RNA-seq

这篇指南演示RNA-seq分析的基本流程及其背后的差异基因表达检测。在开始操作之前，建议您先了解一些生物信息学和癌症基因组学的背景知识。将解释基因表达的概念，包括相对值和绝对值的区别，以及单核苷酸多态性和体细胞突变的解释。此外，您还将了解高通量测序（例如illumina）的原理，以及fastq文件和gtf文件的格式。最后，介绍如何使用TCGA数据库及在线工具进行分析，涵盖了cBIportal和GEPIA2的应用。

Matlab的矩阵自动拼接功能不断扩展，适用于RNA-seq相关工具和基因组数据分析资源。可以通过FastQC / MultiQC、TrimGalore、STAR（两次通过模式）、RSEM（用于异构体定量）、DESeq2等工具进行处理。使用ERCC进行标准化，生成未归一化和归一化计数数据。进一步进行PCA、热图及其他可视化分析。

高通量RNA测序（RNA-Seq）技术的出现为解决以往难以攻克的生物学难题提供了新的途径。通过对转录组进行全面分析，RNA-Seq能够实现对样本中所有基因及其异构体的完整注释和定量。然而，要充分发挥RNA-Seq技术的潜力，需要越来越复杂的计算方法来应对数据分析带来的挑战。

利用粗糙集算法及其工具Rosetta软件，建立了一种RNA保守功能二级结构预测方法。该方法通过数据挖掘，从整理和离散化的RNA碱基对数据中生成规则，从而确定保守二级结构中的碱基对。在HIV病毒REV应答元件单元保守二级结构预测中，粗糙集方法比传统算法预测的结构与野生型更相似，功能结构分支更清晰。

描述COVID-19患者的临床特征。 识别和量化血浆样品中的已知miRNA。 发现和量化新的人类miRNA。 分析miRNA与COVID-19预后之间的关联。

该工具库包含多个部分，用于描述论文中的分析过程，涵盖组蛋白修饰信息的分析。用户可以从GitHub下载文件，将目录更改为CRK，然后进行进一步的分析。同时，从GEO网站下载GSE105012_RAW.tar文件，并保存到GSE105012文件夹中。

这篇论文提供了一种基于深度双随机图正则化矩阵分解的方法，用于单细胞RNA测序中的细胞类型检测。编码使用MATLAB实现，主要包括 run_DSINMF.m、factorization_AB.m、factorization_BF.m、constructW.m、NormalizeUV.m、bestMap.m、compute_NMI.m、AMI.m 和 ARI.m 等文件。用户需下载DSINMF文件夹，并参照README.doc进行操作。