RNA-seq数据分析实用方法, 介绍了RNA-seq分析的很多方法，比如edgeR，limma包等。

cdma 在黄金代码的帮助下

这是一个新手入门pytorch LSTM代码，大家可以尝试学习

SequenceFile文件格式

CellBender CellBender是一个软件包，用于消除高通量单细胞RNA测序（scRNA-seq）数据中的技术伪像。 当前版本包含以下模块。 将来将添加更多模块： remove-background ： 此模块从（原始）基于UMI的scRNA-seq计数矩阵中删除由于周围RNA分子和随机条形码交换引起的计数。 目前，仅支持由CellRanger count管道生成的计数矩阵。 将来会增加对其他工具和协议的支持。 在可以找到快速入门教程。 请参阅以获取有关使用CellBender的快速入门教程。 安装及使用 手动安装 推荐的安装方法如下。 创建一个conda环境并激活它： $ conda create -n cellbender python=3.7 $ source activate cellbender 安装模块： (cellbender) $ conda in

SUPERmerge是一种ChIP-seq读取堆积分析和注释算法，用于以单个碱基对的分辨率水平研究具有较宽染色质域的弥散组蛋白修饰ChIP-seq数据集的比对（BAM）文件。 SUPERmerge允许灵活调节各种读取堆积参数，从而揭示读取岛如何聚集到整个基因组的覆盖区域，以及它们在单个生物复制物中映射到的注释特征。 SUPERmerge对于研究低样本量的ChIP-seq实验特别有用，在该实验中，表观遗传组蛋白修饰（例如H3K9me1，H3K27me3）产生固有的宽峰，信号富集的扩散范围跨越多个连续的基因组位点和带注释的特征。

FineSplice是TopHat2的Python包装器，旨在可靠地从RNA-Seq数据中识别表达的外显子连接，从而提高了检测精度，而灵敏度损失很小。 使用已知的成绩单注释与TopHat2对齐后，FineSplice将生成的BAM文件作为输入，并输出一组带有相应读取计数的可信的拼接结。 通过基于逻辑回归的半监督异常检测策略，可以滤除由虚假对齐产生的潜在误报。 过滤后，具有唯一位置的多个映射读取将被抢救并重新分配到最可靠的候选位置。 FineSplice需要安装了以下模块的Python 2.x（> = 2.6）：pysam（http://code.google.com/p/pysam/）和scikit-learn（http://scikit-learn.org/） 。 有关更多详细信息，请查看我们的出版物：Nucl。 酸Res。 （2014）doi：10.1093 / nar / gku166

RSoptSC 更新 演示SoptSC 阅读的SoptSC文章 SoptSC也可作为一个MATLAB包 安装 install.packages( " devtools " ) library( devtools ) install_github( " mkarikom/RSoptSC " ) 特征 单个单元之间的单元间通信的推断 在统一的数学框架中整合多种分析：聚类，标记基因，伪时间和谱系推断 单元间相似度矩阵构建可改善聚类 基于NMF的标记基因鉴定 预测存在的簇数（通过相似性矩阵的eigengap属性） 伪时间中初始单元的预测 文献资料 提供了RSoptSC的完整详细信息和示例。

目前很多的行人数据集都是seq视频格式，但是很多时候训练神经网络需要.jpg图片格式，这个小脚本可以将视频按帧采样成图像，我在Caltech行人数据集亲测可用，网上用"\xFF\xD8\xFF\xE0\x00\x10\x4A\x46\x49\x46" 来采样的经过实践显示不好使。

RNA-seq数据分析实用方法，包含了RNA-seq数据分析的各个方面。