由于开始时文献阅读的不多，导致对一些甲基化芯片文章的理解造成了一定的偏差，这篇笔记陆陆续续改了几次
之前甲基化入门学习时本打算重复下提纲给的文献，但是后来学习过程中发现GEO上下载的RAW文件里没有该样本信息文件，就用了ChAMP包的测试数据。最后想了想，还是决定找一篇比较简单的文献的来实践使用下甲基化450K芯片的分析过程。看了几篇关于人的甲基化文献（数据在GEO上的），挑了一篇Intrinsic gene changes determine the successful establishment of stable renal cancer cell lines from tumour tissue，样本数据比较少，但是文章对分组比较明确（或者说是分的比较简单），所以拿来试试
在学习全基因组call variant时，用过snpEFF/Annovar两款对vcf文件注释的软件，如两篇博文所记录的简单学习snpEFF注释vcf-笔记和Annovar注释vcf-笔记，那时并未对结果进一步的解读，比如：Sequence Ontology这个概念
Annovar的Gene-based annotation的结果有两个文件： >1. 在外显子位点上的突变注释：XX.exonic_variant_function
>2. 所有位点上的突变注释：XX.variant_function
XX.variant_function文件一般关心前两列，后面几列均是变异位点的一些信息（因为我那时没有选择其他snp相关数据库，只是Gene-based annotation的话，所得信息会比较少）：
为什么要安装Rstudio-server：
- 老式笔记本在R处理一些较大数据时越来越力不从心了，有时因为运行一些R脚本，会导致笔记本的卡死
- 最近在学习甲基化芯片分析，在ubuntu的R中使用
ChAMP包分析数据时遇无法打开GUI的问题，这时就需要有一个可视化界面- 在处理一些复杂数据时，服务器上的R能有效加快运算速度；但我已经习惯了在IDE环境（windows Rstudio）上的书写代码，无法忍受服务器上那简单的R操作界面
- 之前用shiny时也装过Rstuio-server，在Amazon Web Services (AWS)安装的，这次也想在自己服务器上装一个试试，方便以后装shiny
- 待写
DNA甲基化芯片分析有不少R包实现，如：minfi、lumi以及ChAMP等，我只粗略看过minfi和ChAMP，发现ChAMP的功能更加齐全以及使用也较为简单，并且其也集成了minfi包的部分功能，所以下面以ChAMP包作为学习对象
什么是DNA甲基化
DNA甲基化是表观遗传学的中最为常见的一种修饰，其主要形式包括：5-甲基胞嘧啶 (5-mC)、少量的N6-甲基腺嘌呤 (N6-mA) 以及7-甲基鸟嘌呤(7-mG)。
目前常说的DNA甲基化一般指CpG岛甲基化，即在DNA甲基化转移酶（DNMTs）的作用下使CpG二核苷酸5'端的胞嘧啶转变为5'甲基胞嘧啶。
哺乳动物体细胞的DNA胞嘧啶甲基化主要发生在CpG岛；CpG岛（CpG islands）指CpG序列密度相比整个基因组来说是特别高的富集区域，一般位于启动子附近，5'端非翻译区或第一个外显子；一般CpG岛序列长度在500bp以上，GC含量高于55%以及CpG出现比率大于0.65，40%的启动子区域含有CpG岛。
CpG shores and shelves分别是指距CpG岛边缘2kb与4kb的区域，哺乳动物中的非CpG甲基化主要是发生在胚胎发育阶段和脑组织中
基因组中60%-90%的CpG都被甲基化，未甲基化的CpG形成CpG岛，位于结构基因启动子的核心序列和转录起始点
最近在看一本书《赤裸裸的统计学》，其中有两章节讲的是中心极限定理以及统计推断与假设检验，看完后瞬间勾起我去统计推断的兴趣，想到了平时用的T检验，所以准备将统计学的一些基础知识好好补一补，就先从整理下对于T检验的粗浅理解好好补一补，就先从整理下对于T检验的粗浅理解
Uniprot，全名Universal Protein，其整合了Swissprot、TrEMBL和PRI-PSD三大数据库，是目前使用非常广泛的蛋白质数据库
常规物种的蛋白质组学研究一般会使用Uniprot数据库的蛋白序列作为查库序列，因此蛋白组学的结果常以uniprot ID作为识别ID，而且Uniprot数据库还与其他公共库进行了关联，丰富了蛋白相关的信息
这里主要是对Uniprot的API进行一个小结。之前略微了解过KEGG的API，能非常方便的通过URL以及编程命令轻松访问KEGG数据库获取所需要的信息，Uniprot API也有相同的功能
去年这个时候我给自己立的FLAG是正式成为生信菜鸟
我们常见的转录组表达分析一般都是将reads比对至参考基因组或者转录组上，然后在基因或者转录本水平上定量表达丰度。
在转录组定量分析时，如果采用的是alignment-based转录组定量策略，那么一般会使用的是HISAT2、STAR或者TopHat等比对软件。
接着则是对转录组进行定量，如果是基于基因水平的定量，我之前一般是采用HTSeq-count工具来获取每个基因上的count数。所谓count数，个人简单的理解为根据不同比对情况，将reads分配到各个基因上。HTSeq-coun对于多重比对的reads则是采取舍弃策略。当HTSeq-count选择默认参数（-m 默认模式），那么reads是以下图所示的union的情况进行分配的
在生信领域，不可避免会使用R来处理一些数据，不仅因为R在生信数据分析中的广泛应用，而且也由于R其强大的数据处理以及统计分析能力。不管是NGS数据，还是芯片或者公共数据，我们都需要对其进行预处理以及相关的下游分析，这时如何提高处理及分析效率就是一个关键的技能。
起初我一般会选择一些R的base函数进行操作，但从最开始学习R开始，就听起别人说有个叫dplyr的R包是一个处理数据的利器，结果由于那时too native地觉得dplyr也就比base函数方便一点而已。直到最近使用了dplyr包后，才发现自己之前的想法是多么幼稚！现在只要是处理数据的R脚本，我会毫不犹豫的先加载个dplyr。。。。
最近在逛R语言数据分析与可视化是发现了有个ggpubr包可以绘制箱线图的显著性标记，感觉蛮有用的，然后就在网上搜了下显著性标记相关资料，发现除了ggpubr包外，发现一个ggsignif包！查了下原来这个包是专门配套ggplot2来给图添加显著性标记的，所以收藏并使用了下
这次以R语言处理表达芯片教程中的GSE号为例子，具体可以参看http://www.biotrainee.com/thread-566-1-1.html
去年的这个时候，我参加了生信技能树Jimmy办的线上R语言处理表达芯片教程，这也是我进入生信领域，第一个学习的完整流程。那时对生信的一些基础概念还是处于模糊的状态，只是略懂了点R语言，勉强的听完了整个教程。
火山图（Volcano Plot）常用于展现差异表达的基因，横坐标常为Fold change（倍数），纵坐标为P value（P值），这里以静态和动态两种形势展示火山图，主要还是为了介绍下ggplot2的插件ggrepel和plotly包
做完前面两部分实战总结ChIP-Seq分析小实战（一） ChIP-Seq分析小实战（二），这个实战教程也剩下了最后的peak注释以及可视化了
在ChIP-Seq分析小实战（一）中以将数据做好了准备，接着就是按照文章中所述将ChIP-seq数据用botwie比对至NCBIM37基因组上，但是这次我还是按照教程的方法，使用bowtie2比对至mm10基因组上
首先要先感谢生信技能树Jimmy分享ChIP-seq基础入门教程，让我有机会以及动力去好好了解ChIP-seq，教程的提纲以这篇2013年发表在Cell Reports的文章RYBP and Cbx7 define specific biological functions of polycomb complexes in mouse embryonic stem cells为例，并给出了这篇文章ChIP-seq分析的每个步骤，可供我们实践。
Perl的标量变量保存单个值；数组保存一个有序的标量变量；散列保存一个无序的标量集合作为值
个人觉得，正是因为有引用，将标量、数组和散列很好的结合在一起，才在处理复杂的数据结构中游刃有余，引用可以分别数组引用和散列引用，还有个是子例程引用
数组中的每个元素都是单独的标量变量，并且是有序的，我们可以通过数组索引对其赋值
@array = ()定义空数组，$#array表示数组最后一次元素的索引值，$array[0]表示数组第一个元素以及$array[-1]表示数组最后一个元素等
怎么理解数组是有序这个意思呢，比如我想将有三个元素的数组赋值于一个只有两个元素的数组，那么后面的数组的第三个元素将自动被忽略，如下：
($one, $two) = （"aaa", "bbb", "ccc"）;或者这么理解：
@array[2,3] = ("a", "bb");