DNA序列

如果您使用我们的代码，请务必引用我们的论文《一种新的基于傅立叶功率谱的DNA序列聚类方法》！论文链接：http://dx.doi.org/10.1016/j.jtbi.2015.026

DNA 序列分割的研究，数据挖掘技术用得挺溜的，尤其是那种能从海量序列中扒出规律的算法，真不赖。PDF 文档讲得比较系统，从基本原理到常用方法，像PrefixSpan、傅立叶功率谱这些技术也都有提到。你要是碰巧做生信相关的前端可视化，顺手看看这类算法结构，说不定会有灵感。Matlab那块也有代码示例，虽然不是前端代码，但懂点逻辑也有。 序列数据里的模式不好抓，尤其像 DNA 这种长又杂的字符串。文档里提到的序列模式挖掘和时间序列平滑方法，其实蛮多能借来在前端搞些动画数据预测啊、用户轨迹还原啥的。尤其你要做可视化组件，可以考虑把结果在D3.js或ECharts里展示，数据结构也好。 推荐你顺带看

比较了水生微生物生态学中两种广泛使用的DNA提取方法：苯酚-氯仿法和PowerSoil DNA分离试剂盒。研究评估这两种方法在社区生态学分析中的适用性和效果。尽管OTU数量较少，但这些方法对社区结构的影响显著，且它们的结果差异显著，不可相提并论。文章提供了用于统计分析的脚本，并包含了相关数据集的SRA登录号在NCBI数据库中。

这个软件包是Phylip 3.6中dnapars.exe的修改版本，原先的版本使用菜单设置参数，我改为了命令行驱动的mbetoolbox_dnapars.exe，并为其构建了MATLAB接口。在MATLAB中，只需设置路径后，您可以轻松地运行mbetoolbox_dnapars。输入文件应为Phylip格式的对齐DNA序列，命名为“infile”。更多关于Phyip包的信息，请参考：http://evolution.genetics.washington.edu/phylip.html。

BWA是一款用于将DNA序列与参考基因组比对的重要软件工具。这种序列比对技术帮助生物学家确定DNA片段的基因组来源，是RNA-seq、ChIP-seq和DNase-seq等许多生物信息学数据分析的关键步骤。

PERDIX (P rogrammed Eulerian Routing for DNA Design using X-overs) is a new, free, and open-source software package written in FORTRAN 90/95 that automates the conversion of 2D computer-generated design files into DNA sequences. These sequences can then be synthesized and mixed to create high-fideli

matlab 的喷泉码编码器，用起来还挺顺的，尤其是你在搞DNA 存储这块的话，真的是蛮实用的。里面的LT_code.m核心文件结构清晰，参数也都开出来了，调试起来不会太难。 喷泉编码的底子是来自那篇比较有名的论文——Erlich 和 Zielinski 在 Science 2017 年发的。用的是 LT 码那一套思路，再结合上GC 含量和同碱基最大连续数这些约束，你能灵活地配置你的编码策略。比如你要完全放飞，就把Max_run_length设 152；如果你要比较规范，就给它设 3 就好了。 还有个亮点是它的编码约束设置，在LT_code.m文件里直接改就行，不用到处找。Max、Min 的

ALTER SEQUENCE 语句可修改序列的增量值、最大值、最小值、循环选项和缓存选项。如果序列达到 MAXVALUE 限制，修改序列继续使用。

本代码库提供基于MATLAB的非参数化模型，用于预测嗜酸嗜热菌DNA结合蛋白HTa的结合位点。该模型利用LASSO回归算法，并结合MNase-seq数据进行峰值检测和评分，进而评估HTa蛋白在不同基因组区域的结合差异。 代码使用方法: 运行LASSO_Input_file_generation.R脚本生成LASSO模型的输入文件。 使用MATLAB R2018a版本运行AH_LASSO_script.m脚本，输入步骤1生成的模型文件，得到LASSO模型系数。 运行LASSO_output_file_generation.R脚本，输入步骤2得到的模型系数以及计算得到的Kmers丰度，生成最

Thang Luong、Eugene Brevdo和赵瑞编写的神经机器翻译（seq2seq）教程，这是谷歌项目的一个分支。本教程帮助使用稳定TensorFlow版本的研究者快速上手。它详细介绍了如何构建竞争力强的seq2seq模型，特别适用于神经机器翻译任务。教程提供了最新的解码器/注意包装器，结合了TensorFlow 1.2数据迭代器和专业的递归模型知识，为构建最佳NMT模型提供了实用的提示和技巧。完整的实验结果和预训练模型在公开可用的数据集上进行验证。