injectSakiCaptcha().then((tohref) => { window.location.href = tohref; });

[2025-02-24]seurat V5对象转adata对象 据说对于V4和之前的版本，SeuratDisk可以用，V5则要转回V3的assay。 还有另一个包SCP，里面的srt_to_adata()中，特征元信息用的变量名是meta.features，但根据这个issue，Assay5对象的特征元信息变量名也改成了meta.data，需要改一下源码里的变量名。 还有另一个问题，目前这里面转出来的adata对象的write_loom()方法有些问题，特征名样本名都没了，但write_h5ad()方法可以用。 [2025-02-25]scenic用到的genome ranking database 在这里面找就好了。 还有，先装个docker或者singularity再跑pySCENIC都比arboreto_with_multiprocessing.py要快。另外他们文档里singularity的部分写错了，按格式写就好。 [2025-02-28]reticulate查看已安装包信息 才发现也才意识到以前的不对劲，py_config()可能不会列出所有包，要...

Valsalva动作 在贺银成的内科学中提到过Valsalva动作，它是"用中等力度的呼气动作以克服闭嘴、捏鼻、屏气时的气道关闭阻力，像吹气球一样用力"，共经历4个时相： 吸气 屏气 突然松开声门 阻力完全消除 在前面，腹膜腔内压和胸膜腔内压升高，而在第4时相突然降低，导致回心血量增加，主动脉压力增加，会引起迷走神经张力增加，降低心率和血压，从而终止室上性心动过速。 Valsalva动作在抗G紧张动作中的应用 抗G紧张动作（Anti-G straining maneuver，AGSM）的作用是提高动脉血压来增加脑组织血流量，以抵抗正过载的影响，主要包括两个部分： 下肢及腹部肌肉收缩 Valsalva动作 下肢及腹部肌肉收缩可以减轻血液向腹部和下肢的转移，尽管一些文献报道它对AGSM的贡献最大，并且最容易实施，但Valsalva动作也起着重要的作用，其主要通过在第2时相，增加胸膜腔内压，直接作用于心脏及胸腔内血管，提高脑部供血。 除此之外，在第1时相，由于肺的挤压，胸主动脉有短暂的压力升高过程。 那么上面提到的第4时相中，降低的血压会给A...

拯救者电源接口接触不良维修 网上大多说是因为散热设计不佳，导致充电口公头损坏，但是有时候扭一下接口就能充电，所以可能单纯是触点问题，也有可能只是因为我的没有那么病入膏肓。 拯救者电源接口母口的结构如下： 此时我的触点①、③都已经感觉有点往内弯曲看不到了，并且很松，怀疑是他们的问题。 猜测： ①用于固定 ②、③是电源触点 ②又根本碰不着，因此试着将③用针状塑料往外挑开，插上电源，秒杀。 更新：这样子最多只能生效一会儿，改动公口和触点③对应的触点可以更好地保持状态：自己动手修好联想拯救者电源接触不良问题。 蓝星P320系列保险无效维修 原因 扳机传动杆上下旷量过大 解决方案 因为有一个金属块限位，只要在尾部塞东西减少旷量即可。 12号快拔霰弹架设计 用的光固化，给个数值参考：夹具部分壁厚2mm，内径18mm，单侧角度110°。 实际使用下来，感觉内径可以小一些，然后角度也小一些，这样又紧又容易取出（？）。 Nintendo Switch底座拆除前盖 以防你不知道，switch底座的前盖是可以单独拆下来的。

数据处理 [2025-01-13]FFmpeg在使用filter后默认输出的码率降低？ 在使用如下filter(crop)而不指定码率时，偶然发现输出糊了很多，再仔细看输出的码率降低了很多，或许需要使用-b:v 12000k之类的指定码率。 1for %f in (*.*) do ffmpeg -i "%f" -filter:v "crop=iw*(10/10):ih*(3/10):iw:ih*(7/10)" "%~nf_lower%~xf" 另外其实我上面命令写错了，但是结果正常，这也说明保留画面的大小是优先于其位置的。 [2025-01-13]DeepLabCut2024年12月版本No unfiltered data file found 前段时间更新的某版本有bug，如下情况不生成.h5： 使用TensorFlow模型（据开发者，但是我在服务器用TensorFlow训练好之后在本地用没问题） 本地训练的pyTorch模型（我遇到的） 最新版本已经修复，但是不知道为什么，直接pip install没法覆盖，先卸载再安装。 [2025-03-03...

报错内容 完整报错示例 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354---------------------------------------------------------------------------ValueError Traceback (most recent call last)Cell In[48], line 1----> 1 kpy.plot_cpdb_chord( 2 adata=adata_cpdb, 3 cell_type1=".", 4 cell_type2='.', 5 means=means, 6 pvals=pvals, 7 deconvoluted=de...

引言 Colab团队十分自负x，除了在更新Python版本时提供上一个版本的Python，目前没有使用3.11以外版本的选项。 但是有一些包可能不支持特定的Python版本，这就麻烦大了。 主要参考这个回答，目前能够成功降级。 更换Python版本 这里选择降级到Python3.9。 在提示重启的时候重启。 12345678910111213141516171819!sudo apt-get update -y!sudo apt-get install python3.9!sudo apt-get install python3.9-distutils!sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.9 1!sudo update-alternatives --config python3# 假如知道要选择的版本，可以直接选择# !echo 3 | sudo update-alternatives --config python3!apt-get install...

主要用于桌面模式。 方法A 核心是摇杆-右摇杆行为设置为十字键，设置里选择模拟信号模拟、模拟信号模拟脉冲时间：500，然后比如上键设置为滚轮上（长按），下键设置为滚轮下（长按），设置里选按住以重复：开启、按压时间：0ms、重复速度：40，这个速度调小的话，实际的速度会增加。 做好的布局在这里 方法B 如果嫌不够快、不够灵敏，还有一种方法： 摇杆-右摇杆行为设置为十字键，设置里选择模拟信号模拟，然后比如上键设置为滚轮上，下键设置为滚轮下，设置里选普通按压、按住以重复。 但是这样设置出来，轻推是高速滚动，全推是低速滚动QAQ 我想机制和全推时频率更高，每个脉冲时间更短有关。如果能搞到源码看一下就好了。 后记：手柄模拟常用鼠标键盘功能的键位 见L4T的默认键位，我就说左摇杆光标、右摇杆滚轮这种思路才是最好的，steam默认是什么反人类键位（确信）

引言 一般来说，使用GO和KEGG数据库对差异基因进行基因富集分析，多是 ORA：基于对特定组内外（如通路）的差异基因、背景基因数量进行检验，看组内外的差异基因是否随机分布。比如ClusterProfiler包中的enrichGO()和enrichKEGG() GSEA：差异基因按log2FoldChange降序排序后，顺序遍历，按差异基因是否在特定组（如通路）内进行加减分，并进行检验，最后NES可以看出组内的整体表达趋势。比如同样是ClusterProfiler包中的gseGO()和gseKEGG() GO数据库条目之间至少可能还有Positively regulates和Negatively regulates两种关系，暂且不论。 但KEGG一个通路内的基因，极度简化，既有正向的也有负向的，而且还有更复杂的，有一些使用KEGG数据库的做法是把上下调的差异基因分别进行ORA，或者一起进行GSEA，仔细想想其实很没道理。以GSEA举例，如果一个通路内正向的基因上调，负向的基因下调，这样子整体表达趋势却可能是不变，会认为不显著。 （GSEA针对这个问题，有一种...

引言 附：基于barcode的空转原理 把特定barcode结合到特定位置，其末端是可以与mRNA结合的polyT序列。将切片透化，让其mRNA与barcode结合，在原位合成cDNA，通过NGS就能得到每个mRNA和其barcode，通过barcode又能映射回其位置。 相较于其它方法，这种方法的优势在于同时兼顾速度、精度和全转录组测序等。在精度上，基于FISH和原位测序的方法可以做到光学极限，但就没法做到全转录组了。 数据分析 那么这里使用的数据是通过基于barcode的空转测序得到的。 和scRNA-seq比起来，就是每个样本点有了空间信息，并且每个样本点是一群细胞，那么要做的和之前的十分相似，只是主要有以下不同： 寻找差异表达基因时，有2种手段 聚类后在簇之间寻找，不需要空间信息 根据空间信息寻找 进行类型注释时，有2种手段 寻找和scRNA-seq之间的锚点，然后整合，每个spot只能预测出1种细胞类型 使用scRNA-seq作为参考，对每个spot进行反卷积，能得到每个spot内不同类型的比例 在这个示例里，都采用前者...