Bioinformatics #

2025-07-28 ⋯ MAFFT 작업 #2 MAFFT 실행

1. Objective Influenza의 Reference squence는 길이가 fix되어있지만, - 각 sequence는 삽입/탈락 mutation이 일어남에 따라 모두 길이가 같지 않다. - 이 길이를 맞춰주는 padding을 하기 위해 MAFFT를 이용해 정렬(Multiple Sequence Alignment)한다. 2. MAFFT 실행 bash script

#mafft

2025-07-28 ⋯ MAFFT 작업 #1 Fasta 파일 전처리

1. Load package 2. Objective Influenza type A의 H1N1 strain의 fasta 파일을 확인해보면? `>`로 시작하는 행에 해당 시퀀스의 메타데이터가 있고 다음 `>`로 시작하는 행 이전까지 해당 시퀀스 정보가 있다. - `>`로 시작하는 행을 |로 분리했을때 제일 마지막값에 유전자 정보가 있다. Raw 데이터는 아래와 같이 구성돼있는데 유전자가 섞여있는 fasta 파일을 분석하기 편하게 유전자별로 분리해줄려고한다. 3. Process fasta file 8개 gene segment별로 fasta 파일을 분리함.

#mafft

2025-07-28 ⋯ Influenza 시퀀스 크롤링 (Selenium)

1. Load package 2. Set path 3. Run crawling - 분명 알고리즘 개발에는 22만개 sequence를 사용했는데 validation set으로 190만개 sequence를 쓰는게 맞았을까 생각했던작업 - 그와중에 GISAID의 xpath가 매일 업데이트돼서 매일아침 코드 수정해가면서 돌렸던기억이 있다 - 그리구 이상한게 핫스팟연결하면 오류나가지고 이기간엔 라운지도 못가고 연구실에만 있었어야했다..

#gisaid #crawling

2025-07-28 ⋯ DMR 분석 (methylKit)

Load packages Set path Load data Test: keb01 vs keb02 5. Save CpG filtering 차등 메틸화된 모든 region에 대한 test 결과가 myDiff에 있는데 CpG island 부분만 남겨서 downstream 분석을 진행한다. Gene region annotation (는 cpg island만 필터링했기때문에 당연한 결과) Save result cf - 갠적으로 재밋었던 작업이었는데 (생전첨보는툴들의 향연) 결과가 너무 별로라 논문에실리지는 못한 비운의작업 이었당 - 교수님께서 코드 달라셔서 드렸는데 "샘플수늘린것밖에 달라진게 없는데 자꾸 오류가난다 아무리봐도 문제가없다 한번봐달라"셔서 한 30분 같이 씨름했었는데 - 문제는? 없었음. 혹시나해서 터미널에서 돌리니까 돌아갔다. 그냥 jupyter에서 안돌아간거였고 교수님이 보시고 역시 r은 쓰레기라고 하셨다 .. 맞긴해..

#dmr

2025-07-23 ⋯ TFT 항생제 연구 #4 모델 학습

1. Load package data 2. Load data 3.

#tft

2025-07-23 ⋯ TFT 항생제 연구 #3 입력 feature 생성

1. Load package 2. Make feature1 data result functions `sc.py` provided in github

#tft

2025-07-23 ⋯ TFT 항생제 연구 #2 입력 시퀀스 생성

1. Load package 2. Load raw data data 3. Raw data processing result 4. Make input sequence data result functions `sc.py` provided in github

#tft

2025-07-23 ⋯ TFT 항생제 연구 #1 연구 방향

( 작성) 사용하고자 하는 데이터는? - feature - Clinical feature (17, float): Creatinine, Hemoglobin, LDH, Lymphocytes, Neutrophils, Platelet count, WBC count, hs-CRP, D-Dimer, BDTEMP, BREATH, DBP, SBP, PULSE, SPO2, O2_APPLY - Antibiotics feature (2, str) - Treatment (list, str): 투여한 항생제, 결측값일수도있고 2개 이상일수도 있음 - Strain (str): 환자가 감염된 균주, 1개 - NEWS (int): 중증도 - Code (int/str): 환자 등록번호 - time-series - 10개 시점 (항생제 투여 기준 D-3 ~ D+6) TFT input 형식은? - Observed (18): Creatinine, Hemoglobin, LDH, Lymphocytes, Neutrophils, Platelet count, WBC count, hs-CRP, D-Dimer, BDTEMP, BREATH, DBP, SBP, PULSE, SPO2, O2_APPLY / Strain - Known (1): Treatment - Static (1): Code - Target: NEWS 목적? - 항생제 투여에 따른 NEWS 예측 문제점1 - ‘Treatment’ 즉 리스트를 feature로 넣으려면 one hot encoding 해야함 - one hot encoding 하면? ‘Treatment’ feature의 차원이 너무 많아짐 항생제가 100종류 이상이라서 문제점1의 solution - ‘Treatment’ feature를 항생제 리스트 대신 존재 유무 (0,1)로 변경 - ‘Strain’ feature도 항생제랑 관련된 feature이므로 우선 제거 수정된 input - Observed (17): Creatinine, Hemoglobin, LDH, Lymphocytes, Neutrophils, Platelet count, WBC count, hs-CRP, D-Dimer, BDTEMP, BREATH, DBP, SBP, PULSE, SPO2, O2_APPLY - Known (1): Treatment - Static (1): Code - Target: NEWS 문제점2 데이터 단순화 과정에서 무시된 내용 - 항생제의 균주 특이성 - 항생제는 투여 1일만에 NEWS를 낮출 수도 있고 2일 이상 소요될 수도 있음 - 중복 투여된 항생제가 서로 영향을 줬을 가능성 문제점2의 solution - 항생제별 균주 특이성 feature 추가 - 원래 데이터에서 항생제 별로 Sequence를 찾고 투여 후 NEWS가 감소하는 Sequence를 식별 (K means등 clustering 기법을 써도되고 단순히 감소폭을 봐도 되고) - Sequence의 투여 첫날 기준 항생제-균주 pair를 찾기 - Paired_antibiotics feature 추가 - 항생제별 NEWS를 낮추는데 소요시간 feature 추가 - 항생제 투여 후 NEWS가 일정 수준까지 낮아지는데 소요되는 일수에 따라 유형 A, B, C로 구분 - Response_time feature로 추가 문제점1,2의 solution 의 효과 - ‘항생제 종류’와 ‘균주’를 제거한 대신에 ‘항생제 종류’와 ‘균주’가 갖는 아래 특성만 (중요하다고 가정하고) 반영시킴 - 특정 균주 감염된 경우에 NEWS를 일정 수준 감소시킨 이력이 있는지 (0,1) - 모든 투여 경우에서 NEWS를 일정 수준 감소시키는데 걸리는 시간이 느린편인지 빠른편인지 (A, B, C) --- 문제점1,2의 solution에서 생각할수있는 이슈 사항 - 추후 항생제 시뮬레이션을 할때도 자체적으로 annotation한 Paired_antibiotics 및 Response_time feature를 넣어줘야 할것인데 우리 데이터상에 적은 antibiotics나 strain인 경우 과대적합일 수도 있고 우리 데이터셋이 없는 antibiotics나 strain에 대해서는 적용하기 어렵다는 문제가 있음 - known feature인 Treatment가 모든 sequence에서 투여 이전에 0인데 이게 TFT 알고리즘에서 불리하게 작용하는 점은 없을까? - Encoder와 Decoder에 다른 feature가 들어가도 괜찮던데 이걸 최대로 이용할 방법은 없을까? 문제점1,2의 solution를 사용한 결과 모델의 의의 - 17개 임상 feature와 항생제 투여유무 feature에 추가적으로 항생제-균주가 NEWS를 낮추는지 여부, 항생제 효과 소요시간을 반영했을때 NEWS 예측 성능이 올라갔다. - 이는 항생제 항목 자체를 넣어주는 원-핫 인코딩을 썻을때보다는 dimension 축소 효과로 인해 예측 성능이 높아진거고 - 항생제-균주가 NEWS를 낮추는지 여부, 항생제 효과 소요시간을 반영하지 않았을때보다는 항생제의 2가지 특성을 반영했다는 이유로 인해 예측 성능이 높아진 것이며 - 이런 모델을 통해 6종 항생제 투여로 시뮬레이션 해본 결과 최적의 항생제 탐색에 사용 가능할거같다. - 항생제 자체가 갖는 다차원 특성을 medical insight를 토대로 2개로 줄인것에 의의가 있다. 생각 이대로 진행해도 괜찮지만 뭔가 일찍부터 카테고리를 나눠서 수행하는것보다 항생제별로 다 결과를 뽑은 담에 결과를 토대로 역으로 그 카테고리가 나오게 하는게 이쁠거같음 --- 이슈사항정리 Q1) 항생제 feature가 D+0 이전에는 결측인 경우가 문제되지 않을까? A1) TFT의 known feature는 미래 예측을 위한 입력이며, 과거 구간에서는 비어있어도 문제가 되지 않는다고함. Encoder는 과거 임상 수치와 항생제 미투여 상태(0)만 보고 학습하고, Decoder는 항생제 시나리오가 주어졌을 때 그 조건하에 예측을 수행하는것은 TFT 구조 설계상 허용되는 일반적인 상황. Q2) 항생제 종류가 너무 많은 경우(100종 이상) 직접 one-hot or embedding 사용하면? A2) 100개 one-hot 인코딩 시 차원이 너무 크고 sparse하여 과적합 유발. Embedding도 너무 많아지면 학습 어렵고 특히 데이터 적으면 성능 저하될수있음. Q3) multi-hot 임베딩 하면? A3) 100종 항생제라고 치면 100개 binary feature로 넣어주는건데 구조가 단순하고 해석이 쉽지만 feature 수 많고 sparse하고 상호작용 표현 어려움 Q4) 항생제 군 분류 후 군 정보 feature 쓰면? A4) beta-lactam계, macrolide계 등으로 10~15종으로 분류한 feature를 넣어주는건데 feature 수 줄고 효과 해석도 나쁘지않음 다른 항생제 종류 쓴 데이터에 시뮬레이션 하기도 괜찮을듯 근데 일반적으로 나누는 분류법이라서 일반적인 결과가 나와버릴수도 Q5) 항생제 임베딩해서 균주, 반응시간과의 상호작용 반영된 latent vector 학습 A5) feature를 가내수공업으로 넣어주는게 아니라 항생제 효과 요약 벡터를 생성하는건데 균주와의 관계, 반응소요시간 등에서 내가 놓칠수있는 부분을 캐치해서 넣어줄수있음. 예를들어 나는 샘플을 보고 NEWS를 3.0 이하로 떨어뜨린 경우가 많으면 “효과적” 아니면 “알수없음"으로 생각하는 알고리즘인데 딥러닝 돌리면 샘플을 보고 “~~~” 하니까 임베딩공간상 이 위치, 이 샘플은 “~~~” 하니까 임베딩공간상 다른 위치 이렇게 할당하는거고 ““에 NEWS를 3.0 이하로 떨어뜨린 경우가 많은지에 대한 비중이 큰지 작은지 없는지는 모르지만 어떤 weight가 줘진상태든 간에 데이터 상 내가생각한 저 기준보다 더 중요한 특성이 있으니가 weight를 덜 줬겠지 라고 생각하는것임. 이 방법은 설명력이 낮을 수 있다. Q6) Q5 연구는 TFT를 적용한 항생제 연구로서 항생제 투여에 따른 NEWS 예측에 중요한 feature와 그렇지 않은 feature를 자동으로 weight 조절해서 학습하는게 포인트임. 근데 항생제 종류에 따라 중요한 feature가 다를 수도 있지 않나? 이걸 반영하지 않고 도출한 ‘중요한 feature 목록’은 그냥 “항생제"라는 x로 “NEWS"라는 y를 예측할때 일반적으로 이런 feature가 중요하다 선에서 그침. 모조리 넣고 항생제마다 결과를 봣을때 이런이런 feature가 비슷하다고 나온 애들은 확인해보니 이런 공통 특성을 갖더라 이런식으로, 카테고리화는 마무리 단계에 들어가야하지 않나 싶음. A6) 조건 분기 Decoder를 적용하는 방법이 있는데 더 찾아봐야함 Q7) 중복 투여에 따른 영향을 고려 안해도되나.. A7) 아래 gpt 넣엇을때 추천받은 방법을 일단 수행해보고 결정하기. > 목적: 본 연구는 “항생제 종류에 따라 NEWS score를 예측"하는 문제를 해결하고자 한다. 이를 위해 기존 Temporal Fusion Transformer(TFT) 구조에 다음 네 가지 기능을 통합한 모델을 제안한다: > > - Multi-path 구조 > - 항생제-균주 상호작용 임베딩 > - 조건부 시나리오 입력 > - 항생제 효과 지연 시간 반영 > > 기존 TFT 구조 요약 > > - Encoder: 과거 시계열(임상 수치 등) 정보를 인코딩 > - Decoder: 미래 시점 예측 (known feature 사용) > - GRN + Attention: 중요 변수 선택 및 장기 의존성 반영 > > 기존 TFT의 한계 (본 연구 기준) > > 1. 항생제 효과 구분 불가: 항생제 정보를 모델에 제대로 반영하지 못함 > 2. 균주와 항생제 상호작용 무시 특정 항생제가 어떤 균주에 효과적인지 파악 불가 > 3. 약물 반응 지연 미반영 투여 즉시 효과가 나타난다고 가정함 > 4. 조건부 시나리오 예측 불가 같은 환자라도 항생제를 바꾸었을 때의 결과 비교 불가 > 5. 데이터 부족 문제 항생제별로 모델을 나누면 데이터가 부족하고 과적합 발생 가능 > > 제안하는 개선 TFT: Multi-path TFT with Antibiotic × Strain Interaction > > [1] Multi-path 구조: 항생제 종류에 따라 Decoder 경로 또는 Attention 흐름을 다르게 설정/Decoder 입력에 항생제 조건을 명시하여 조건부 예측 가능/같은 환자에 대해 항생제 시나리오를 바꿔 결과 비교 가능 [2] 항생제 × 균주 상호작용 임베딩: 항생제 임베딩과 균주 임베딩 간의 상호작용을 모델링 (concat, bilinear 등)/항균력 차이를 자동 학습할 수 있어 특정 조합의 효과를 반영 가능 [3] 조건부 Gated Layer: 항생제와 균주 정보에 따라 경로 가중치를 다르게 부여/특정 조합에 따라 예측 흐름을 다르게 조정 가능 [4] 효과 지연 반영: 항생제마다 효과가 나타나는 시간 차이를 가중치 또는 마스크 형태로 반영/예: Vancomycin은 1일 후, Piperacillin은 2일 후 효과가 나타나는 지연 구조를 학습 > > 최종 구조 개요 > > - Static Encoder: 항생제 종류, 감염 균주 등 고정 정보 인코딩 > - Encoder (Observed features): 시계열 임상 수치 및 항생제 투여 여부 등 > - Decoder (Known future inputs): 미래 시점의 항생제 종류 및 투여 계획 > - Conditional Gating Layer: 항생제와 균주 정보를 입력으로 받아 예측 경로 가중치 조절 > - Output: 조건에 따른 NEWS score 예측 > > 기대 효과 > > - 항생제 반응 차이 반영: 항생제-균주 조합에 따른 실제 임상 반응 예측 가능 > - 시나리오 기반 예측: 항생제 변경 시 예후 변화를 시뮬레이션 가능 > - 데이터 손실 방지: 항생제별로 데이터를 분할하지 않아 데이터 효율성 유지 > - 상호작용 내재화: 항생제-균주 관계를 잠재 공간에서 학습 가능 > - 반응 지연 반영: 실제 약물 효과 발생 시점을 반영해 예측 정확도 향상 → 항생제나 균주에 따라 중요한 feature가 다를 수도 있고 delay 효과가 다를 수도 있음을 반영 가능 (맞나?)

#tft

2025-07-23 ⋯ netMHCpan 작업 #4 결과 확인 및 heatmap 시각화

netMHCpan 결과 확인 Heatmap 시각화 cf - 그리드 있는게 나은지 없는게나은지?!! 내눈엔 있는게 이쁜데 row랑 column 너무 많으면 정신사납기도하구 그렇다 - 색깔 하나하나 나름 고심해서 골랐는데 R 느낌 낭낭하게 나와서 갠적으로 맘에 드는 플롯 ㅎㅎ 논문에는 요 그림으로 들어갔다. (그리드 버전)

#netmhcpan

2025-07-23 ⋯ netMHCpan 작업 #3 HLA-peptide affinity 분석

환자별 binding_affinities_HLA-I.csv 생성.

#netmhcpan

2025-07-23 ⋯ netMHCpan 작업 #2 HLA-I 펩타이드 추출

Patient id 추출 result 환자별 proteome.fasta와 HLA-I 펩타이드 생성 epitope.bash sc1.py result

#netmhcpan

2025-07-23 ⋯ netMHCpan 작업 #1 환자 시퀀스 생성

path Load package Load data Make allprot.fasta result

#netmhcpan

2025-06-27 ⋯ 변이 클러스터링 연구 #6 HLA 결합력 변화 비교

1. Load package 2. Load affinity data 3. Merge affinity tables 만든건 저장. 4. Load peptide data 5. Merge peptide data 6. Check affinity between moderate and severe group

#연구 #mutclust

2025-06-24 ⋯ 변이 클러스터링 연구 #5 결과 검증: 계통 결정 돌연변이와 연관성

1. Load package 2. Load data 만든건 저장.

#연구 #mutclust

2025-06-24 ⋯ 변이 클러스터링 연구 #4 알고리즘 성능 평가 - k dist plot

1. Load package 2. Load data 3. K-dist plot

#연구 #mutclust

2025-06-20 ⋯ 변이 클러스터링 연구 #3 결과 검증: 임상 결과와의 연관성

1. Load package 2. Load COVID19 data 3. Select severity related hotspots 만든건 저장하기.

#연구 #mutclust

2025-06-20 ⋯ 변이 클러스터링 연구 #2 변이 중요도 계산

1. Load package 2. Load GISAID data 3. Calculate H-score 4. Save

#연구 #mutclust

2025-06-20 ⋯ 변이 클러스터링 연구 #1 알고리즘 실행

1. Load package 2. Find CCMs 3. Perform clustering

#연구 #mutclust

2025-05-28 ⋯ 연구실 bashrc 스크립트

local cobi2 cobi3 cobi4

#env

2025-04-21 ⋯ WGBS 전처리 (Bismark)

1. Build Index 2. Bam Sorting & Indexing 3. Methylation Extraction

#wgbs #bismark

2025-04-21 ⋯ Sleuth 작업

1. Load Package, Run Sleuth - 자꾸 커널이 죽어서 ㅠㅠ r script 통으로 돌림 - 생애첫 rscript작성이었어서 기억에남는다 ㅋㅋㅎ

#deg #sleuth

2025-04-21 ⋯ RNA-seq 전처리 파이프라인 비교

Methods 비교 의의 - Traditional 방법은 TopHat2+HTseq 조합이지만 오류도 넘 많이나고 Rsubread를 쓰면 빠르고 깔끔한데 왜 써야하지..? 싶어서 동일한 데이터(pair-end fastq)로 돌려봄. - HTseq에서 아래 코드를 수행할때 파라미터가 많은데 뭐가 다르게나오는지 모르겠어서 실험해봄. Cases 1. Rsubread 사용 2. HTSeq 사용, `-i gene_id --additional-attr=gene_name` (exon 기준 count) 3. HTSeq 사용, `-i transcript_id --additional-attr=gene_id --additional-attr=gene_name` (transcript 기준 count) 4. HTSeq 사용, `-i transcript_id --additional-attr=gene_id --additional-attr=gene_name --nonunique=all` (여러 transcript에 매핑된 read는 모두 count) Result - A1CF gene count - Rsubread 사용: 378 - HTSeq exon: 248 - HTSeq transcript: 0 - HTSeq transcript nonunique: 최대 343 (ENST00000373997 사용시) - Rsubread와 HTseq-transcript-nonunique 버전이 개수가 제일 비슷하게 나왔다. - DEG, Pathway 분석 비교 - DEG 개수는 Rsubread 2612, TopHat-HTseq 2818이고 2191개 겹쳐서 비슷한것같음. - Pathway 분석 결과 중요한 term이었던 DNA methylation, Viral carcinogenesis를 포함해서 term과 p-adj도 비슷하게 나왔다. 결론 - Rsubread 써도 될듯. - HTseq은 보통 `-i gene_id`를 쓰던데 count 많이 뽑고싶으면 `-i transcript_id --nonunique=all`한 후 count 젤많은 transcript id 써주면 될것같다!

#rna-seq

2025-04-21 ⋯ RNA-seq 전처리 (TopHat, SAMtools, HTSeq)

TopHat 실행 - `tophatpy`: tophat2 안먹어서 커스텀한 명령어 (정식 명령어는 tophat2) - `-o tophat_out_33-1`: 출력 디렉토리 설정 - `--no-mixed`: 페어 중 하나만 매핑되면 제외 - `-p 40`: 멀티스레딩, 40개 스레드 사용 - `/data3/PUBLIC_DATA/...dna.toplevel`: reference genome FASTA (Bowtie2 인덱스가 이와 동일한 경로로 있어야 함) - 2개의 paired-end read 입력 cf) tophat alias 확인 cf2) Bowtie Index Build 안했다면? SAMtools 정렬 - `-n`: 이름(name) 기준 정렬 (HTSeq에서 이름 기준 정렬 필요) HTSeq-count 실행 - `TopHat/tophat_out_33-2/accepted_hits.sorted.bam`: 정렬된 BAM 파일 - `-s no`: strand 정보 무시 - `-a 0`: 최소 alignment quality 0 - `-c`: count 결과 저장 경로 - Custom Parameters - `-i transcript_id`: count 기준 feature ID (예: exon이 아닌 transcript 수준으로 count) - `--additional-attr`: gene_id, gene_name 등 추가 정보 기록 - `--nonunique=all`: 여러 feature에 매핑된 read는 모두 count

#rna-seq

2025-04-21 ⋯ RNA-seq 전처리 (Rsubread, edgeR)

가장 오류 적게나는 조합! 1. Align RNA-seq Load Packages Set Path Build Index Read Alignment Quantification Save Countdata 2. Gene ID Annotation Load Packages Set Path Load Annotation Load Count & Gene ID Mapping Transcript Filtering Save 3. DEG Analysis Library & Set Path Set variables & Load Data Create DGElist & Normalization Run DEG Save

#rna-seq

2025-04-21 ⋯ Kallisto Pseudoalignment 작업

1. Build Index 2. Pseudoalign - 3개 파일 생성 - abundance.h5 - HDF5 binary file containing run info, abundance esimates, bootstrap estimates, and transcript length information length. This file can be read in by sleuth - abundance.tsv - plaintext file of the abundance estimates. It does not contains bootstrap estimates. Please use the --plaintext mode to output plaintext abundance estimates. Alternatively, kallisto h5dump can be used to output an HDF5 file to plaintext. The first line contains a header for each column, including estimated counts, TPM, effective length. - run_info.json - json file containing information about the run 3. Downstream 분석 - Kallisto는 일반적인 Alignment 도구와 달리 bam 파일을 output으로 생성하지 않기 때문에 HTSeq-count를 쓰는 대신 abundance.tsv 또는 .h5 파일을 Sleuth에서 직접 불러와서 통계 분석을 수행하는 것이 표준 워크플로우.

#rna-seq #kallisto

2025-04-21 ⋯ Enrichment 분석 및 시각화 (gProfiler/ggplot2)

Load Package Set Path Functional Enrichment Bubble Plot ~원래 이쁜그림인데,, 안이뻐보이는건 데이터탓임~

#gprofiler #ggplot2

2025-04-21 ⋯ ChIP-seq 전처리 (trimmomatic, samtools)

1. Trimming chipseq_trimming.sh 2. Alignment chipseq_alignment.sh 3. Peak Calling bedgraph.sh

#chip-seq

2024-12-31 ⋯ RNA-seq 전처리: EBV genome

분석 목적 - 제공받은 fastq를 human genome에 매핑해서 전처리, 분석 후 DE 결과 보냄 - DE 분석시에 EBV 유전자도 포함해달라는 요청 해야하는것 - fastq를 EBV genome에 매핑해서 전처리, EBV count 생성 - human count에 EBV count를 붙이기 - 통합 count로 DE 분석 재수행 1. Alignment Load package, Set Path Build Index Feature Count Save 2. Annotation Load Package Set Path Load GTF file - annotation 파일이 없어서 gtf reference 파일을 사용해서 직접 만들어줫다. Make annotation file Save - 나중에 또 써야대니깐 저장. Load Count - 위에서 Rsubread로 만든 EBV count 가져옴 Annotation - 중복인 transcript가 엄청많음 - (63, 12)짜리에서 deduplication 결과 (15, 12)가 됏다. Merge 3. DEG Analysis Load Packages Set Path Run DEG Heatmap 시각화

#rna-seq

2024-12-31 ⋯ EndNote 사용법

1. EndNote 설치 및 계정 설정 - 계정 설정: 공식 웹사이트에서 End note 계정을 생성한다. - 설치: 나의 경우 여기에서 다운로드해줬다. 2. 레퍼런스 추가 방법 - Google Scholar에 논문 제목을 검색해서 인용>EndNote를 클릭하면 .enw 파일이 다운로드된다. 3. 레퍼런스 관리 - Endnote에 접속한다. - Collect>Import References로 들어간다 - 파일 선택>아까 저장한 .enw 파일을 선택해준다 - Import Option>EndNote Import를 선택해준다 - To>New Group을 하면 논문 주제별로 그룹을 생성하여 정리 가능. 생성한 그룹이 이미 있으면 원하는 그룹 선택해준다. - Import 해준다 2025EMM_Mutclust 그룹에 45개 레퍼런스를 넣었고 이렇게 뜬다! 4. Word에서 레퍼런스 인용 - 위에서 EndNote를 설치해줬다면 Word의 상단 탭에 EndNote가 뜬다. - 레퍼런스를 넣고싶은 자리에 커서를 두고 EndNote>Insert Citation을 선택해준다. - 넣고싶은 논문의 제목 일부나 저자 이름을 넣고 검색>Insert 해준다. 47번째 줄에 성공적으로 레퍼런스가 달렸다! 본문 맨아래를 확인하면 citation도 자동으로 달려있다. cf) 만약 citation 형식을 바꾸고 싶으면 Select Other Style로 들어가서 형식을 바꿔주면 된다. 나는 Last name(full name) > First name(약어) > 제목 > 저널(기울임체) > 버전(bold) > 페이지, 발행년도 순으로 나오고 / 6명 이상인 경우 주저자 1명만 + et al.로 표기되는 형식을 써줘야했고 Nature immunology 포맷을 사용해줬다. 참고 자료 EndNote 활용 가이드 https://library.korea.ac.kr/wp-content/uploads/2020/03/EndNote_X9_manualKorean.pdf

#연구 #endnote

2024-12-31 ⋯ DE 분석 (DESeq2)

> Tool > > Bioconductor - DESeq2 https://bioconductor.org/packages/release/bioc/html/DESeq2.html 1. Load package 2. Set path 3. Run DESeq2

#deg #deseq2