counts转fpkm，fpkm转tpm
不知道为什么counts转fpkm的结果和tcga的结果对不上，可能里面的colSums用的是reads mapped to all protein-coding regions？没有进行进一步的尝试。fpkm转tpm的结果和tcga的结果是一致的。 12345678f_counts2fpkm <- function(counts, gene_lengths){ # 确保记录已经对
从GTF文件提取Gene长度
先从TCGA的数据中提取一份标准的基因长度，作为正确结果的标准，然后开始提取工作。 Shell预处理123456789#!/bin/bashGFT=/home/jovyan/upload/zl_liu/star/gencode.v36.primary_assembly.annotation.gtf # 提取exon出来：awk '{if ($3=="exon"
Docker：部署青龙面板
青龙面板是一款JavaScript/Python/Typescript/Shell脚本管理平台，可以帮助我们更方便地实现脚本的定时执行。 部署123456789version: '2'services: web: image: whyour/qinglong:latest volumes: - ./data:/ql/data
评价临床预测模型
模型来源，参考1、参考2 安装补充包 conda activate ggsurvplot conda install -c conda-forge r-timeroc -y conda install -c conda-forge r-gert -y conda install -c conda-forge r-devtools -y conda install -c r r-proc -y #
诺莫图（Nomogram）展示回归分析的结果
展现回归分析的OR、HR值可以用森林图，而如果想直观预测实例化对象的生存概率，则可以使用诺莫图 安装补充包 conda activate ggsurvplot conda install -c conda-forge r-rms -y Logistic回归 数据来源 12345678dd=datadist(df)options(datadist="dd") lrmf <
生存分析的Cox比例风险回归模型
如果只研究患者的中位生存时间或限制平均生存时间，或比较某一变量的限制平均生存时间，可以采用生存分析。如果自变量有多个，需要从中寻找主要的影响因素，则可以采用Cox回归模型进行分析。若某一变量的βj=0，则称其对风险函数无贡献。对风险函数无贡献的变量可以从模型中剔除，然后重现计算新的Cox模型，称为用Cox回归分析的逐步回归方法对变量进行筛选。（《卫生统计学》赵耐青，下同） 多个自变量之间
Lsky图床使用阿里云OSS
搭建好图床Lsky Pro后，尝试了各种minIO的设置，死活配置不上，只好切换存储到阿里云OSS。访问域名可以用内网机器反代，然后套上CDF，这样可以不会消耗OSS外网流出量。顺便在用户管理，往右划拉，看到编辑按钮，这里可以更改存储容量。 配置示例
Docker：搭建图床Lsky Pro
12345678910version: '3.3'services: lsky-pro: container_name: lsky-pro restart: always volumes: - './lsky-pro-data:/var/www/html' ports: