基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx

生物集群 为生物信息学实验室构建计算集群的教程 介绍 我是的首席研究员。 在2010年，我为实验室成员构建了一个计算集群，从那时起我们一直在使用该集群。 有时有人问我如何自己管理集群，我通常将他们指向上的文档。 但是，文档可能过于复杂，但不足以解决我在过去几年中遇到的许多实际问题。 因此，我决定编写一个有关为生物信息学实验室构建计算集群的简单教程。 组织 本教程分为几个主要部分： 接触 如果您有任何建议，意见或补充，请分叉存储库，对其进行修改并提交拉取请求。 如果您喜欢此存储库，请单击此页面顶部的“星标”按钮，以表示感谢，这对我确实意义重大。 如果您想收到有关此存储库更改的通知，请单击此页面顶部的“监视”按钮。 执照 您可以不受限制地随意散发，复制，修改，分发，发布或出售本教程中的信息。 有关正式声明，请访问http://kai.mit-license.org/ 。

是一个关于序列分析以及比较统计的DOS程序的软件包，其中包括有距离建树方法和MP建树方法。

生物信息学培训教材（北京华大基因研究中心）经典的培训教程

关于生物信息学的资料 上面是进化算法在基因序列中的应用

33种TCGA肿瘤的拷贝数GISTIC2.0分析结果 单价29.9元，付款后私信给博主，博主分享网盘链接。

生信-国科大雁栖湖春季课程《使用生物信息学2：多组学数据整合和挖掘》知识点整理

森林草莓CENH3基因家族的生物信息学分析，马跃，张天龙，CENH3（centromere-specific histone H3 variant）是着丝粒特异性组蛋白H3变异体。在拟南芥中CENH3基因的改造植株与正常野生型杂交能够获得单倍体�

The Python code and supporting material, including example data files, are available as a single ZIP compressed archive. This must be uncompressed before use and will extract into a folder (directory) called "PythonForBiology", inside which the Python files, ending in ".py", and various sub-folders can be found. This arrangement of files and folders will allow the Python code to run directly from inside the uncompressed "PythonForBiology", i.e. the locations of any modules or data files mentioned in the code (and book) are specified relative to this location. The "examples" sub-folder contains all of the data files that are used as examples to support the Python code described in the book. The "databases" sub-folder relates to Chapter 20 and contains SQL and Python files sub-divided into sections to support both SQLite and MySQL database implementations. The "speedy" folder relates to Chapter 27 and contains code relevant to the binding of fast functions written in the C or Cython languages, including any files required for compilation. Many of the book chapters have a corresponding Python file containing the completed scripts and programs for that chapter. These files may be run directly as Python to test the code they contain. Note that several of these files will not work isolation, given that they import functionality from the others, which are assumed to be in the same folder. Chapters 1-4 and 10 do not have a corresponding Python file given that they only discuss the code in terms of short or incomplete fragments.

参考文献：MUFOLD-SS: New deep inception-inside-inception networks for protein secondary structure prediction 目的：蛋白质二级结构预测。 上传原因：由于文献中的链接失效，因此将之前下载的开源源码上传。仅限学术研究使用。