码的字典，或者一个近似的JSON。B编码与JSON编码，这两种编码都仅包含有4种最基础的数据类型：字符串类型，数值类型，数组类型与对象字典类型。
估计阅读时长: 10 分钟https://github.com/xieguigang/sciBASIC 根据积分表达式，微分方程的数值解关键在于微分方程的初值及计算微分方程式在tm(上一时刻)与tm+d（下一时刻）与坐标轴围成面积，若这个面积计算得越准确则得到的数值解也就越精确。微分表达式中与坐标轴围成的面积可表示如下，在实施算法的时候可以结合这个图更加直观点： 从上面的示意图可以看出，一段需要进行面积积分的曲线实际上是由多个梯形构成的多边形。那我们实际上只需要将这些梯形的面积都求出来，然后加起来就好了。 这里的梯形分割就是一种欧拉逼近的思想，欧拉逼近的几何意义，就是我们可以使用一段折线来近似的逼近一条曲线。 利用欧拉逼近，我们可以将一个精确的微分方程曲线 近似的使用线段来表示
估计阅读时长: 4 分钟https://github.com/xieguigang/bclusterTree 对于二叉树，大家肯定不会陌生。二叉树其实就是一个有向无环图（有向：访问的方向是从父节点指向子节点；无环：子节点不会成为其父辈节点的父节点），大家可以从根节点一直往下访问到任意一个叶节点；节点间的方向是根据键值的比较的大小结果来建立的，大的值在右边，小的值在左边（《左迁与右迁》），零值在当前节点。 二叉树示意图来自于这篇博文《Self-balanced Binary Search Trees with AVL in JavaScript》
代谢组学那堆名词我上次查资料时也手抄过一页，QC 样本、保留时间、m/z 这些混在一张表里，来回对照着看特别费劲。你这篇把英文缩写和中文解释排在一起，省了我不少翻文献的功夫，尤其是代谢物鉴定那几段。
文中提出的"能否基于单细胞数据分析方法来分析和可视化我的基因组功能嵌入的结果矩阵呢？"让我想到一个需要先厘清的问题：把Family层级的分类当作细胞分群标签时，功能相似性与亲缘关系可能会混在一起，图上的聚集未必能直接解释为代谢功能接近。如果借用单细胞分析中的降维流程，是否可以同时标注物种分类和基因组注释完整度，看看分离主要对应哪一种差异？尤其是这里用的是EC注释的TF-IDF矩阵，缺少某项注释究竟代表功能缺失还是未被识别，也可能影响对分群结果的判断。
这个角度之前没想到，零分布原理及其在生物信息学中的应用 确实值得深入了解。刚好之前看过，可以对照着看看。
Greetings! I stumbled upon this really useful site and figured I'd thanks for you post at here.
This content speaks to hearts