上一页 1 2 3 4 5 6 ··· 33 下一页
2024年11月28日
R：Beta回归分析
摘要： rm(list = ls()) library(readr) # 读取 CSV 文件 library(dplyr) # 数据操作 library(tidyr) # 数据整理 library(betareg) # Beta 回归 library(tibble) setwd("C:\\Users\\Ad 阅读全文
posted @ 2024-11-28 17:25 王哲MGG_AI 阅读(213) 评论(0) 推荐(0)
R：alpha多样性线性回归
摘要： rm(list = ls()) library(dplyr) library(broom) library(ggplot2) # 设置工作目录 setwd("C:\\Users\\Administrator\\Desktop\\machine learning\\Multiple Linear Re 阅读全文
posted @ 2024-11-28 16:01 王哲MGG_AI 阅读(63) 评论(0) 推荐(0)
2024年11月26日
R：microtable包alpha多样性计算+Beta多样性（MetaCyc）
摘要： rm(list = ls()) setwd("C:\\Users\\Administrator\\Desktop\\machine learning\\Diversity_pathway") library(microeco) library(magrittr) library(file2meco) 阅读全文
posted @ 2024-11-26 10:39 王哲MGG_AI 阅读(137) 评论(0) 推荐(0)
R：microtable包alpha多样性计算+Beta多样性（微生物丰度）
摘要： rm(list = ls()) setwd("C:\\Users\\Administrator\\Desktop\\machine learning\\Diversity") library(microeco) library(magrittr) feature_table <- read.tabl 阅读全文
posted @ 2024-11-26 10:38 王哲MGG_AI 阅读(211) 评论(0) 推荐(0)
R : 计算平均Bray-Curtis距离.R
摘要： rm(list = ls()) setwd("C:\\Users\\Administrator\\Desktop\\machine learning\\Multiple Linear Regression") # 导入所需的库 # 如果需要的话，可以使用 `install.packages("rea 阅读全文
posted @ 2024-11-26 10:37 王哲MGG_AI 阅读(301) 评论(0) 推荐(0)
2024年11月11日
Meta-Network
摘要： Meta-Network 是一种整合多个数据来源和多种网络信息的网络分析方法，用于研究复杂生物系统中的不同层次关系（如基因、蛋白质、微生物等）以及它们之间的交互。Meta-Network 分析可以在多组学和生态学等研究中实现网络的整合和多尺度分析。 Meta-Network 的核心思想 Meta-N 阅读全文
posted @ 2024-11-11 17:03 王哲MGG_AI 阅读(168) 评论(0) 推荐(0)
REBACCA网络推断方法
摘要： REBACCA（REconstruction of Bacterial Community Composition through Adjustment for Compositionally Confounded Associations）是一种用于分析微生物组组成数据的新方法，专门设计用于减轻组 阅读全文
posted @ 2024-11-11 17:00 王哲MGG_AI 阅读(89) 评论(0) 推荐(0)
CCLasso（Compositionality Corrected Lasso）网络推断方法
摘要： CCLasso（Compositionality Corrected Lasso）是一种基于 Lasso 回归的网络推断方法，专门设计用于处理组成型数据（如微生物相对丰度数据）。CCLasso 的核心思想是利用正则化回归（Lasso）和对数比率转换来构建稀疏网络，从而减轻组成效应对数据分析的影响。 阅读全文
posted @ 2024-11-11 16:57 王哲MGG_AI 阅读(126) 评论(0) 推荐(0)
SparCC原理
摘要： SparCC（Sparse Correlations for Compositional Data）是一种专为处理组成型数据（如微生物相对丰度数据）设计的相关性计算方法。它假设大多数物种之间的关系是稀疏的，即在生态系统中，不是所有物种都直接互相作用。其核心思想是通过计算组成数据中各物种的稀疏相关矩阵 阅读全文
posted @ 2024-11-11 16:45 王哲MGG_AI 阅读(1015) 评论(0) 推荐(1)
2024年11月7日
LEfSe的通俗解释
摘要： 场景：不同饮食习惯对肠道微生物的影响 假设我们想研究两组人群——“素食者”和“肉食者”，看看他们肠道中的微生物组成有何不同。我们收集了两组人的肠道样本，测量了每个样本中的微生物种类和数量，并想找出哪些微生物在两组人之间有显著差异。 LEfSe的工作步骤 统计检验——找出显著差异的微生物 LEfSe首 阅读全文
posted @ 2024-11-07 16:39 王哲MGG_AI 阅读(398) 评论(0) 推荐(0)
上一页 1 2 3 4 5 6 ··· 33 下一页