新春临近，又到了年底总结的时候。从下周开始到过年期间，公众号就不再更新了。感谢过去一年粉丝们的支持，每一次阅读和点赞，都是对我的鼓励。在此，提前祝各位公众号的粉丝
新春临近，又到了年底总结的时候。从下周开始到过年期间，公众号就不再更新了。感谢过去一年粉丝们的支持，每一次阅读和点赞，都是对我的鼓励。在此，提前祝各位公众号的粉丝们，阖家幸福，万事如意！
推文合集，是本公众号的特色栏目，以方面方面我记录总结，也方便粉丝们阅读浏览。2020年发送的推文列表如下
ATAC
- 最近大火的ATAC, 究竟是干什么的
- 引用2115次的ATAC经典论文解读
- 划重点|ATAC的peak shift需要这样做
- 给你bam文件，你会画插入片段长度分布图吗？
- 跟着ENCODE学习ATAC文库的质控标准
- 解密ATAC中的测序饱和度分析
- NGS测序中PCR重复序列的判定方法
- 从GTF文件中提取TSS上下游1kb的区间，要多少行代码？
- 获取参考基因组chrom.sizes文件的3种方式
- 使用ATACseqQC进行质控
- 自己动手计算TSS Enrichment score
- R语言也可以进行ATAC数据的完整分析啦！
- 引用2000多次的ATAC经典文献也在用的peak calling软件-Genrich
- 衡量ATAC文库复杂度的3个指标
- 又一个ATAC分析的pipeline:PEPATAC
- 巧用TagAlign格式来进行ATAC中的shift reads操作
- 手把手教你计算FRiP score的值
- 使用picard评估文库复杂度
- 使用Preseq评估文库复杂度
- F-seq:一个古老的peak calling工具
- 强烈推荐！Encode官方的ATAC数据分析流程
- 使用IDR软件处理生物学重复样本的peak calling
- 没有生物学重复怎么办，pseudo replicates了解一下
- 想进行ATAC实战分析却苦于没有实际数据，看这里
- peak差异分析的工具那么多，如何选择？
- 使用MACS2进行差异peak分析
- 使用DiffBind进行peak 差异分析
- 表观转录组学-m6A简介
IGV基因组浏览器
- 玩转基因组浏览器之初识IGV
- 玩转基因组浏览器之使用IGV查看基因结构信息
- 玩转基因组浏览器之自定义IGV的参考基因组
- 玩转基因组浏览器之IGV展示bam文件
- 测序深度的计算，你真的掌握了吗
- 玩转基因组浏览器之tdf文件
- 玩转基因组浏览器之分面操作
- 玩转基因组浏览器之展示bed文件
- 玩转基因组浏览器之VCF文件的可视化
- 玩转基因组浏览器之查看MAF文件
- 玩转基因组浏览器之查看gwas结果
- 玩转基因组浏览器之查看CNV分析结果
- 玩转基因组浏览器之展示RNA_seq中的基因表达量
- 玩转基因组浏览器之IGV进行序列比对
- 玩转基因组浏览器之利用IGV查找motif结合位点
- 一看就能学会的，不同基因组版本坐标转换方法
python基础语法
- 人生苦短，我用python
- windows上python开发环境的搭建
- python语法基础
- python中数值相关的操作
- python中的序列对象
- python列表常见操作技巧汇总
- python中集合set的使用场景概述
- python中字典dict的操作技巧汇总
- python中字符串的基本操作汇总
- python中的字符串格式化
- python中的正则表达式
- python中函数的基础用法
- python中函数的进阶用法
- python中的文件读写
- python中文件目录操作的常见方法
- python读写压缩文件
- python读写csv文件
- python执行系统命令
- python读写json文件
- python读写ini格式的配置文件
- python读取xml格式的文件
- python sys模块的常见用法汇总
- python argparse处理命令行参数
- python日期和时间的操作方法汇总
- 使用python collections模块中提供的数据结构
- python multiprocessing模块进行多进程处理
- python海量数据快速查询的技巧
- 使用python urllib进行网页爬取
- python threading模块进行多线程编程
- python中的生成器和迭代器
- python中的异常捕获
- python中的命名空间和变量作用域
- python中的模块与包
- python代码规范
- 使用jupyter notebook运行python和R
numpy和pandas
- python numpy 初识
- numpy中的索引技巧详解
- numpy中的掩码数组
- Broadcast: Numpy中的广播机制
- numpy中常用的数学运算和统计函数汇总
- numpy中数组的遍历技巧
- numpy中数组操作的相关函数
- numpy中生成随机数的技巧汇总
- numpy中的文件读写
- 初识pandas
- 使用pandas进行文件读写
- 访问和提取DataFrame中的元素
- pandas合并和连接多个数据框
- pandas中数据框的reshape操作
- pandas中的数据处理利器-groupby
- pandas中的index对象详解
- pandas中的字符串处理函数
- pandas中的缺失值处理
- pandas中的窗口处理函数
- pands中的日期和时间操作
- numpy和pandas的参考手册
matplotlib和seaborn
- matplotlib简介
- matplotlib基础绘图命令之plot
- matplotlib基础绘图命令之bar
- matplotlib基础绘图命令之pie
- matplotlib基础绘图命令之scatter
- matplotlib基础绘图命令之errorbar
- 一文搞懂matplotlib中的颜色设置
- matplotlib基础绘图命令之hist
- matplotlib基础绘图命令之boxplot
- matplotlib基础绘图命令之violinplot
- matplotlib基础绘图命令之imshow
- 给你的热图挑选一个合适的渐变色
- 掌握坐标轴的log转换
- 点线图和阶梯图的画法
- 为你的数据添加置信区间
- 添加直线的两种方式
- 用箭头和文字来标记重要的点
- 绘制双坐标轴图
- 对图标的坐标轴进行调整
- 个性化调整坐标轴的颜色和位置
- matplotlib实现一页多图
- 用matplotlib实现画中画
- 为matplotlib设置不同的主题
- 通过cycler实现属性的自动映射
- 为你的图片添加图例
- matplotlib中的黑魔法：constrained和tight layout
- 用不同的坐标系统对图形元素进行定位
- 使用matplotlib绘制3D图表
- 在图中添加多边形
- 设置坐标轴刻度的位置和样式
- 极坐标系在数据可视化中的巧妙运用
- 多张热图的排版技巧
- seaborn更高效的统计图表制作工具
- seaborn关联图表之折线图和散点图
- seaborn数据总体分布的可视化策略
- seaborn分类变量的汇总展示
- seaborn可视化数据框中的多个列元素
- 使用seaborn绘制热图
- jointplot快速探究两组变量的分布及关系
- seaborn绘图风格的设置
- 在seaborn中设置和选择颜色梯度
python爬虫
- python爬虫开发的学习路径
- 用户代理在爬虫中的应用
- IP代理在网络爬虫中的应用
- cookie在爬虫中的应用
- 动态网页常用的两种数据加载方式ajax和js动态请求
- 使用selenium自动化操作浏览器
- 使用BeautifulSoup解析网页内容
- xpath语法简介
- 初识scrapy爬虫框架
- scrapy实践之翻页爬取
- scrapy实践之item pipeline的使用
- 获取用户代理的多种方式
- scrapy实践之中间件的使用
- scrapy实践之settings的配置
python办公自动化
- 使用openpyxl读写excel文件
- 通过xlrd和xlwt模块读写excel文件
- 使用python-docx模块读写word文件
- 使用python将word文档转换为PDF文档
- 使用pdfminer提取PDF文件中的文字
- 通过python-pptx模块操作ppt文件
- 使用python自动化发送邮件
python与生物信息
- conda:基于python的软件管理系统
- 解密conda channels
- 管理conda environments
- conda之packages管理
- 使用pysam操作BAM文件
- 使用pyBigWig模块查看bigwig文件中的内容
- pybedtools:对bedtools的封装和扩展
- 使用biopython处理序列数据
- 序列比对在biopython中的处理
- 使用biopython查询NCBI数据库
- 进化树在biopython中的可视化
- 使用biopython可视化染色体和基因元件
- 使用biopython解析kegg数据库
机器学习
- 机器学习简介
- 使用scikit-learn构建数据集
- 使用scikit-learn填充缺失值
- 使用scikit-learn对数据进行预处理
- 线性回归与最小二乘法
- 基于正则化的回归：岭回归和套索回归
- 使用局部加权线性回归解决非线性数据的拟合问题
- 逻辑回归:建立在回归基础上的一种分类模型
- KNN:最容易理解的分类算法
在辞旧迎新的时刻，总是要总结过去，展望未来。回首2020，这一系列的推文不仅仅记录了过去一年的努力，也指引了未来奋斗的方向。在整理的过程中，发现自己学习了这么多的东西，还是会感到一丢丢的满足，积跬步，至千里。新的一年，继续起航！
·end·
一个只分享干货的
生信公众号