估计阅读时长: 11 分钟在进行热图的渲染的时候，我们需要首先将需要进行渲染的数据转换为一个0到1之间的灰度值，然后基于所设定的颜色列表，将灰度值映射为颜色列表的索引号，获取某一个灰度对应的颜色，从而完成对热图的渲染过程。在这个过程中，假若我们是针对热图需要获取得到一个连续的颜色列表，则我们还需要使用插值算法针对基础的关键颜色列表进行插值计算，生成调色板。 Order by Date Name Attachments volcano_ggthemes_Traffic • 17 kB • 345 click 2025年6月12日volcano_ggthemes_excel_Ion_Boardroom • 15 […]
估计阅读时长: 5 分钟https://github.com/xieguigang/scale_colour_genshin 在用R绘图时，颜色设置是美化过程中不可缺少的一步。在实际绘图时，一般不会一一手动寻找合适的颜色，而是通过一些R包、网站提供好的，美观的颜色组合，即调色板（palette），可供使用。在这里介绍一种通过提取图片主题色的方法来为我们自动生成画图所用的颜色板数据。 Order by Date Name Attachments 383807b4 • 132 kB • 547 click 2023年4月8日faruzan • […]
估计阅读时长: 8 分钟https://github.com/rsharp-lang/NRRD NRRD(Nearly Raw Raster Data)是一种用于存储类似于热图成像数据的文件格式。其实我们可以将NRRD看作为类似于bitmap之类的未压缩的原始光栅图像文件。只要我们有对应的解码方式，我们就可以像查看普通图片文件一样查看NRRD文件。 Order by Date Name Attachments raster__238 • 61 kB • 532 […]
估计阅读时长: 7 分钟热图（Heat Map）是在二维空间中以颜色的形式显示一个现象的绝对量一种数据可视化技术。颜色的变化可能是通过色调或强度，给读者提供明显的视觉提示，说明现象是如何在空间上聚集或变化的。热图有两种完全不同的类别：聚集热图和空间热图。 在聚集热图中，幅度被排列成一个固定单元格大小的矩阵，其行和列是离散的现象和类别，行和列的排序是有意的，而且有些随意，目的是暗示聚集或描绘出通过统计分析发现的聚集。单元格的大小是任意的，但足够大，可以清晰可见。 相比之下，空间热图中某一量级的位置是由该量级在该空间中的位置所决定的，没有单元的概念，现象被认为是连续变化的。 Order by Date Name Attachments 2D-cubic-spline-interpolation-of-mass-profiles-from-1939-to-2354-UT-and-between-16 • 112 kB • 707 click […]
估计阅读时长: 2 分钟在BILIBILI上观看视频：【空间代谢组学】AP-MALDI 质谱成像技术介绍 哈啰，大家好呀，鸽了大半年之后，你们的小姐姐又回来啦。为了更好的制作出质量更高的视频，你们的六神无主鸠小姐姐呀，在这大半年的时间里面一直在努力的学习新技术。经过半年的钻研学习，收获满满。谈到最近几年的热门尖端技术，大家都会谈论到空间转录组和单细胞技术。一般而言，代谢组学的发展要稍微滞后于转录组学研究。最近一年呢，随着空间转录组的热度的降低，空间代谢组的热潮也终于姗姗来迟终于到来了。今天呢，我想要为大家介绍的是在最近几年内出现的，目前比较火热的空间代谢组学研究领域内的质谱成像技术。 Order by Date Name Attachments 3D-MS-imaging-using-dual-beam-and-dual-spectrometer-mode-10-of-single-rat-alveolar • 99 kB • 671 click 2022年5月6日Microsoft […]
Wow that was strange. I just wrote an extremely long comment but after I clicked submit my comment didn't show…
Hi, appreciate the effort put into this. It's always good to see quality content. 🥳
WOOOOOW This was incredibly helpful and easy to understand. I've learned a lot. many thanks to your idea sharing.
[…] 在前面写了一篇文章来介绍我们可以如何通过KEGG的BHR评分来注释直系同源。在KEGG数据库的同源注释算法中，BHR的核心思想是“双向最佳命中”。它比简单的单向BLAST搜索（例如，只看你的基因A在数据库里的最佳匹配是基因B）更为严格和可靠。在基因注释中，这种方法可以有效减少因基因家族扩张、结构域保守等原因导致的假阳性注释，从而更准确地识别直系同源基因，而直系同源基因通常具有相同的功能。在今天重新翻看了下KAAS的帮助文档之后，发现KAAS系统中更新了下面的Assignment score计算公式： […]
不常看到, 没有多余矫饰的表达。敬意。