WSZ@blog

第一部分 试剂介绍 用的是Annexin V-FITC 细胞凋亡检测试剂盒 碧云天 C1062M便宜好用 这个试剂盒的染色试剂为FITC与PI 用带有绿色荧光的荧光探针FITC标记的Annexin V，即Annexin V-FITC，就可以用流式细胞仪或荧光显微镜非常简单而直接地检测到磷脂酰丝氨酸的外翻这一细胞凋亡的重要特征。 碘化丙啶(Propidium Iodide, PI)染色液，碘化丙啶可以染色坏死细胞或凋亡晚期丧失细胞膜完整性的细胞，呈现红色荧光。对于坏死细胞，由于细胞膜的完整性已经丧失，Annexin V-FITC可以进入到细胞浆内，与位于细胞膜内侧的磷脂酰丝氨酸结合，从而也使坏死细胞呈现绿色荧光。 也就是说FITC染色后反应正在凋亡的细胞 PI反应坏死的细胞 FITC+PI反应受处理凋亡影响后死亡的细胞 第二部分 数据录入 ! 直接拉进去，fcs是用BD软件测量完成后导出的，一同导出的也有工作数据，但是在flowjo中用不到 第三部分 圈门 以空无染色为母本 调一下X轴和Y轴的坐标 正常细胞在圈住的地方，角落的是杂质，随后应用全部 第三部分 成图 1.调横坐 ...

WGCNA WGCNA分析基于两个假设：1.相似表达模式的基因可能存在共调控、功能相关或处于同一通路，2.基因网络符合无尺度分布。基于这两点，可以将基因网络根据表达相似性划分为不同的模块进而找出枢纽基因。 12345678910111213141516#0.准备工作---- 需要准备的包rm(list = ls()) #一键清空~options(stringsAsFactors = F)library(stringr)library(limma)library(ggplot2)library(dplyr)library(WGCNA)library(data.table)library(tidyverse)library(openxlsx)#导入数据 exp = read.xlsx("circRNA_Readcounts.xlsx",sheet =1)row.names(exp) = exp[ ,1]exp = exp[ ,-1] 由于我的circRNA预测出的过多，导致大量存在0,1,2等个位数的counts，处理 123456789录入数据预处理，过滤kee ...

序列蛋白初级分析流程，验证则需进行实验 1.通过NCBI中的BLAST模块将克隆所得的牛XXX基因序列进行同源性比对 同源对比可见”系统进化树构建“：https://wsz1207.github.io/2021/07/12/%E7%B3%BB%E7%BB%9F%E8%BF%9B%E5%8C%96%E6%A0%91%E6%9E%84%E5%BB%BA/ 2.运用在线工具ProtPram 分析XXX的蛋白质理化性质； ProtParam能做什么？ 基于蛋白质序列的组分分析； 氨基酸亲疏水性等分析为高级结构预测提供参考。 网址：https://www.expasy.org/ 打开后CTRL+F 搜索ProtParam ![image-20211217091646533] 进入 结果解析 3.ProtScal 分析蛋白质的亲疏水性； 一样在 expasy界面 打开后CTRL+F 搜索ProtScal 继续输入蛋白序列，没差别，界面默认即可 呈上 蛋白的氨基酸序列决定了它的亲水性/疏水性，亲疏水性决定了它在水中的可溶解性，一般高度可溶的蛋白质都是亲水性的部分裸露在最外面，疏水 ...

未处理的数据由于read counts数值过低 导致转换为FPKM和TPM的值也过低，我的数据预测的非编码有6万多个，但是大多表达量低，需要进行过滤 12345rm(list=ls())library(openxlsx)## read in datadat = read.xlsx("circRNA_ALL_Tpm.xlsx",sheet = 1)View(head(dat)) 12345678910#过滤平均Tpm<10的表达值keep <- rowSums(dat>0) >= floor(0.5*ncol(dat)) #floor 向下取整；一行所有值加起来乘以0.5 小于这个的基因全部删除table(keep)filter_count <- dat[keep,]filter_count[1:22,1:22] #选择所有数据dim(filter_count)dat = filter_countView(head(dat))

多组基因差异表达后如何进行Veen，这时可以用到Upset 安装包 1BiocManager::install(c('UpSetR','dplyr','tidyr')) 输入文件 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778rm(list=ls())library(UpSetR)library(dplyr)library(tidyr)library(openxlsx)# 读取6个分组的差异分析结果DEG_DESeq2_Heart_vs_Fat = read.xlsx("condition_Heart_vs_Fat_FC_2_Padj0.05.xlsx",sheet = 1)DEG_DESeq2_Liver_vs_Fat = read.xlsx("c ...

利用imageJ自动细胞计数基于软件自带工具Analyze Particles 首先对图片进行预处理 将RGB的照片转换为8-bit的灰阶图 继续进行Threshold 勾选Dark background或者调节Red颜色 下方比例尺为红色，调节第二行颜色项目转换为白色 有些细胞染色结果不算太好，调节第一行颜色项目增加对比 Apply应用形成二值化的细胞，此图可以打断细胞，但是打断之前填补细胞空洞 随后进行细胞分割 进入Analyze Particles 注意size，多大的颗粒进行细胞计数 利用放大镜找到图片中较小的细胞，利用圆形工具圈起来，进行面积比对 Area158 将下限改为150 出现结果，并且出现每个的面积，后续慢慢识别控制排除错误细胞

学习大佬的Readcounts转换技术 录入的文件格式 1234567891011121314151617181920212223rm(list = ls())Count_rumen <- read.xlsx("XXX.xlsx",sheet = 1)names(Count_rumen)rownames(Count_rumen) <- Count_rumen$CircID#这里我犯了一个极为鱼唇的错误 ‘$了Geneid’，关键还没报错，导致最后计算结果没有了命名metadata <- Count_rumen[,1:2]#提取基因信息count数据前的几列，就像我的文件只需要提取第一和第二列countdata <- Count_rumen[,3:ncol(Count_rumen)]#提取counts数，counts数据主题部分cpm <- t(t(countdata)/colSums(countdata) * 1000000)#参考cpm定义avg_cpm <- data.frame(avg_cpm=rowMeans(cpm)) ...

安装这些包 123BiocManager::install(c("openxlsx",'org.Bt.eg.db','GO.db','topGO', 'GSEABase','clusterProfiler','fgsea', 'tidyr','apeglm','DESeq2','pacman')) 1234rm(list = ls())pacman::p_load("openxlsx",'org.Bt.eg.db','GO.db','topGO', 'GSEABase','clusterProfiler','fgsea' ...

R包安装

首先下载，官网找 https://www.cs.kent.ac.uk/people/staff/dat/miranda/ 输入文件miRNA.fa gene.fa linux版本 1234567wget http://cbio.mskcc.org/microrna_data/miRanda-aug2010.tar.gztar -xzvf miRanda-aug2010.tar.gzcd miRanda-3.3a ./configure --prefix=/home/wangshuzhe/miRanda2010/miRanda-3.3a #--prefix最好设置为当前文件夹的路径make install 1234miranda Bos_All-miRNA.fa TCONS_00009489.fa -out All_miRNA.expressed.fa.out.0 -sc 150.0 -en -30 -scale 4.0 -go -2.0 -ge -8.0 -quiet#从中提取出关键信息grep '>' All_miRNA.expressed.fa ...