TWAS、GWAS、FUSION
全基因组关联研究(GWAS,Genome-Wide Association Study)是一种统计学方法,用于在全基因组水平上识别与特定性状或疾病相关的遗传变异。虽然GWAS可以识别与性状相关的遗传信号,但它并不直接揭示这些遗传变异如何影响生物学过程和机制。
转录组关联分析(TWAS,Transcriptome-Wide Association Study)是一种扩展的GWAS方法,它结合了基因表达数据(eQTL,expression Quantitative Trait Loci)来增强对遗传信号的理解。TWAS通过以下方式帮助从统计学信号转向生物学机制:
-
整合表达数据:TWAS不仅分析遗传变异,还分析这些变异如何影响基因的表达。通过比较不同条件下(如不同组织、不同环境或不同疾病状态)的基因表达模式,可以识别出可能参与性状调控的基因。
-
构建预测模型:利用统计模型和机器学习方法,TWAS可以构建基因表达的预测模型。这些模型能够预测未知样本中基因的表达水平,从而帮助理解遗传变异如何通过影响基因表达来影响性状。
-
映射到转录水平:TWAS直接将GWAS信号与基因转录水平的变化联系起来,从而提供了一种机制上的解释。这对于理解非编码区段的变异尤其重要,因为这些变异可能通过影响基因表达来影响性状。
-
精细定位:通过共定位分析(即在遗传图谱中寻找与多个性状相关的变异)和条件分析(考虑不同环境或生物学条件对性状的影响),TWAS可以进一步细化与性状相关的遗传变异的位置,从而更精确地定位潜在的致病基因。
-
功能挖掘:TWAS可以帮助识别那些在特定性状中起关键作用的基因,这些基因可能是新的药物靶点或生物学研究的焦点。
FUSION作为TWAS的一个经典工具,它通过以下方式帮助研究人员:
- 优先致病基因:FUSION可以帮助研究人员从大量候选基因中优先考虑那些最有可能与疾病相关的基因。
- 共定位分析:FUSION可以进行共定位分析,以识别与多个性状相关的遗传变异。
- 条件分析:FUSION允许研究人员探索不同条件下性状的遗传基础,从而提供更深入的生物学见解。
全基因组关联研究(GWAS)中识别的遗传变异大多位于基因调控区域,这些变异可能通过影响基因表达来影响复杂性状。然而,由于样本数量的限制和高成本的基因表达测量,大规模地测量基因表达具有一定的挑战性。因此,许多表达-性状的关联尚未被检测到
,尤其是那些效应量较小的关联。为了解决这些问题,提出了替代方法,其中转录组全关联研究(TWAS)已成为一种常见且易于执行的方法,用于识别在未直接测量表达水平的个体中,与复杂性状显著相关的基因。
-
GWAS中识别的变异:在全基因组关联研究中,许多与性状相关的遗传变异被发现位于
基因的调控区域,而不是基因编码区域
。这些调控区域的变异可能通过影响基因的表达来影响性状。 -
基因表达测量的挑战:由于样本数量的限制和测量成本较高,大规模地测量基因表达具有一定的难度。这限制了对表达-性状关联的检测,尤其是那些效应量较小的关联。
-
TWAS的提出:为了克服这些挑战,提出了转录组全关联研究(TWAS)作为一种替代方法。TWAS通过分析基因表达数据与性状之间的关联,来识别与复杂性状显著相关的基因。
-
TWAS的优势:TWAS已成为一种常见且易于执行的方法,它能够在未直接测量表达水平的个体中识别与复杂性状显著相关的基因。这种方法特别适用于检测那些效应量较小的表达-性状关联。
-
TWAS的应用:TWAS的应用可以帮助研究人员更好地理解遗传变异如何通过影响基因表达来影响复杂性状。这对于发现新的生物学机制、识别潜在的疾病相关基因以及开发新的治疗策略具有重要意义。
这张图展示了三种不同的基因组学研究框架:GWAS(全基因组关联研究)、理想中的TWAS(转录组全关联研究)和实际中的TWAS框架。
1. GWAS框架
- M Variants(M 变异):研究中考虑的遗传变异的数量。
- N Individuals(N 个体):参与研究的个体数量。
- Genotype matrix(基因型矩阵)M x N:一个包含所有个体所有遗传变异的矩阵。
- Association test(关联测试):用来检测基因变异与表型之间的统计关联。
- Phenotypes(N x 1 表型):每个个体的表型数据。
2. 理想TWAS框架
- K Genes(K 基因):研究中考虑的基因数量。
- Expression matrix(表达矩阵)K x N:一个包含所有个体所有基因表达水平的矩阵。
- 同样进行关联测试,以确定基因表达与表型之间的关联。
- 表型数据与GWAS框架相同。
这个理想框架的挑战在于需要大量的样本和高昂的成本来测量所有基因的表达水平。
3. 实际TWAS框架
- 从基因型矩阵开始,该矩阵包含遗传变异信息。
- Predict(预测):利用基因型信息来预测基因表达矩阵。
- Predicted expression matrix(预测表达矩阵)K x N:预测的基因表达水平矩阵。
- 然后使用关联测试来确定预测的基因表达与表型之间的关联。
- 输出与前两个框架相同,是每个个体的表型。
总结
- GWAS 关注于检测遗传变异与表型之间的关联。
- 理想中的TWAS 关注于检测基因表达与表型之间的关联,但成本较高。
- 实际中的TWAS 通过预测基因表达,以较低的成本实现与理想TWAS相似的目标。
实际TWAS框架通过预测基因表达水平,提供了一种成本效益更高的方法来研究基因表达与表型之间的关联。
3.TWAS分类
TWAS(Transcriptome-Wide Association Study,转录组全关联研究)是一种结合基因表达数据和遗传变异数据来识别与特定性状相关联的基因的方法。这种方法特别适用于研究那些可能通过调控基因表达来影响性状的遗传变异。TWAS 可以分为个体水平和汇总水平两种类型:
个体水平 TWAS
个体水平的 TWAS 使用每个个体的基因型和表型数据来进行基因表达的预测和关联测试。这种方法通常涉及以下步骤:
-
基因型数据:收集每个个体的基因型数据,这些数据通常来自于全基因组关联研究(GWAS)。
-
表型数据:收集每个个体的表型数据,这些数据可以是任何可测量的性状,如身高、疾病状态等。
-
表达预测:使用统计模型或机器学习方法,基于基因型数据预测每个个体的基因表达水平。
-
关联测试:将预测的基因表达水平与表型数据进行关联测试,以识别与性状显著相关的基因。
一个例子是 PrediXcan 方法,它使用基因型数据来预测基因表达水平,并进一步关联这些表达变化与复杂性状。
汇总水平 TWAS
汇总水平的 TWAS 仅使用 GWAS 的汇总统计数据来进行表达预测和关联测试。这种方法通常涉及以下步骤:
-
汇总统计数据:从 GWAS 分析中获取汇总统计数据,这些数据通常是每个变异与性状关联的统计显著性。
-
表达预测:使用这些汇总统计数据来预测基因表达水平。这可能涉及到使用特定的算法,如 FUSION 或 S-PrediXcan,这些算法可以从 GWAS 结果中推断基因表达的变化。
-
关联测试:将预测的基因表达水平与性状数据进行关联测试,以识别可能影响性状的基因。
优势和挑战
- 优势:TWAS 可以提供关于基因如何通过调控表达来影响性状的直接证据,这对于理解遗传机制和疾病机理非常有用。
- 挑战:需要高质量的基因表达数据和遗传变异数据,以及复杂的统计分析方法。此外,对于汇总水平的 TWAS,预测的准确性可能受到限制,因为它们依赖于间接的推断。
总的来说,TWAS 是一种强大的工具,它结合了基因表达和遗传变异数据来识别与性状相关的基因,既可以在个体水平上进行,也可以在汇总水平上进行。
1. 个体水平的TWAS框架
- N 个体:研究中包含的个体数量。
- M 变异:基因组中考虑的遗传变异数量。
- 基因型矩阵(M x N):包含所有个体所有遗传变异的矩阵。
- 表型(N x 1):每个个体的表型数据。
- 预测表达矩阵(K x N):基于基因型矩阵预测的基因表达矩阵。
- 训练预测模型:使用表达参考面板(如GTEx,基因型-组织表达数据库)训练预测模型,将基因型矩阵转换为预测的表达矩阵。
- 关联测试:使用预测的表达矩阵和表型数据进行关联测试,以识别与表型显著相关的基因。
- TWAS 汇总统计:为K个基因生成的TWAS汇总统计数据。
2. 汇总水平的TWAS框架
- 表达参考面板(如GTEx):用于训练预测模型的基因表达数据集。
- LD参考面板(如1000基因组计划):用于训练预测模型的连锁不平衡(LD)参考数据集。
- GWAS 汇总统计(M 变异):从全基因组关联研究中获得的汇总统计数据。
- 预测模型(权重):使用表达参考面板和LD参考面板训练预测模型,为K个基因生成权重。
- TWAS 汇总统计:使用预测模型的权重和GWAS汇总统计生成K个基因的TWAS汇总统计数据。
关键步骤和概念
- 基因型矩阵:表示每个个体在每个遗传变异上的基因型。
- 表达矩阵:表示每个个体在每个基因上的表达水平。
- 预测模型:利用已知数据(如表达参考面板)来预测未知数据(如基因表达)的统计模型。
- 关联测试:统计方法,用于检测两个变量(如基因表达和表型)之间的关联。
- 汇总统计:在多个研究或多个变异中汇总得到的统计数据,用于简化和综合分析。
这两种TWAS框架的主要区别在于数据处理和分析的层次:个体水平框架直接处理个体的基因型和表达数据,而汇总水平框架则处理来自不同研究或数据集的汇总统计数据
。汇总水平框架通常更容易实现,因为它不需要原始的基因表达数据,但可能需要高质量的汇总统计数据和参考面板。
4.FUSION http://gusevlab.org/projects/fusion/
工具介绍
- FUSION:这是一个用于执行转录组全关联研究的工具,它通过构建基因表达的遗传成分的预测模型,并使用全基因组关联研究(GWAS)的汇总统计数据来预测和测试这些成分与疾病的关联。
- 目标:FUSION的主要目标是识别全基因组关联研究(GWAS)中识别的性状与仅在参考数据中测量的功能性表型之间的关联。
使用方法
- 训练预测模型:FUSION通过使用表达参考面板(如GTEx,基因型-组织表达数据库)来训练预测模型,将基因型矩阵转换为预测的表达矩阵。
- 关联测试:使用预测的表达矩阵和表型数据进行关联测试,以识别与表型显著相关的基因。
参考文献
- 提到了一篇相关的科学论文,Gusev, A., Ko, A., Shi, H., Bhatia, G., Chung, W., Penninx, B. W., … & Pasaniuc, B. (2016). Integrative approaches for large-scale transcriptome-wide association studies. Nature Genetics, 48(3), 245-252,这篇论文详细介绍了FUSION方法和其在大规模转录组关联研究中的应用。
应用场景
- FUSION适用于那些需要在不直接测量基因表达水平的个体中,识别与复杂性状显著相关的基因的场景。
- 这种方法特别适用于效应量较小的表达-性状关联的检测,这些关联在传统的GWAS分析中可能难以被发现。
以下是图中各部分的详细解读:
1. 表达参考面板(Expression Reference Panel)
- Cis SNP for Gene A:表示与基因A相关的顺式SNP(cis-SNP),即基因内部的遗传变异,这些变异可能影响基因的表达水平。
- Gene A Expression:表示基因A的表达水平。
- Expression reference weights for all genes:通过计算每个基因的预测模型,得到所有基因的表达参考权重。这些权重用于预测基因表达水平。
2. 连锁不平衡参考面板(LD Reference Panel)
- PLINK format bed/bim/fam:连锁不平衡(LD)参考面板的数据格式,通常包含基因型数据,用于预测基因表达。
- 这些数据用于训练预测模型,将基因型转换为预测的表达矩阵。
3. 你的GWAS汇总统计(Your GWAS Summary Statistics)
- LDSC format SNP, A1, A2, Z:你的全基因组关联研究(GWAS)汇总统计数据,通常以LDSC格式提供,包括SNP值、等位基因频率(A1, A2)和统计显著性(Z值)。
TWAS by FUSION(TWAS Framework using FUSION)
- TWAS by FUSION:结合上述三个步骤,FUSION 软件包可以执行基于汇总数据的转录组全关联分析。它使用表达参考权重和GWAS汇总统计来预测和测试基因表达与性状之间的关联。
相关文章:
TWAS、GWAS、FUSION
全基因组关联研究(GWAS,Genome-Wide Association Study)是一种统计学方法,用于在全基因组水平上识别与特定性状或疾病相关的遗传变异。虽然GWAS可以识别与性状相关的遗传信号,但它并不直接揭示这些遗传变异如何影响生物…...
大模型微调终极方案:LoRA、QLoRA原理详解与LLaMA-Factory、Xtuner实战对比
文章目录 一、微调概述1.1 微调步骤1.2 微调场景 二、微调方法2.1 三种方法2.2 方法对比2.3 关键结论 三、微调技术3.1 微调依据3.2 LoRA3.2.1 原理3.2.2 示例 3.3 QLoRA3.4 适用场景 四、微调框架4.1 LLaMA-Factory4.2 Xtuner4.3 对比 一、微调概述 微调(Fine-tun…...
FHE 之 面向小白的引导(Bootstrapping)
1. 引言 FHE初学者和工程师常会讨论的一个问题是; “什么是引导(bootstrapping)?” 从理论角度看,这个问题的答案很简单: 引导就是套用 Gentry 提出的思想——在加密状态下同态地执行解密操作ÿ…...
安装:Kali2025+Docker
安装:Kali2025Docker Kali2025安装 直接官网下载WMware版本 https://www.kali.org/get-kali/#kali-virtual-machines 直接打开运行 初始用户密码 kali/kali sudo -i 命令切换到root 更换镜像 切换到其他可用的 Kali Linux 镜像源可能会解决问题,可以使用国内的镜像源&…...
什么是深拷贝什么是浅拷贝,两者区别
什么是深拷贝什么是浅拷贝,两者区别 1.深拷贝 递归复制对象的所有层级,嵌套的引用类型属性,最后生成一个完全独立的新对象,与原对象无任何引用关联。 特点: 新对象和原对象的所有层级属性是独立的(修改…...
A2A大模型协议及Java示例
A2A大模型协议概述 1. 协议作用 A2A协议旨在解决以下问题: 数据交换:不同应用程序之间的数据格式可能不一致,A2A协议通过定义统一的接口和数据格式解决这一问题。模型调用:提供标准化的接口,使得外部应用可以轻松调…...
第七章 数据库编程
1 数据库编程基础 1.1 数据库系统概述 数据库系统是由数据库、数据库管理系统(DBMS)和应用程序组成的完整系统。其主要目的是高效地存储、管理和检索数据。现代数据库系统通常分为以下几类: 关系型数据库(RDBMS):如MySQL、PostgreSQL、Oracle等&#x…...
电影感户外哑光人像自拍摄影Lr调色预设,手机滤镜PS+Lightroom预设下载!
调色详情 电影感户外哑光人像自拍摄影 Lr 调色,是借助 Lightroom 软件,针对户外环境下拍摄的人像自拍进行后期处理。旨在模拟电影画面的氛围与质感,通过调色赋予照片独特的艺术气息。强调打造哑光效果,使画面色彩不过于浓烈刺眼&a…...
C++--类的构造函数与初始化列表差异
一,引言 在类中成员函数的构造函数担任其将对象初始化的作用,而初始化列表也有着相似的作用。大部分人建议都是初始化列表进行初始化,本文主要进行讲解二者的区别。 首先看一下构造函数的初始化方式: #define _CRT_SECURE_NO…...
深入浅出之STL源码分析4_类模版
1.引言 我在上面的文章中讲解了vector的基本操作,然后提出了几个问题。 STL之vector基本操作-CSDN博客 1.刚才我提到了我的编译器版本是g 11.4.0,而我们要讲解的是STL(标准模板库),那么二者之间的关系是什么&#x…...
Lambda表达式解读
本文通过具体案例演示函数式接口Function<T,R>的三种实现方式演变过程。 一、传统匿名内部类实现 Integer resInt1 t1(new Function<String, Integer>() {Overridepublic Integer apply(String s) {int i Integer.parseInt(s);return i;} });实现特点࿱…...
PySide6 GUI 学习笔记——常用类及控件使用方法(常用类边距QMarginsF)
文章目录 类简介方法总览关键说明示例代码 类简介 QMarginsF 用于定义四个浮点型边距(左、上、右、下),描述围绕矩形的边框尺寸。所有边距接近零时 isNull() 返回 True,支持运算符重载和数学运算。 方法总览 方法名/运算符参数返…...
Android方法耗时监控插件开发
需求:自定义一个Gradle插件,这个Gradle插件可以统计方法的耗时,并当方法耗时超过阈值时,可以通过打印Log日志在控制台,然后可以通过Log定位到耗时方法的位置,帮助我们找出耗时方法和当前线程名,…...
TWAS / FUSION
FUSION 是一套用于执行转录组范围和调控组范围关联研究(TWAS 和 RWAS)的工具。它通过构建功能/分子表型的遗传成分的预测模型,并使用 GWAS 汇总统计数据预测和测试该成分与疾病的关联,目标是识别 GWAS 表型与仅在参考数据中测量的…...
C++中的static_cast:类型转换的安全卫士
C中的static_cast:类型转换的安全卫士 在C编程中,类型转换是不可避免的操作,而static_cast作为C四大强制类型转换运算符之一,是最常用且相对安全的一种转换方式。今天我们就来深入探讨一下这个重要的类型转换工具。 一、static_…...
uniapp-商城-51-后台 商家信息(logo处理)
前面对页面基本进行了梳理和说明,特别是对验证规则进行了阐述,并对自定义规则的兼容性进行了特别补充,应该说是干货满满。不知道有没有小伙伴已经消化了。 下面我们继续前进,说说页面上的logo上传组件,主要就是uni-fil…...
04 mysql 修改端口和重置root密码
当我们过了一段时间,忘了自己当初创建的数据库密码和端口,或者端口被占用了,要怎么处理呢 首先,我们先停止mysql。 一、修改端口 打开my.ini文件,搜索port,默认是3306,根据你的需要修改为其他…...
多线程 2 - 死锁问题
死锁 死锁,是多线程代码中的一类经典问题。加锁能够解决线程安全问题,但如果加锁方式不当,就很可能产生死锁。 出现死锁的三种场景 1、一个线程一把锁 就像上篇文章讲过的,如果对同一个线程上了两把锁,而且上的锁是…...
网络原理(Java)
注:此博文为本人学习过程中的笔记 在网络初始中谈到TCP/IP五层模型,接下来我们将介绍这里面涉及到的网络协议。 应用层是程序员接触最多的层次,程序员写的代码只要涉及到网络通信都可以视为是应用层的一部分。应用层里的东西和程序员直接相…...
HDFS 常用基础命令详解——快速上手分布式文件系统
简介: 本文面向刚接触 Hadoop HDFS(Hadoop 分布式文件系统)的读者,结合 CSDN 博客风格,系统梳理最常用的 HDFS 客户端命令,并配以示例和注意事项,帮助你在开发和运维中快速掌握 HDFS 的文件管理…...
Unity Shaders and Effets Cookbook
目录 作者简介 审稿人简介 前言 我是偏偏 Unity Shaders and Effets Cookbook 第一章:Diffuse Shading - 漫反射着色器 第二章:Using Textures for Effects - 着色器纹理特效的应用 第三章:Making Your Game Shine with Specular - 镜…...
Markdown—LaTeX 数学公式
目录 一、字母1. 希腊大写字母2. 希腊小写字母3. 花体字母 二、上标和下标1. 上标2. 下标3. 其他 三、括号四、数学符号1. 基本数学符号1)运算符2)常见函数3)分式、根号、累加/乘4)极限5)积分 2. 三角函数与几何符号1&…...
AI 驱动的开发工具
🔧 主流 AI 前端开发工具 1. GitHub Copilot 由 GitHub 与 OpenAI 联合开发,集成在 Visual Studio Code、JetBrains 等主流 IDE 中,提供智能代码补全、函数生成等功能,极大地提高了开发效率。 (CSDN博客) 2. Cursor 一款 AI 驱…...
【入门】数字走向I
描述 输入整数N,输出相应方阵。 输入描述 一个整数N。( 0 < n < 10 ) 输出描述 一个方阵,每个数字的场宽为3。 #include <bits/stdc.h> using namespace std; int main() {int n;cin>>n;for(int i1;i<n*n;i){cout…...
Kubernetes生产实战(十三):灰度发布与蓝绿发布实战指南
在微服务架构中,如何安全高效地发布新版本是每个团队必须掌握的技能。本文将深入讲解Kubernetes中两种主流发布策略的落地实践,附带生产环境真实案例。 一、金丝雀发布(灰度发布):渐进式验证新版本 核心思想…...
数孪实战笔记(1)数字孪生的含义、应用及技术体系
一、含义 数字孪生(Digital Twin)是一种通过数字化模型在虚拟世界中实时映射和模拟物理实体、系统或过程的技术。它的核心目的是通过对现实对象的建模、感知、分析和预测,实现对物理世界的全面感知、智能控制和优化决策。数字孪生 实体对象 …...
深入浅出之STL源码分析5_类模版实例化与特化
在 C 中,类模板的实例化(Instantiation)和特化(Specialization) 是模板编程的核心概念,而 显式实例化(Explicit Instantiation)和隐式实例化(Implicit Insta…...
JDBC演进之路:从基础操作到高效连接池
文章目录 一、JDBC 1.0:手动管理的起点1.1 核心特点1.2 代码示例:1.3 痛点分析 二、JDBC 2.0:配置化的升级2.1 核心改进2.2 代码示例2.3 优势与不足 三、JDBC 3.0:连接池的革命3.1 核心改进3.2 代码示例3.3 核心优势 四、版本对比…...
远程调试---在电脑上devtools调试运行在手机上的应用
1、启动项目–以vite项目为例:先ipconfig查看ip地址 ,然后在vite中配置host为ip地址 2、手机上查看项目:保证手机和电脑在同一局域网, 在手机浏览器打开我们vite启动的项目地址, 3、使用chii进行远程调试 (1) 安装 npm install chii -g (2)启动 chii start -p 8080 (3)在…...
街景主观感知全流程(自建数据集+两两对比程序+Trueskill计算评分代码+训练模型+大规模预测)27
目录 0、Emeditor软件1、Place Pluse 2.0数据集2、街景主观感知大框架2.1 街景主观感知:自建数据集2.2 街景主观感知:两两对比程序2.3 街景主观感知:Trueskill评分2.4 街景主观感知:训练模型,Resnet或EfficientNet或V…...
进阶二:基于HC-SR04和LCD1602的超声波测距
一、实验目的 掌握HC-SR04超声波测距模块的工作原理和使用方法。学会使用LCD1602液晶显示屏显示测量数据。熟悉89C51单片机与外设的接口电路设计和编程方法。二、实验原理 1. HC-SR04超声波测距模块原理 HC-SR04超声波测距模块可提供2cm - 400cm的非接触式距离感测功能,测距精…...
单因子实验 方差分析
本文是实验设计与分析(第6版,Montgomery著傅珏生译)第3章单因子实验 方差分析python解决方案。本文尽量避免重复书中的理论,着于提供python解决方案,并与原书的运算结果进行对比。您可以从 下载实验设计与分析(第6版&a…...
《Python星球日记》 第53天:卷积神经网络(CNN)入门
名人说:路漫漫其修远兮,吾将上下而求索。—— 屈原《离骚》 创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程的Coder😊) 目录 一、图像表示与通道概念1. 数字图像的本质2. RGB颜色模型3. 图像预处理 二、卷积…...
基于人工智能的个性化 MySQL 学习路径推荐研究
基于人工智能的个性化 MySQL 学习路径推荐研究 摘要: 随着信息技术的飞速发展,数据库在各行业应用广泛,MySQL 作为主流数据库之一,学习需求庞大。然而,不同学习者在知识水平、学习进度和目标上存在差异,传统统一的学习路径难以满足个性化需求。本研究通过运用人工智能技…...
阿里云OSS-服务端加签直传说明/示例(SpringBoot)
目录 概述 OSS文件上传方式 1. OSS控制台上传 2. 客户端直传 3. 后端上传 4. 加签直传 服务端加签方式 1. 服务端生成PostObject所需的签名和Post Policy 2.服务端生成STS临时访问凭证 3. 服务端生成PutObject所需的签名URL 实现1:生成PostObject所需的签…...
《向上生长》读书笔记day5
哎,好像有点坚持不下去了,有点松懈了 不咋想继续写读书笔记😂,不过我不可能这么轻易放弃的,起码要做完这一本书,话不多说,开始进入的读书📒笔记 今天读了两个章节,穷人翻…...
优选算法——队列+BFS
目录 1. N叉树的层序遍历 2. 二叉树的锯齿层序遍历 3. 二叉树最大宽度 4. 在每个树行中找最大值 1. N叉树的层序遍历 题目链接:429. N 叉树的层序遍历 - 力扣(LeetCode) 题目展示: 题目分析: 层序遍历即可~仅…...
Java MCP 实战 --> AI玩转贪吃蛇
MCP 实战 --> AI玩转贪吃蛇 MCP 更加便捷的扩展了 LLM 的能力,使得 AI 发展更加迅猛。本篇主要为了学习MCP的应用,实现了让AI去玩贪吃蛇,使用 Java 实现了 MCP Server 和 MCP Client 的编码。其他文章如下: thinking 基础版…...
Day20打卡-奇异值SVD分解
今天学习非特征筛选的方法: 知识点回顾: 线性代数概念回顾(可不掌握)奇异值推导(可不掌握)奇异值的应用 特征降维:对高维数据减小计算量、可视化数据重构:比如重构信号、重构图像&am…...
【RT-Thread Studio】nor flash配置Fal分区
前置条件:【RT-Thread Studio】W25Q128配置 添加 FAL软件包 配置SFUD驱动程序,使用FAL的设备为W25Q128 将fal_cfg.h和fal_flash_sfud_port.c提取出来,放到自己创建的fal_porting目录。 修改 fal_flash_sfud_port.c struct fal_flash_dev n…...
在资源受限设备上实现手势识别:基于包络EMG数据和实时测试的Tiny-ML方法
英文标题:Enabling Gesture on a Resource-Constrained Device: A Tiny-ML Approach with Envelope EMG Data and Real-Time Testing 中文标题:在资源受限设备上实现手势识别:基于包络EMG数据和实时测试的Tiny-ML方法 作者信息 Mohsin Ali S…...
动态规划:最长递增子序列
给定一个数组,求最长递增子序列的长度,就是要求我们求出一个序列中最长的上升子序列的长度,最长上升子序列的定义就是从原序列中按照孙旭去除一些数字,这些数字是逐渐增大的。 *定义dp[i]表示以第i个元素结尾的最长上升子序列的长度。 *初始…...
贪心算法专题(Part2)
目录 1. 最优除法 2. 加油站 3. 坏了的计算器 4. 可被三整除的最大和 5. 单调递增的数字 6. 合并区间 7. 无重叠区间 8. 用最少数量的箭引爆气球 1. 最优除法 题目链接:553. 最优除法 - 力扣(LeetCode) 题目展示: 题目分…...
4.9/Q1,GBD数据库最新文章解读
文章题目:The burden of diseases attributable to high body mass index in Asia from 1990 - 2019: results from the global burden of disease study 2019 DOI:10.1080/07853890.2025.2483977 中文标题:1990 年至 2019 年亚洲高体重指数导…...
API 网关核心功能解析:负载均衡、容灾、削峰降级原理与实战摘要
在微服务架构中,API 网关作为流量入口枢纽,通过负载均衡、容灾、削峰降级等核心功能保障系统稳定性与高可用性。本文结合 Spring Cloud Gateway 实战代码、原理剖析及行业最佳实践,深度解析网关核心能力,并对比当前前沿技术方案&a…...
Spring之AOP
什么是AOP AOP:Aspect 0riented Programming(面向切面编程、面向方面编程),可简单理解为就是面向特定方法编程。 场景:案例中部分业务方法运行较慢,定位执行耗时较长的接口,此时需要统计每一个业务方法的 执行耗时。 优势: 1.减少重复代…...
TransmittableThreadLocal:穿透线程边界的上下文传递艺术
文章目录 前言一、如何线程上下文传递1.1 ThreadLocal单线程1.2 InheritableThreadLocal的继承困境1.3 TTL的时空折叠术 二、TTL核心设计解析2.1 时空快照机制2.2 装饰器模式2.3 采用自动清理机制 三、设计思想启示四、实践启示录结语 前言 在并发编程领域,线程上下…...
基于STM32的甲醛检测
一、制作目标 以正点原子的miniSTM32F103RCT6开发板为主控,使用甲醛传感器检测环境空气中的甲醛含量(以mg/m^3为单位)、C02含量(以ppm为单位)和总有机挥发物含量TVOC(以mg/m^3为单位)在OLED显示…...
人形机器人:主控芯片
目前人形机器人领域的主控芯片因厂商和应用场景不同而有所差异,以下是一些主要人形机器人及其可能使用的主控芯片概况,基于公开信息和行业趋势。由于具体型号常为商业机密,部分信息为推测: 主要人形机器人及其主控芯片 特斯拉&am…...
Web自动化测试入门详解
🍅 点击文末小卡片,免费获取软件测试全套资料,资料在手,涨薪更快 一、目的 web自动化测试作为软件自动化测试领域中绕不过去的一个“香饽饽”,通常都会作为广大测试从业者的首选学习对象,相较于C/S架…...