7k字6 分钟

# 使用 Vue 3 + Element Plus 从头开始写一个数据库网站 - 08 - 使用动态配置编写组件：以页脚美化为例 由于 PrismJS 尚不支持 Vue 的语法高亮，因此 Vue 代码块均先使用 HTML 的高亮 2024-09-23 在前面，我们为了方便，在根组件 ADDB/src/App.vue 中简单写了一个页脚 <el-footer class="footer"> <p>&copy; 2024 Alzheimer's Disease Biomarker Databas
4.4k字4 分钟

# 使用 Vue 3 + Element Plus 从头开始写一个数据库网站 - 07 - 添加 VuePress Theme Hope 作为内嵌文档 由于 PrismJS 尚不支持 Vue 的语法高亮，因此 Vue 代码块均先使用 HTML 的高亮 2024-09-23 VuePress 是一个基于 Vue.js 的静态网站生成器，专为构建技术文档和博客等内容设计。 VuePress Theme Hope 是一个基于 VuePress 的主题，提供了丰富的 Markdown 语法、组件支持、交互演示、幻灯片、搜索等功能。我们采用它来为网站构建一个美观的帮助文档。这里是官方使用指南。 #
1.3k字1 分钟

# 差异基因富集分析与 GSEA 在基因表达研究中，我们常常会遇到这样的问题：找到了一组有趣的基因，它们在某种条件下表现出不同的表达模式，但这些基因到底在干什么？它们有没有共同的作用？富集分析可以回答这些问题。 富集分析方法主要有两种： 传统差异基因富集分析（如 GO/KEGG 分析） GSEA（基因集富集分析）。 # 差异基因富集分析：聚焦在显著差异基因上 在传统的差异基因富集分析中，我们会先筛选出在两种条件下表达差异显著的基因（DEGs），然后分析这些差异基因的功能，看看它们集中在哪些生物过程、功能或通路上。这样我们可以很快找到疾病相关的功能，比如免疫应答、代谢通路等。 优点
13k字12 分钟

# 写一个简单的 R 包：DTII v0.1.0 的开发过程 前段时间参加了字节和 Intel 办的 Bio-OS 开源开放大赛（任务挑战赛），初赛后写了一个小 R 包 DTII，用于从 Open Targets Platform GraphQL API 查询药物 - 靶标 - 适应症相互作用。以此为例介绍一下 R 包的开发流程。 # 准备环境 R 4.4.0 Rstudio devtools: 用于简化包的开发工作流。 install.packages("devtools") roxygen2: 用于生成文档。 install.packages(&quo
21k字19 分钟

# 使用 Vue 3 + Element Plus 从头开始写一个数据库网站 - 06 - 前端与后端的交互 由于 PrismJS 尚不支持 Vue 的语法高亮，因此 Vue 代码块均先使用 HTML 的高亮 2024-09-23 在上一步中，我们已经设计并实现了基础的 API 功能。 现在我们在前端使用 Vue 发送请求并展示数据，分为以下几个步骤： 安装 Axios 用于发送 HTTP 请求 发送请求获取数据 展示 Biomarker 列表 根据条件筛选 Biomarker 点击 Biomarker 显示详细信息 我们仍然通过 Vue 3 的组合式 API 写法来实现这些功能。 #
6.4k字6 分钟

# 使用 Vue 3 + Element Plus 从头开始写一个数据库网站 - 05-API 的设计与实现 由于 PrismJS 尚不支持 Vue 的语法高亮，因此 Vue 代码块均先使用 HTML 的高亮 2024-09-23 # 设计 API 功能 由于这是一个 Biomarker 数据库网站，所以应该具有的基础功能有： 获取 Biomarker 列表，并支持根据条件（如名称和类型）进行筛选； 获取筛选条件，以便前端为用户提供筛选选项； 获取单个 Biomarker 的详细信息； # 实现 API # 创建 biomarkers.js 路由文件 首先，我们在 backend
1.9k字2 分钟

# 文献信息抽取和规范化 # 过去的做法 自我的科研生涯以来，已经参与构建和发布了多个生物标志物数据库。例如： Colorectal Cancer Biomarker Database (CBD2) Aging Biomarker Compendium (ABC) 以及正在做的 Alzheimer's Disease Biomarker Database (ADDB) 在数据收集的开始，我们的标准流程是，讨论制定一个检索词（被称为 PubMed Search Query），然后使用这个检索词在 PubMed 中检索相关文献 例如 Aging Biomarker Compendium
2.5k字2 分钟

# 单细胞分析经验 # 整体描述：聚类，亚群注释，组织分布 细胞分群与注释 非监督聚类算出 marker 已知的 marker # 筛选细胞亚群：基因，功能，TF，互作，拟时序 如何筛选细胞亚群？ Fig1. 整体描述：聚类，不同疾病状态的关系，细胞大群的组织分布。 Fig2. 筛选细胞亚群：特征基因，功能，转录因子，细胞互作，拟时序 Fig3. 稀有且肿瘤富集的细胞亚群 # 巴氏距离（Bhatt distance difference）：量化两个概率分布之间的差异 较大的巴氏距离表明细胞类型或组织之间转录组较大的差异 # 基尼系数（Gini coefficient） Intrat
6.4k字6 分钟

# 使用结构化输出规范 OpenAI API 的输出结果 在 AI 驱动的应用程序中，生成结构化数据是一个核心需求。我们通常希望 AI 能够从非结构化的输入中提取信息，并将其转换为结构化数据格式以便后续的处理。随着 OpenAI API 的发展，** 结构化输出（Structured Outputs）** 特性已经被加入。 # 什么是结构化输出？ 结构化输出是 OpenAI API 的一个新功能，允许我们通过提供 JSON Schema 来限制模型输出，使其完全符合预定义的数据结构。 # 实际应用：生物标志物规范化 我们通过一个例子来展示如何使用结构化输出规范 OpenAI API 的输出结果
3k字3 分钟

# 加权网络属性的计算方法 三个指标（加权度中心性、加权平均路径长度、加权聚类系数）在加权网络中的计算方法与传统未加权网络的指标类似，但在计算时引入了边的权重。以下是每个指标的计算方法及其背后的原理： # 1. 加权度中心性（Weighted Degree Centrality） 加权度中心性考虑了节点与其邻居相互作用的强度，而不仅仅是连接数量。 # 计算公式： 加权度中心性 CD(v)C_D(v)CD​(v) 是某个节点 vvv 连接的边的权重之和： CD(v)=∑u∈N(v)wuvC_D(v) = \sum_{u \in N(v)} w_{uv} CD​(v)=