某些项目动辄跑上十天半个月，有时候需要在手机上简单了解该任务的运行状态，不想花里胡哨，这里写个sh脚本定时通知一下任务运行状态吧。发送通知的脚本看这里 简单的资源探针1234567891011121314151617181920212223242526#!/bin/bashinfo="python3 /home/jovyan/upload/zl_liu/wecomchan.py"

来源：**BatchBench**和生信技能树jimmy 批次整合效果 左图是批次上色，右图是细胞类型上色 左图不同区域颜色越混杂越好 右图不同区域颜色越纯粹越好，且同一颜色最好在且只在一个区域 资源消耗量 实线是批次的熵，越高表示混合程度越好 虚线是细胞类型的熵，越低表示区分度越好 第一行是批次数量固定为2，细胞数量增长(总计61,000进行下采样) 第二行是每个批次固定1001个细胞，批

安装补充包 conda activate seurat conda install -c bioconda r-harmony -y 读取数据1234567891011121314root_path = "."f_read10x <- function(dirN, ...){ tp_samples <- list.files(file.path(r

与Jupyter相比，使用Rstudio可以更方便进行交互式绘图，比如ggThemeAssist，以及某些3D绘图需要旋转视角进行观察。因此这里记录一下在Rstudio里安装seurat的过程 更改R版本 进入terminal，以下操作均在terminal中进行 export R_LIBS_SITE=”” 在terminal中进入R .libPaths(‘/home&

安装补充包 conda activate ggsurvplot # conda install -c conda-forge r-ggplotify -y conda install -c conda-forge r-circlize -y conda install -c bioconda bioconductor-complexheatmap -y install.packages(‘ggri

安装补充包 conda activate ggsurvplot install.packages(‘regplot’) 高级nomogram123456789101112library(rms)library("survival")library("survminer")library(regplot)mycol<-c("#A6CEE3&q

目前R中用于构建LASSO模型的包主要是glmnet，当我们确定λ后，该如何画列线图、森林图等常规COXPH回归常用的可视化方法呢？Memo_Cleon指出可以提取lasso的回归系数然后替换常规回归模型的系数。 导出lasso系数1234567lasso <- glmnet(x = x, y = y, family = 'cox', alpha = 1)set.seed

获得一个好看的配色可以通过一些专业配色的网站，比如chinavid，或者从ggsci包里挑选。颜色选好了，如果是ggsci包的话好办，直接scale_color_xxx或scale_fill_xxx就行，但是自己选的配色要怎么调呢？ 对于二色梯度，可以使用scale_colour_gradient和scale_fill_gradient 对于三色梯度，可以使用scale_colour_gradi

安装补充包 conda activate ggsurvplot install.packages(‘survIDINRI’) 构建两个COXPH模型准备数据123456789101112131415library(survival)library(car)library(rms)library(pROC)library(timeROC)library(ggDCA)library(surviv

安装补充包 conda activate ggsurvplot # conda install -c conda-forge r-pec -y conda install -c conda-forge r-survivalroc -y # conda install -c conda-forge r-ggsci -y # conda install -c conda-forge r-scales