FragPipe 是一套计算工具的 Java 图形用户界面 (GUI)，能够对基于质谱的蛋白质组学数据进行综合分析。 它由提供- 一种适用于常规和“开放”（宽前体质量耐受性）肽识别的超快蛋白质组学搜索引擎。 FragPipe 包括工具包，用于 MSFragger 搜索结果（PeptideProphet、iProphet、ProteinProphet）的下游后处理、FDR 过滤、基于标签的量化和多实验总结报告生成。 和以帮助解释开放搜索结果。 FragPipe 二进制文件中还包括用于基于 TMT/iTRAQ 同量异位标记量化的 、用于具有运行间匹配 (MBR) 功能的无标签量化的 、SpectraST 和 EasyPQP 谱库构建模块以及 DIA-Umpire SE 模块用于直接分析数据独立采集 (DIA) 数据。 FragPipe 教程 （涵盖所有 FragPipe 模块的通用教程）

我们的生物分析研究利用实用且高效的高通量技术来分析源自生命系统的复杂混合物。 这将促进针对特定疾病的预防，预测和个性化医学的发展，并将促进健康。 我们使用许多高通量分析平台，包括蛋白质组学和代谢组学的多维液相色谱-质谱（MDLC-MS）； 液相色谱-质谱（LC-MS）和全面二维气相色谱-质谱（GCxGC / TOF-MS）。 每种类型的分析对患者样品中存在的分子提供有限的分析物覆盖范围，因此对于单个患者仅提供部分分子概况。 这些多样化的分析数据必须与先进的生物信息学方法集成在一起，以准确评估健康状况并检测疾病易感性。

测序技术推进科学研究的发展。随着第二代测序技术的迅猛发展，科学界也开始越来越多地应用第二代测序技术来解决生物学问题。比如在基因组水平上对还没有参考序列的物种进行从头测序（de novo sequencing），获得该物种的参考序列，为后续研究和分子育种奠定基础；对有参考序列的物种，进行全基因组重测序（resequencing），在全基因组水平上扫描并检测突变位点，发现个体差异的分子基础。在转录组水平上进行全转录组测序（whole transcriptome resequencing），从而开展可变剪接、编码序列单核苷酸多态性（cSNP）等研究；或者进行小分子RNA测序（small RNA sequencing），通过分离特定大小的RNA分子进行测序，从而发现新的microRNA分子。在转录组水平上，与染色质免疫共沉淀（ChIP）和甲基化DNA免疫共沉淀（MeDIP）技术相结合，从而检测出与特定转录因子结合的DNA区域和基因组上的甲基化位点。

CytoSPACE：scRNA-seq数据到空间转录组学数据的最佳映射 CytoSPACE是一种新颖的计算策略，用于在空间转录组（ST）测量可能包含多个细胞的贡献的情况下，将单细胞转录组分配给原位空间转录组数据。 我们的方法通过基于线性编程的优化例程将基于相关的成本函数最小化，从而解决了单个像元/点分配问题。 该存储库包含用于实现和评估我们的方法的代码以及一个应用该方法的案例研究。 我们方法的关键创新是： 与常规方法相比，CytoSPACE在单个细胞水平上解剖给定组织中细胞的空间组织。 由于我们的方法从scRNA测序数据中绘制了单个细胞，与可用的空间转录组学技术相比，每个细胞中都有大量的基因被测序，因此我们的方法显着改善了重建组织的基因覆盖率。 我们的方法不需要有关细胞类型和细胞状态的先验知识。 主要实现是作为Python 3软件包。 要查看SpatialDE的用法示例，请继续

ProteoWizard库和工具是一组模块化且可扩展的开源，跨平台工具和软件库，可促进蛋白质组学数据分析。 这些库通过提供一个健壮的，可插拔的开发框架来实现快速的工具创建，该框架可简化和统一数据文件的访问，并执行标准化学分析和LCMS数据集计算。 核心代码和库受Apache开源许可； 供应商库受各种特定于供应商的许可的约束。 产品特点 HUPO-PSI mzML标准质谱数据格式的参考实现 支持HUPO-PSI mzIdentML 1.1标准质谱分析格式 支持直接从许多供应商原始数据格式中读取（在Windows上） 现代C ++技术和设计原理 具有本机编译器的跨平台（Windows上的MSVC，Linux上的gcc，OSX上的darwin） 模块化设计，可测试性和可扩展性 快速开发数据分析工具的框架 适用于学术和商业项目的开源许可证（Apache v2） 正式建造状态 操作系统 状态

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

1. 影像获取及标准化︰美国国立卫生研究院(National mitites of Health，NIH)和国家癌症研究院（(MatiomalCace lonsitue ,NCI通过与多个国家医疗机构合作，建立了标准化临床影像数据库，涵盖肺部、脑部、乳腺、前列腺等重要器官; 2. 高通量特征的稳定性:提升机器特征提取算法的准确率，同时可以采取机器和手工相结合的方法，降低机器获取特征的错误率; 3. 特征选择和建模:寻找使用广泛的特征选择和模式识别算法也是未来影像组学发展的趋势之一； 4. 多中心验证:一般我们针对单一机构的小样本探索，所得到的结果缺乏广泛验证，未来的影像组学需要多中心，大样本，随机对照的反复锤炼，这也是解决摸型泛化性不足的一个方案，也是未来研究的发展趋势；

远程服务器运行matlab代码银河-M 代谢组学工具 此处存储的文件夹对应于在标准Galaxy安装中找到的文件夹。 包括用于代谢组学分析的工具文件（原始代码和.xml包装程序）以及有效安装的Galaxy的Galaxy配置文件。 并非所有配置文件都已更改，但为了完整起见，此处都包含了所有配置文件。 这些文件经过测试的Galaxy版本来自Github的Master分支：commit c429777c93680dcee449fe410f5360afbe673758。 GigaScience出版物使用的MI-Pack版本是Github commit：06ce0ace643ee1cf1d27550769a5272b7ea50825 可用性和要求 ###编程语言（给定的版本用于开发，其他版本也可能兼容）： -（注意：MATLAB Runtime是一组独立的共享库，可在未安装MATLAB的计算机上执行已编译的MATLAB应用程序或组件。每个都包含大多数工具的可执行文件） （可选：工具的开发和使用） （可选：ftool的开发和使用） ＃＃＃其他需求： ＃＃＃执照： ###非学术界使用的任何限制： 使用

北京农林作物基因组与生物信息学培训的内部讲义，包括1、深度学习基础，2、及其在基因组选择中的应用实例介绍

2020年人口基因组学 描述 课程结束后，学员将对进行典型人群基因组研究所需的方法和应用有详细的了解。 参加者必须在课程结束时能够： 确定与种群基因组分析相关的实验平台。 应用常用的种群基因组方法。 解释常见种群基因组方法背后的理论。 反思种群基因组方法的优势和局限性。 解释和分析总体基因组推论的结果。 根据数据制定人口遗传学假设 该课程介绍了人口基因组学中的关键概念，从生成种群遗传数据集到最常见的种群遗传分析和关联研究。 本课程的第一部分着重于群体遗传数据集的生成。 第二部分介绍了最常见的群体遗传分析及其理论背景。 这里的主题包括人口统计分析，人口结构，重组和选择。 本课程的最后一部分着重于人口遗传数据集在与人类健康相关的关联研究中的应用。