估计阅读时长: 7 分钟一般而言，进行全基因组的转录表达调控网络的建立，我们需要基于两个数据结果来完成： 目标基因的转录调控位点信息（Motif搜索结果，构成网络之中的节点） 转录调控位点相应的转录调控因子（Motif位点相关的转录调控因子，构成网络之中的边连接） Order by Date Name Attachments Xor • 271 kB • 234 click 2022年6月11日An […]
估计阅读时长: < 1 分钟Order by Date Name Attachments HEStainModelPreviews • 361 kB • 222 click 2022年6月3日13546516212177 • 152 kB […]
估计阅读时长: 7 分钟https://github.com/rsharp-lang/ggplot 在进行复杂关系的数据集进行可视化的时候，通过网络图的方式进行数据可视化可以让我们非常直观的借助于网络节点的聚集程度之类的布局信息了解到我们的复杂数据的关系结构信息。最近将R#语言之中的ggplot包进行网络可视化的代码库进行了一些更新。基于此功能更新工作，目前在ggplot程序包之中成功集成了ggraph程序包类似的网络可视化功能。在这里做了一些总结分享给大家。 Order by Date Name Attachments enrichNetwork_ggraph • 70 kB • 218 click 2022年6月1日enrichNetwork_ggraph2 • […]
估计阅读时长: 14 分钟一般而言，如果我们在进行组学数据分析的时候，如果想要比较两组数据之间是否存在有差异性，一般是对两两比较的两组数据进行T-检验。但是在代谢组学数据分析领域内，则很多的组学数据分析情况为比较两组以上的数据，寻找差异的biomarker。那这个时候就需要使用上ANOVA统计检验方法了。 Order by Date Name Attachments anova • 105 kB • 403 click 2022年5月28日ANOVA-screen • 27 […]
估计阅读时长: 6 分钟访问在线服务： http://metdna.zhulab.cn/ Metabolite identification is the long-standing challenge for liquid chromatography-mass spectrometry (LC-MS)-based untargeted metabolomics. Here, […]
估计阅读时长: 8 分钟在之前的BioDeep代谢物数据库整合工作之中，所提取的代谢物注释信息的唯一编码是来自于数据库表之中的递增主键。由于数据库之中的递增主键的唯一编码值是与数据内容完全无关的数据，所以在基于图数据库做数据库整合的结果在两次整合操作之后，可能会因为先后输出顺序不一致的原因，得到的在关系型数据库中的唯一递增编号可能会完全不一样了。这个问题会对数据库更新操作造成非常大的困扰。 Order by Date Name Attachments 450px-Hash_table_5_0_1_1_1_1_1_LL • 26 kB • 236 click 2022年4月16日metadata-table • 58 […]
估计阅读时长: 5 分钟目前我们根据质谱数据进行代谢物ROI注释分析，很大一部分的工作是建立在已经可以被纯化的化合物的纯标准品所建立的标准品库数据的比对操作之上的。但是依赖于质谱参考谱图数据库所完成的代谢物注释分析，也仅能够得到很小的一部分结果，因为能够纯化或者合成的化合物在整个自然界中目前只占比较小的一部分。并且购买标准品也会需要耗费大量的实验室资金预算。 Order by Date Name Attachments The-Periodic-Table • 2 MB • 309 click 2022年3月20日Leucine[M+H]+ • 33 […]
估计阅读时长: 5 分钟https://github.com/xieguigang/graphQL 构建一个图数据库，可以用来帮我们解决复杂的知识关联计算问题。例如我们想要程序向我们回答dihydrogen oxide与water是否是同一个东西。如果光从字符串比较角度上面来看待这个问题的话，很显然，二者的字符串比较结果肯定是False。面对上面的这个问题，图数据库则可以很简单的向我们回答道上面的两个字符串都是指代的同一个东西。 Order by Date Name Attachments tumblr_inline_mqvdlydGCp1qz4rgp • 124 kB • 223 click 2022年3月5日Capture […]
估计阅读时长: 2 分钟imports "clustering" from "MLkit"; require(graphics2D); multishapes = read.csv("./multishapes.csv"); [x, y] = list(multishapes[, "x"], multishapes[, "y"]); print(multishapes, […]
估计阅读时长: < 1 分钟https://github.com/rsharp-lang/R-sharp 前言 经过了2021年一年时间的奋斗，目前R#脚本语言环境终于可以算是能够支撑起比较完整的数据分析流程了。在2021年这段时间，我为R#脚本语言环境大概做了以下几件我认为是比较里程碑式的工作： 建立起了一个比较成熟的脚本打包系统 仿照R语言引入了ggplot和ggraph类似的作图系统 借助于mzkit的开发，将R#语言成功的应用于商业化的质谱数据分析产品之中 为了扩大R#语言环境的受众，在2022年初，也就是这个月内，我相继为Python语言和Julia语言添加了对R#语言环境的支持。下面我们就来聊聊在R#语言环境中的对上面所提到的两种语言的支持。 Order by Date Name Attachments programming • 262 kB […]
[…] 《为大语言模型运行添加工具调用》 […]
[…] 《从头创建一个DeepSeek客户端》 […]
[…] 在上面的工具调用消息数据结构中，我们可以清楚的看见有需要进行调用的工具名称，以及参数列表。当我们拿到这样子的调用信息后，就可以基于一定的规则找到需要执行的运行时中的函数来完成功能的实现。对于.NET平台上，我们一般是使用自定义属性加反射操作来解析相关的名称绑定结果。在.NET平台上对于这样子的一个根据调用信息来进行运行时解析和调用的方法，可以稍微参考《【Darwinism】Linux平台上的VisualBasic高性能并行计算应用的开发》的反射代码方法。 […]
[…] 在前面的文章《从头创建一个DeepSeek客户端》的请求消息的数据结构的基础上，我们在这里再增加一个工具信息的列表，在这个工具信息列表中，包括了工具的名称，工具的描述信息，以及工具的参数信息。对应的新增加的数据结构如下所示： […]
You have the gift of turning abstract thoughts into something tangible, allowing the reader to grasp concepts with clarity.