科普

注释过程：这一步一般都需要手动去鉴定和校正，当然也可以利用一些软件来校正，运用这类过程的 软件 JIGSAW、 EVidenceModeler (EVM)和 GLEAN (以及后续软件 Evigan) 。 通过估计每一个来源的基因证据误差的类型和频率, 进而选择误差最小的结果 maker 在基因组注释上，MAKER算是一个很强大的分析流程。能够识别重复序列，将EST和蛋白序列比对到基因组，进行从头预测，并在最后整合这三个结果保证结果的可靠性。此外，MAKER还可以不断训练，最初的输出结果可以继续用作输入训练基因预测的算法，从而获取更高质量的基因模型。 需要的数据包括dpp开头（这里dpp是这个例子中注释对象的简称）的以下文件 protein表示是同源物种的蛋白序列，est是表达序列标签，存放的是片段化的cDNA序列，而contig则是需要被预测的基因组序列。 由于基因组注释设计到多个程序，多个步骤，每个步骤可能都有很多参数需要调整，因此就需要建立专门的配置文件用来告诉maker应该如何控制流程的运行。 如下步骤创建三个以ctl结尾的配置文件 maker_exe.ctl: 执行程序的路径 maker_bopt.ctl: BLAST和Exonerate的过滤参数 maker_opt.ctl: 其他信息，例如输入基因组文件 maker_exe.ctl和maker_bopt

git tag 按字母排序显示标签 git tag v1.01 打上v1.01这个标签 git show v1.01 显示这个标签的详情 可以同时打多个tag指向同一个时间点上的版本 git push origin --tags 推送本地所有新增标签到远端 ps：下面看下git命令之git tag 给当前分支打标签 列出标签 $ git tag # 在控制台打印出当前仓库的所有标签 $ git tag -l ‘v0.1.*' # 搜索符合模式的标签 打标签 git标签 分为两种类型：轻量标签和附注标签。轻量标签是指向提交对象的引用，附注标签则是仓库中的一个独立对象。建议使用附注标签。 # 创建轻量标签 $ git tag v0.1.2-light # 创建附注标签 $ git tag -a v0.1.2 -m “0.1.2版本” 创建轻量标签不需要传递参数，直接指定标签名称即可。 创建附注标签时，参数a即annotated的缩写，指定标签类型，后附标签名。参数m指定标签说明，说明信息会保存在标签对象中。 切换到标签 与切换分支命令相同，用git checkout [tagname] 查看标签信息 用git show命令可以查看标签的版本信息： $ git show v0.1.2 删除标签 误打或需要修改标签时，需要先将标签删除，再打新标签。 $ git tag -d v0.1.2

创建标签 创建标签：git tag <tagname> 创建一个含附注类型的标签： git tag -a <tagname> -m 'my version 1.4' 　　用 -a （译注：取 annotated 的首字母）指定标签名字，而 -m 选项则指定了对应的标签说明，Git 会将此说明一同保存在标签对象中。如果没有给出该选项，Git 会启动文本编辑软件供你输入标签说明。 创建并签署标签：git tag -s <tagname> -m 'my signed 1.5 tag' 　 　　如果你有自己的私钥，还可以用 GPG 来签署标签，只需要把之前的 -a 改为 -s （译注： 取 signed 的首字母）即可 查看标签 查看当前本地分支标签：git tag 　　显示的标签按字母顺序排列，所以标签的先后并不表示重要程度的轻重，默认标签是打在最新提交的commit上的。 查询指定范围标签：git tag -l 'v1.4.2.*' 查看相应标签的版本信息： git show <name> 　　连同显示打标签时的提交对象，加name 查看指定标签的版本以及提交对象的信息 查询远程标签： 这个暂且不知，知道的告诉一下，谢谢！ 发布/推送标签 推送某个标签到远程：git push origin <tagname> 一次性推送全部尚未推送到远程的本地标签：git push origin -

Dom的操作流程 　　1. 找到标签。 　　2. 操作标签。 查找标签 1. 直接查找document.getElementById 根据ID获取一个标签 document.getElementsByName 根据name属性获取标签集合 document.getElementsByClassName 根据class属性获取标签集合 document.getElementsByTagName 根据标签名获取标签集合 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 2. 间接查找parentNode 　　// 父节点 childNodes 　　 // 所有子节点 firstChild 　　 // 第一个子节点 lastChild 　　 // 最后一个子节点 nextSibling 　　// 下一个兄弟节点 previousSibling 　　// 上一个兄弟节点 parentElement // 父节点标签元素 children // 所有子标签 firstElementChild // 第一个子标签元素 lastElementChild // 最后一个子标签元素

可见光波长范围：390~760纳米。 红光：波长范围：760~622纳米； 橙光：波长范围：622~597纳米； 黄光：波长范围：597~577纳米； 绿光：波长范围：577~492纳米； 青光：波长范围：492~450纳米； 蓝光：波长范围：450~435纳米； 紫光：波长范围：435~390纳米；可见，波长紫光最短，红光最长电场：　　0.无限大平面电场分布　　1.平行电容器的电场分布　　2.球壳电场分布　　3.通电长直线电场的分布　总结：做高四面，用高斯公式电势： 求带点圆环轴线上的电势分布（ ，对q积分） 带点量为q的圆盘再轴线上的电势分布（可以把圆盘看作无数个圆环，然后对dr积分，因为dV=dq/***,所以要将dq转化为dr才好积分， ） 球壳电势分布（用高斯公式求出电场强度，再对dr积分） 　　 4.无限长导体棒0电势点不能选取无限远处（选距导线r处的q点为0点） 电磁学： 静电只存在与导体表面 毕奥-萨法尔定律的dl对应导线长度 无限长导线周围的磁感应强度：u0I/2pix； 磁场的安培环路定理：磁感应强度B沿任意闭合曲线L的线积分等于该闭合回路所包围的电流代数和的u0倍 磁场力：BIL； 电与磁的联系： 求一导体棒绕一端点再磁场内转动，产生的感应电动势（为了使用电磁感应定律，选取一个虚拟闭合回路，然后利用公式计算，方向：直接楞次定理判定）

变化的电磁场 电磁感应定律 电磁感应现象 ：当穿过闭合回路的磁通量发生变化时，不管这种变化是由于什么原因引起的，回路中都有电流产生，这种现象称为电磁感应现象，回路中产生的电流称为感应电流 法拉第电磁感应定律 电磁感应定律定量表达式 ：导体回路中产生的感应电动势的大小，与穿过导体回路的磁通量对时间 的变化率成正比 \[\varepsilon_i=-\frac{dN\Phi_m}{dt} \] 其中N为匝数 据此，穿过导线截面的感应电量为: \[q=-\int_{t_1}^{t_2}\frac{1}{R}\frac{d\Phi_m}{dt}dt=\frac{1}{R}(\Phi_1-\Phi_2) \] 楞次定律 楞次定律 ：闭合回路中感应电流的方向总是使其所激发的磁场来阻止或者补偿引起感应电流的磁通量变化 动生电动势和感生电动势 动生电动势： 动生电动势使由于导体或者导体回路在恒定磁场中运动而产生的电动势 动生电动势公式： \[\varepsilon_i=\int_b^a(\vec v \times \vec B)\cdot d\vec l \] 感生电动势和感生电场 感生电动势 由于磁场发生变化而激发的电动势 麦克斯韦假设： 变化的磁场在其周围空间会激发一种涡旋状的电场，称为涡旋电场或感生电场 \[\oint_L \vec E_涡\cdot\vec l=-\int_s\frac{

准备阅读论文 ：A Comparative Analysis of the Efficiency of Change Metrics and Static Code Attributes for Defect Prediction 类型：缺陷预测 出处： Software Engineering, 2008. ICSE '08. ACM/IEEE 30th International Conference on abstract： In this paper we present a comparative analysis of the predictive power of two different sets of metrics for defect prediction. We choose one set of product related and one set of process related software metrics and use them for classifying Java files of the Eclipse project as defective respective defect-free. Classification models are built using three common machine learners:

在已经匹配出的元素集合中根据选择器查找孩子/父母/兄弟标签 1. children(): 子标签中找 2. find() : 后代标签中找 3. parent() : 父标签 4. prevAll() : 前面所有的兄弟标签 5. nextAll() : 后面所有的兄弟标签 6. siblings() : 前后所有的兄弟标签　 需求: 1. ul标签的第2个span子标签 2. ul标签的第2个span后代标签 3. ul标签的父标签 4. id为cc的li标签的前面的所有li标签 5. id为cc的li标签的所有兄弟li标签 var $ul = $("ul"); //1. ul标签的第2个span子标签 $ul.children("span:eq(1)").css("background","red"); // 2. ul标签的第2个span后代标签 $ul.find("span:eq(1)").css("background","red") // 3. ul标签的父标签 $ul.parent().css("background","red") // 4. id为cc的li标签的前面的所有li标签 var $li = $("#cc"); $li.prevAll("li").css("background","red"); // 5. id为cc的li标签的所有兄弟li标签 $li

测序： 　 　如何计算测序深度，或产出的数据量？ 　　　　10的9次方=1G 　　　　如果测序的read是pair-end的、且每条read长150bp，则，平均测序深度为=（reads数×150bp×2）/（3*10的10次方）。 　　　　　　即：测序得到的碱基总数/人类基因组的碱基对数=平均测序深度。 　　　　　　比如，我想得到30x的测序数据，那么需要的数据量是90G的数据。（此处，还不甚了解，我觉得应该是900G的数据啊） 　　　　　　（人类基因组有30亿个碱基对（3*10的10次方）） 　　　　 　　 　　 测序错误率 ：一般选择的阀值是10的-3次方，即测序错误率是0.001。（PCR的错误率是10的-6次方） 　　 coverage与depth的概念 ：coverage指的是测序数据覆盖的人类基因组的碱基数。depth指的是平均每个碱基被测序read覆盖的次数（即被测到的次数）。 　 　index的含义 ：index用来区分不同的样本。单端index共6个碱基，排列组合，共4的6次方个碱基，无法区分66个样本。故，需要采用双端index。 　　　　　　双端index，分为i5和i7端。i5端有8个碱基，i7端有12个碱基。 　　 测序的cycle ：一个cycle读取一个碱基。也称为：base call。若有index序列，则测序仪会多读几个cycle。 　　

人类基因组概况：　　　　　　　　 　　　　人类基因组由ATCG四种碱基组成，但是CG的含量低于50%，所以CG含量低于AT含量。　　　　 　　　　一个基因组的dna大约3ug。 　　snp： 　　　　平均每100到1000个碱基会出现1个SNPs，不过密度并不均匀。 　　　　人类基因组的突变频率10的-6次方。即：每10的6次方个碱基，就会发生一个突变。 　　 基因组长度： 　　　　人类基因组有30亿个碱基（3*10的10次方）。人类基因组的exon的长度大约1*10的7次方，占基因组的2%~3%。 　　　　假如平均一个protein的长度为500个amino acid（氨基酸），那么编码一个protein需要的碱基数为500*3=1500bp=1.5kb。那么，1个protein占exon的碱基数：1500/（1*10的7次方）≈10的4次方，即1个protein占exon碱基数的万分之一。 　　基因类型： 　　　　Ensemble数据库中有5万多个基因。其中，2万多个蛋白编码基因，还有假基因、microRNA、LincRNA等。GeneCode的gtf文件中，有一列是genetype，它分的类型是：protein coding、LincRNA、假基因。 　　　　即：基因可分为两大类编码蛋白的基因（包括：protein coding gene、pseudogene、LincRNA