我们的生信博客-QFNU

总结：技术攻坚：Claude（代码/学术） +  Grok（前沿探索）  学术综述写作：Gemini ，润色：Claude

类型
核心优势
典型场景
关键数据
成本/限制

Gemini 2.5 Pro
长文本处理 × 多模态整合
学术研究/跨国合同审核
百万Token文档理解成本7.5美元，视频理解准确率超GPT4o 19%
输入Token超12.8万时成本翻倍

Claude 3.7 Sonnet
代码生成 × 安全合规
金融系统重构/医药研发
SWE Bench代码通过率70.3%，医疗诊断错误率0.3%
网页版输出限制严格（约30条/4小时）

1. CentOS系统/tmp/目录的性质和使用方法

在CentOS系统中，/tmp目录具有以下重要特性：

这种可视化方法在GO富集分析中是相当科学和常用的。

1. 横坐标：-log10(p.adjust)
   • 科学性：★★★★★
   • 原因：
     • 直接反映统计学显著性
     • 对p值进行对数转换，使极小的p值能直观展示
     • 矫正后的p值（p.adjust）可以有效控制多重检验问题
2. 气泡大小：Count
   • 科学性：★★★★☆
   • 优点：
     • 直接展示注释到该功能的基因数量
     • 反映功能的覆盖范围
3. 颜色深浅：GeneRatio
   • 科学性：★★★★☆
   • 优点：
     • 展示基因注释的比例
     • 补充Count无法直接体现的信息
     • 颜色梯度可以直观表示基因富集的程度

这种可视化方法的科学标准体现在：

#一 SRR转为fastq-下载的数据量较大，为了能在内存较小的笔记本电脑上运行，此处选择~50x的数据量。若是计算性能好，推荐使用全部数据。
for i in `ls ~/00.incipient_data/data_for_gene_prediction_and_RNA-seq/ERR133*`
do
    fastq-dump --split-files --defline-seq '@$sn[_$rn]/$ri' $i
done

    Collinearity analysis was conducted using MCScanX, based on BLASTP results and GFF annotations (22,23). The resulting collinearity blocks and point diagrams were saved in JSON format, and visualizations were created using the D3 library. MCScanX’s duplicate_gene_classifier function was used to categorize gene duplicates.

#泛基因组与传统全基因组信息的区别

泛基因组和传统全基因组信息在范围和用途上有显著差异。传统全基因组信息是通过测序、组装和注释得到的，通常基于单一个体或参考株的基因组，包含genome（完整DNA序列）、CDS（编码序列）、protein（蛋白质序列）和GFF3（基因注释文件）等。这些文件描述了该个体的基因组特征，适合研究单一个体的基因功能和结构。

相比之下，泛基因组是物种所有个体的基因或DNA序列的集合，包括核心基因组（所有个体共有的基因，通常负责基本代谢功能）和可变基因组（仅存在于部分个体的基因，可能与性状差异如抗病性相关）。因此，泛基因组更全面地反映了物种内的遗传多样性和变异，适合研究进化、遗传多样性和群体差异。

例如，传统全基因组信息可能遗漏某些个体特有的基因，而泛基因组则试图包含所有这些变异，特别是在细菌如大肠杆菌或植物如水稻的研究中。

#可以下载物种的泛基因组信息

是的，可以下载某些物种的泛基因组信息，特别是在经过广泛基因组研究的物种中。

1.未经验证，据说可以使用国内Visa和MasterCard卡

https://openssora.com/grok3-rate-limits-and-think-deepsearch-limits-times/

2.pdf全文介绍

Grok3的次数限制和Think、DeepSearch的次数限制说明，以及如何提高Grok3次数调用的几种方法

免费用户和付费用户的Grok3的次数限制，Grok上限次数多少说明，以及如何提高Grok3次数调用的几种方法。

在不使用推理Think和DeepSearch的情况下，Grok3 目前每2小时可以免费使用20次数。

img

当前测试到的数据，Grok3的Think推理模式和DeepSearch模式次数上限是每天最多各5次。总共10次调用。

We made a detailed record of each genome article, including the title, publication date, journal, and PMID. For each genome, we manually collected information from the articles, including the genome size, assembly level, and number of predicted genes. To show the landscape of the chromosomes in the genome, MCscan [19] (https://github.com/tanghaibao/jcvi/wiki/MCscan-(Python-version)) was used to display the gene density on each chromosome.

Case study

  读文献要读人，读典和读新。

 1.读人

      维基百科页面了解学者信息 https://en.wikipedia.org/wiki/David_R._Liu

      1.1系统性搜索文章

          通过 谷歌学术的学者页 去搜索一个人的代表性工作。（谷歌学术搜索David R. Liu，第一个搜索就会推荐这位学者的主页）

          1.1.1对该学者的文献重点关注一下几点