之前通过tcpa下载过蛋白数据，而TCGAbiolinks也有下载蛋白质组学数据的示例，后者看上去更全面一点。 下载数据123456789library(TCGAbiolinks)query.rppa <- GDCquery( project = "TCGA-PRAD", data.category = "Proteome Profiling&qu

在分析数据集时，常常会碰到一些缺失值，如果缺失值的数量相对总体来说非常小，那么直接删除缺失值就是一种可行的方法。但某些情况下，直接删除缺失值可能会损失一些有用信息，此时就需要寻找方法来补全缺失值。（庄闪闪） 安装包 conda create -n MICE -c conda-forge r-mice -y conda activate MICE conda install -c conda-for

之前TCGAbiolinks下载甲基化数据的hg19的数据下载好了，现在继续进行分析 安装包 conda create -n rGADEM -c conda-forge r-base=3.6 -y conda activate rGADEM conda install -c bioconda bioconductor-motiv -y conda install -c conda-for

之前用GOplot绘制了富集系统聚类图，感觉非常好看也非常实用，因此简化一下调用流程 12345678910f_GOplot <- function(GOplotIn, genedata, filePath, Category='enricher', width = 12, height = 8){ names(GOplotIn) <- c(

用DESeq2计算的结果，有时候绘图时，会发现有些差异基因的P值为0，这时候可以通过使用其他方法来计算P值，代替为0的p值，在不改变结果的前提下让火山图更好看。 读入数据123456789101112DEG <- readRDS('../../../DEG/CELL/C42vsLNCaP_EtOH.rds')DEG <- subset(DEG, !grepl(&#x

糖糖家的老张的教程使用记录 安装补充包 conda activate clusterprofiler BiocManager::install(“GOplot”) 计算差异基因f_DESeq2、f_dedup_IQR 1234567891011r1 <- f_DESeq2(cts_b[keep,], geneInfo[keep,], Ct1, Tt1)DEG <- subset(r

清洗数据123456789101112vsted <- readRDS('rininiang.rds')group <- readRDS('tcga.predict.rds')incSample <- rownames(group)[group$group == 'High Risk']pwayGSE <- re

安装补充包 conda activate tcga # conda install -c bioconda bioconductor-sesamedata -y conda install -c conda-forge r-magick -y BiocManager::install(“sesameData”) BiocManager::install(“sesame”) BiocManager:

下载Gene水平的数据12345678910library(TCGAbiolinks)query <- GDCquery( project = "TCGA-PRAD", data.category = "Copy Number Variation", data.type = "Gene Level Copy Number&q

下载数据 ~/dev/xray/xray -c ~/etc/xui2.json & 123456789101112library(TCGAbiolinks)Sys.setenv("http_proxy"="http://127.0.0.1:20809")Sys.setenv("https_