银杏的寿命很长，其生长相对较慢。 但是，对该物种中与生长相关的基因知之甚少。 我们通过在转录组水平上开发多态性分子标记，将mRNA测序（RNA-Seq）与大量分离子分析（BSA）结合起来，精细绘制重要的农艺性状基因。 在这项研究中，对银杏半同胞家族的高生长（GD）和低生长（BD）样品进行了转录组测序。 组装干净的读段后，检测到601个差异表达基因，其中513个被分配了功能注释。 单核苷酸多态性（SNP）分析鉴定出与GD和BD组中的119个基因相关的SNP； 这些基因中有58个带有注释。 与BD组相比，GD组中两个Homeobox-亮氨酸拉链蛋白基因上调。 因此，这些很可能与银杏的高生长有关。 这项研究提供了分子水平的数据，可用于未来生长计划的高生长银杏半同胞族种子选择。

蚕豆（Vicia faba L）种子是人类和动物重要的植物蛋白来源。 在蚕豆种子的RNA-Seq中发现了总共15,697个具有途径注释的差异表达基因（DEG）。 总共发现了75条重要的KEGG途径丰度，并且在所有基因型中保守了9条途径。 在2至6对基因型的比较中，发现41条重要途径被部分保留，而25对重要途径是单对基因型所独有的。 发现了与蚕豆种子水合能力性状相关的8条特定的重要途径，以及与PSbMV种子染色性状相关的9条特定的重要途径。 DEGs通过育种谱系选择信息证实了这些品种之间的遗传距离，并且PCA图清楚地说明了这些基因型内的遗传距离。

Very famous RNA predition tools

k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

康诺斯 Conos：在样本网络上聚类 什么是conos？ Conos是一个R包，用于将大量单细胞RNA-seq数据集组合在一起，从而既可以识别复发性细胞簇，又可以在多样本或Atlas规模集合中的数据集之间传播信息。 它着重于跨异构样本集合的同源细胞类型的均匀映射。 例如，用户可以研究来自癌症患者的数十种外周血样本的收集以及数十种对照，其中可能包括相关组织（如淋巴结）的样本。 它是如何工作的？ Conos应用了许多容易出错的方法中的一种来对齐集合中的每对样本，从而建立了加权的样本间单元间链接。 然后可以分析所得的联合图，以识别不同样品之间的亚群。 相同类型的单元格将倾向于在许多此类成对比较中相互映射，从而形成可以识别为簇（图社区）的集团。 Conos处理可以分为三个阶段： 阶段1：过滤和归一化使用标准软件包对样本面板中的每个单独的数据集进行过滤和归一化，以进行单数据集处理： pag

谷氨酸脱氢酶通过合成基于非遗传密码的RNA来调节作物的生长，生长和生物量产量。 了解由GDH合成的RNA酶的机理将增强十亿多城市园丁，小农和资源有限的土著农民的农业创新能力。 通过用矿物质盐溶液的化学计量混合物处理健康土壤上生长的花生，可以制备不同的代谢变体。 花生GDH电荷异构体通过电泳纯化至均质，并合成RNA酶。 花生总RNA用[γ-32P] ATP标记为5'-末端，并与来自另一种花生代谢变体的GDH合成RNA在体外作为底物反应。 反应产物的琼脂糖和聚丙烯酰胺凝胶电泳显示，tRNA，rRNA和大多数mRNA被降解为单核苷酸，但未与GDH合成的RNA混合的总RNA未被降解。 当GDH合成的RNA的非同源序列片段被剪掉时，同源片段无法产生带有花生总RNA的Northern条带。 因此，非同源序列部分用于鉴定，定位和比对GDH合成的RNA与其目标总RNA位点，而与遗传密码无关。 总RNA的降解是通过酶-底物复合物中的非规范碱基比对，然后是总RNA的电磁破坏，这两种RNA的稳定性较差。 这是基于科学的基石，可支撑有限资源农民的作物生产工作，因为GDH合成的RNA会因土壤矿物质营养缺乏而Sw

差异缺失分析 差异缺失分析可捕获单细胞RNA测序数据中的生物学变异 单细胞RNA测序数据的特征是具有大量的零计数，但是越来越多的证据表明这些零反映了生物变异而不是技术伪像。 我们提出了差异缺失分析（DDA），以鉴定单细胞RNA测序数据中生物变异的影响。 使用16个公开可用的模拟数据集，我们显示DDA可以准确地检测生物变异，并且可以比依赖计数的方法更可靠地评估转录本的相对丰度。 可从获得DDA。 可以在此处找到相关手稿图形的脚本，功能和源数据。 此外，从原始数据矩阵中的Seurat对象开始，描述了DDA的两个小插曲 可以在bioRxiv上找到手稿的预印本： ://doi.org/10.1101/2021.02.01.42929187 可以在一个闪亮的应用程序中交互式地浏览结果： : :

多对象单细胞反卷积（MuSiC） MuSiC是一种反卷积方法，它利用跨学科的scRNA-seq来估计大量RNA-seq数据中的细胞类型比例。 如何引用MuSiC 请引用以下出版物： 具有多对象单细胞表达参考的大体积组织细胞类型反卷积X.Wang，J.Park，K.Susztak，NRNR Zhang，M.Li 自然通讯。 2019年1月22日 安装 # install devtools if necessary install.packages( ' devtools ' ) # install the MuSiC package devtools :: install_github( ' xuranw/MuSiC ' ) # load library( MuSiC ) 更多信息 请参阅。

人工智人-家居设计-RNA二级结构预测的群智能优化算法研究.pdf

RNA Secondary Structure Prediction