琴酒martini
琴酒martini

ROH、近交系数、亲缘系数、IBD、IBS

连续纯合片段（runs of homozygosity, ROH）是亲代将同源相同的单倍型传递给子代而形成的，基于ROH计算的基因组近交系数是个体真实的近交系数，它比传统系谱计算的期望近交系数更加准确，而且不再依赖于系谱记录的准确性和完整性，能准确地反映两个配子间的关系。

ROH片段的长短还可以推断近交历史。长的ROH片段反映最近世代发生过近交，而短的ROH说明较远世代产生近交，因为世代数越短ROH片段被重组打断的可能性就越小。

计算连续纯合片段 runs of homozygosity

芯片文件为例
1.转成vcf

nohup /home/software/plink --allow-extra-chr --chr-set 26 --file project_96s  --make-bed --out project_96s &
nohup  /home/software/plink --allow-extra-chr --chr-set 26 --bfile project_96s --export vcf --out project_96s &

2.过滤缺失0.1，MAF0.05
只使用常染色体上的位点，最大缺失率（max-missing）<10%即检出率>90%的SNP位点，最小等位基因频率（MAF）>0.05（哈代温伯格平衡检验的P值大于10^-6 -hwe）。

nohup /home/software/plink --allow-extra-chr --chr-set 26 -bfile project_96s --geno 0.1 --maf 0.05 --make-bed --out project_96s-geno01-maf05 &

3.去多等位基因，INDEL

nohup  /home/software/plink --allow-extra-chr --chr-set 26 --bfile project_96s-geno01-maf05 --export vcf --out project_96s-geno01-maf05 & （bed-vcf）
bgzip -c -f project_96s-geno01-maf05.vcf > project_96s-geno01-maf05.vcf.gz
nohup /home/software/bcftools/bcftools view -m 2 -M 2 --type "snps" project_96s-geno01-maf05.vcf.gz -O z -o project_96s-geno01-maf05-snps.vcf.gz &

4.去重复标记，对vcf文件进行去重并排序，加头

 # 去重
sort -k 1,2 -u  project_96s-geno01-maf05-snps.vcf >  project_96s-geno01-maf05-snps.sorted.uniq.vcf 
# 排序
cat project_96s-geno01-maf05-snps.sorted.uniq.vcf |/home/software/vcftools/src/perl/vcf-sort  > project_96s-geno01-maf05-snps.sorted.uniq.recode.vcf
# 提取前40行vcf文件
head -40 project_96s-geno01-maf05-snps.vcf >  40.vcf
# 加头
cat 40.vcf project_96s-geno01-maf05-snps.sorted.uniq.recode.vcf > project_96s-geno01-maf05-snps.sorted.uniq-40tou.recode.vcf

5.（基因填充beagle）

6.去除0号染色体

# 删除0、27、30号染色体
nohup /home/software/vcftools/src/cpp/vcftools --vcf project_96s-geno01-maf05-snps.sorted.uniq-40tou.recode.vcf --recode --recode-INFO-all --not-chr 0 --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0 &
nohup /home/software/vcftools/src/cpp/vcftools --vcf project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0.recode.vcf --recode --recode-INFO-all --not-chr 27 --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27 &
nohup /home/software/vcftools/src/cpp/vcftools --vcf project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27.recode.vcf --recode --recode-INFO-all --not-chr 30 --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30 &

7.转成map ped，调整ped文件前两列 ，第一列为品种名称，第二列为样品名称，做出bed bam fam文件

nohup /home/software/vcftools/src/cpp/vcftools --vcf project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode.vcf --plink --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode &（vcf---map ped)
cat  project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode.ped | awk -F " " '{$1=null;print}' > project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30-1.recode.ped
cat  project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30-1.recode.ped | awk -F " " '{$1=null;print}' > project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30-12.recode.ped
dos2unix 96.txt
paste -d ""  96.txt project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30-12.recode.ped > project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode.ped
sed -i 's/ /\t/g' project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode.ped
nohup /home/software/plink --allow-extra-chr --chr-set 26 --file project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode --make-bed --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode &(map ped ---bed bim fam)

8.计算ROH

nohup /home/software/plink --allow-extra-chr --chr-set 26 --bfile project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode --homozyg-window-snp 50 --homozyg-snp 50 --homozyg-kb 300 --homozyg-density 50 --homozyg-gap 1000 --homozyg-window-missing 5 --homozyg-window-threshold 0.05 --homozyg-window-het 03 --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode &
#.indiv文件中NSEG为个数，KB为长度，KBAVG为平均长度。
将 ROHs 分为了三类，（1）短片段 ROHs（class A）；（2）中等长度 ROHs（class B）；（3）长片段 ROHs（class C）。
对照的界值为 class A: 500Kb-700Kb, class B: 700Kb-1500Kb, class C:超过 1500Kb 。

http://events.jianshu.io/p/5f5d78def191
PLINK 中使用滑动窗口的方法来进行 ROHs 的检测：特定 SNP 数目的窗口以一定的步长在 SNP 芯片上滑动，对能够满足一定参数（默认：缺失率<5，杂合率<1）的窗口进行拼接从而完成对 ROHs 的检测。
这个过程在 PLINK v1.07中通过命令“homozyg“来完成，考虑到基因组上存在一定数量的拷贝数改变，这种拷贝数改变（CNV）往往较短，通过 PLINK 进行 ROHs 的检测时无法将这类拷贝数改变区分开来，参考以前的研究，长度在 0.5Mb 以上的拷贝数改变在健康人群中非常少见，因此将 ROHs 的长度限制设置为 0.5Mb。另外，如果一个ROH 包含两个距离超过 0.1Mb 的 SNPs，那么这个 ROH 被打断为两个 ROHs。
每个 ROH 包含的 SNPs 数量阈值尚无统一定论，因此分别评估 SNPs 阈值为50,60,70,80,90,100 个 SNPs 的 ROHs 的情况。

ROH分析（重测序数据分染色体做）

# 求和：
cat D1.hwe | awk '{a+=$7}END{print a}'
# 计算ROH：
do /home/software/plink --file /home/zhangsj/Wild_European/Plink/Wild_European_chr${K}? --homozyg --out Wild_European_chr${K}
# 得到三个文件：.hom /.hom.summary / .hom.indiv
#使用indiv文件进行统计（利用上面的求和脚本），计算每个个体的平均ROH的长度，和数量。
#使用excel进行统计
=SUM(OFFSET(D$1,(ROW(A1)-1)*19,,19)) }

ROH画图R脚本

detectRUNS: an R package to detect runs of homozygosity and heterozygosity in diploid genomes (r-project.org)

注意：R中使用的map ped 文件均为空格格式！！！

install.packages('detectRUNS')
library('detectRUNS')

setwd("D:/putty/Rdata/ROH/detectRUNS_0.9.6/dec")
# getting map and ped paths
genotypeFile <- system.file("dec", "2.recode.ped", package = "detectRUNS")
mapFile <- system.file("dec", "2.recode.map", package = "detectRUNS")

# sliding-window-based run detectionslid
slidingRuns <- slidingRUNS.run( genotypeFile = "2.recode.ped",mapFile = "2.recode.map",  windowSize = 15,  threshold = 0.05,   minSNP = 20,    ROHet = FALSE,    maxOppWindow = 1,    maxMissWindow = 1,   maxGap = 10^6,    minLengthBps = 250000,    minDensity = 1/10^3, maxOppRun = NULL,   maxMissRun = NULL )
# consecutive SNP-based run detection
consecutiveRuns <- consecutiveRUNS.run(genotypeFile = "Kijas2016_Sheep_subset.ped",mapFile = "Kijas2016_Sheep_subset.map",   minSNP = 20,   ROHet = FALSE,   maxGap = 10^6,   minLengthBps = 250000,   maxOppRun = 1, maxMissRun = 1 )

# “Runs of heterozygosity” 计算杂合
slidingRuns_het <- slidingRUNS.run( genotypeFile = "Kijas2016_Sheep_subset.ped",mapFile = "Kijas2016_Sheep_subset.map",    windowSize = 10,    threshold = 0.05,   minSNP = 10,    ROHet = TRUE,    maxOppWindow = 2,    maxMissWindow = 1,   maxGap = 10^6,    minLengthBps = 10000,    minDensity = 1/10^6,   maxOppRun = NULL,   maxMissRun = NULL ) 
consecutiveRuns_het <- consecutiveRUNS.run( genotypeFile = "Kijas2016_Sheep_subset.ped",mapFile = "Kijas2016_Sheep_subset.map",   minSNP = 10,   ROHet = TRUE,   maxGap = 10^6,   minLengthBps = 10000,   maxOppRun = 2,   maxMissRun = 1 )

# Summary statistics on detected runs
summaryList <- summaryRuns( runs = slidingRuns, mapFile = "2.recode.map", genotypeFile = "2.recode.ped",  Class = 6, snpInRuns = TRUE)
summaryList$summary_ROH_count # 可以看到雅各布斯绵羊中0-6mbp有894个ROH。
summaryList$summary_ROH_mean_chr # 得到每个染色体和每个品种的平均ROH数。
head(summaryList$SNPinRun) # 对于每个SNP，数据框“SNPinRun”包含了它在任何给定人群/组中运行的次数比例。
# The summary information included in the list returned from summaryRuns() is conveniently organized in data.frames, so that it can easily be visualized, manipulated and written out to text files.
# 包含在从summaryRuns()返回的列表中的摘要信息可以方便地组织在data.frames中，这样就可以方便地可视化、操作并将其写入文本文件。

# Plots
plot_Runs(runs = slidingRuns[slidingRuns$chrom==2,])
plot_StackedRuns(runs = slidingRuns)
plot_StackedRuns(runs = slidingRuns[slidingRuns$group=="XLL",])

plot_SnpsInRuns(runs = slidingRuns[slidingRuns$chrom==2,], genotypeFile = "2.recode.ped",  mapFile =  "2.recode.map")
plot_SnpsInRuns(   runs = slidingRuns[slidingRuns$chrom==24,], genotypeFile = "Kijas2016_Sheep_subset.ped",    mapFile = "Kijas2016_Sheep_subset.map")

topRuns <- tableRuns(   runs =  slidingRuns, genotypeFile = "2.recode.ped", mapFile ="2.recode.map",    threshold = 0.7)

plot_manhattanRuns(   runs = slidingRuns[slidingRuns$group=="XLL",],    genotypeFile ="2.recode.ped", mapFile = "2.recode.map")

# From runs of homozygosity (ROH)
# getting map and ped paths
genotypeFile <- system.file("dec", "2.recode.ped", package = "detectRUNS")
mapFile <- system.file("dec", "2.recode.map", package = "detectRUNS")
# calculating runs of Homozygosity
## Not run:
# skipping runs calculation
runs <- slidingRUNS.run( genotypeFile= "2.recode.ped", mapFile ="2.recode.map", windowSize = 15, threshold = 0.1, minSNP = 15,ROHet = FALSE, maxOppositeGenotype = 1, maxMiss = 1, minLengthBps = 100000, minDensity = 1/10000)
## End(Not run)
# loading pre-calculated data
runsFile <- system.file("dec", "2.recode.csv", package="detectRUNS")
runsDF <- readExternalRuns(inputFile = runsFile, program = 'detectRUNS')
Froh_inbreeding(runs = runsDF, mapFile = "2.recode.map")
Froh_inbreeding(runs = runsDF, mapFile = "2.recode.map", genome_wide=FALSE)

slidingRuns <- slidingRUNS.run( genotypeFile = "2.recode.ped",mapFile = "2.recode.map",  windowSize = 15,  threshold = 0.05,   minSNP = 20,    ROHet = FALSE,    maxOppWindow = 1,    maxMissWindow = 1,   maxGap = 10^6,    minLengthBps = 250000,    minDensity = 1/10^3, maxOppRun = NULL,   maxMissRun = NULL )

ROH画图孙脚本

制作391.recode.hom.indiv.txt
Kazakh SRR 246 140312
Kazakh SRR 235 123750
Mongolian SRR 242 124087
Mongolian SRR 212 106493
Mongolian SRR 214 257443
Mongolian SRR 178 81486.2
Jingjiang SRR 647 352246
Jingjiang SRR 612 345693

b=read.table("391.recode.hom.indiv.txt",header=F) 
# txt为indiv数据
head(b)
library("ggplot2")  
qplot(b[,3],b[,4],col=factor(b[,1]),xlab="11",ylab="22")
Breed=b[,1]
png("roh.png",width = 2200,height = 1400,units="px",res=391) # res为分辨率
ggplot(data  = b , aes(x = b[,3],y = b[,4],group = Breed,shape = Breed,color = Breed))+labs(x="Number",y="Length")+geom_point(size=1.2)+scale_shape_manual(values = seq(0,75))
dev.off()
x轴为数量
y轴为长度

plink计算近交系数 inbreeding coefficient

近交系数是指根据近亲交配的世代数，将基因的纯化程度用百分数来表示即为近交系数，也指个体由于近交而造成异质基因减少时，同质基因或纯合子所占的百分比也叫近交系数，个体中两个亲本的共祖系数。

从基因层面来说，近亲婚配的后果就是一个基因的allele来自共同祖先，即血缘同源IBD。 近交系数的定义为在一个常染色体基因座上获得 2 个同源相同(identity by descent, IBD)等位基因的概率。为了更客观的描述个体间近亲婚配情况，提出以下两个概念：
1.coffcient of relationship,针对两个个体间，表示的是两个个体间来自共同祖先的同源基因比例，称之为共祖系数。
2.cofficient of inbreeding,针对一个个体，表示的是该个体任意一个基因的两个allele来自同一个祖先的概率，称之为近交系数。

1.基于基因组关系矩阵的近交系数(FGRM)
2.基因组近交系数

(1)基于ROH计算的基因组近交系数 (FROH) -homozyg
FROH：Froh refers to the proportion of the genome (0-1) that is in runs of homozygosity (ROHs).

# 计算LROH(分染色体做，后合在一起)
vi ROH.sh
for K in 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 ;do /home/software/vcftools/src/cpp/vcftools --vcf test.vcf --LROH --chr ${K} --out test.vcf.${K}ROH ;done
nohup bash ROH.sh &
cat *.LROH > all.LROH # 将所有的.ROH制作成all.ROH,打开去除表头
# 芯片v3.0中绵羊基因组全长2653.84Mb
# 牛基因组全长2489.37Mb
# 重测序绵羊基因组全长
Froh.png 
R统计LROH
a=read.table("all.LROH",header=FALSE)
cha=a[,3]-a[,2]
jishu=aggregate(cha,by=list(a[,8]),length)
zc=aggregate(cha,by=list(a[,8]),sum)
aa=data.frame(jishu,zc)
write.table(aa,"aa.txt",col.names=F,row.names=F,quote=F,sep="\t")

(2)基于基因组杂合度的近交系数(Fhom) -het (使用plink软件根据snp同源性计算近交系数)
Fh is the canonical estimate of genomic F based on excess SNP homozygosity.
[Keller Matthew C,Visscher Peter M,Goddard Michael E. Quantification of inbreeding due to distant ancestors and its detection using dense single nucleotide polymorphism data.[J]. Genetics,2011,189(1).]

nohup /home/software/plink --noweb --file project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode --het --out project_96s-geno01-maf05-snps.sorted.uniq-40tou-noinclude0-27-30.recode &
#该分析将自动跳过单倍体标记（男性X和Y染色体标记） 
#.het文件中 FID：家系ID，IID：个体ID，O(HOM)：观察到的纯合子数量，E(HOM)：期望的纯合子数量，N(NM)：非缺失基因型数量，F：近交系数估计（本例：F=0.036538）

值得注意的是，从概念的定义可以看出，F值理论上是位于0到1范围内的正数，而软件的计算结果中会出现负数,这通常是计算过程中随机抽样的误差，说明该计算结果不是很可靠。但是如果负值非常大，比如-0.5以上，这说明这个样本杂合子较多，可能存在了DNA的污染，其分型结果是有问题的。

例如：大部分个体没有近交情况，绝大多数个体近交系数在0~0.15，少部分个体近交程度比较高，近交系数最高为0.25。[郝鑫宇,冯健,孙延晓,陈琳琳,王起山,潘玉春.保种猪场系谱记录、管理及群体遗传结构分析——以莱芜猪为例[J].中国畜牧杂志,2020,56(04):60-65.]

3.系谱近交系数

系谱近交系数 (FPED)

plink计算亲缘系数

https://www.jianshu.com/p/8340055d3646?utm_campaign=haruki

亲缘系数又称血缘系数，亲属间遗传相关系数，亲缘相关系数。是指将群体中个体之间基因组成的相似程度用数值来表示即为血缘系数。意义即拥有共同祖先的两个人，在某一位点上具有相同基因的概率。它与近交系数不同 , 近交系数 Fχ是说明 x 这个个体本身是什么程度的近交产生的 , 而亲缘系数则是反映两个个体间的遗传相关（亲缘）程度。

#该步骤进行样本间的亲缘关系估计，并将清除未标记明显亲子关系的个体亲缘关系过近的个体。
plink --noweb --file 3 --genome --out 4 

# 3表示质控后的PED和MAP文件 
# 输出：4.genome
     FID1      First sample’s family ID
     IID1       First sample’s within-family ID
     FID2      Second sample’s family ID
     IID2       Second sample’s within-family ID
     RT         Relationship type inferred from .fam/.ped file，从fam/ped文件推断的样本关系  UN
     EZ         IBD sharing expected value, based on just .fam/.ped relationship   NA
     Z0         P(IBD=0)
     Z1         P(IBD=1)
     Z2         P(IBD=2)
     PI_HAT    P(IBD=2)+0.5*P(IBD=1) ( proportion IBD )       //////  Proportion IBD, i.e. P(IBD=2) + 0.5*P(IBD=1)，IBD比例
     PHE       Pairwise phenotypic code (1,0,-1 = AA, AU and UU pairs)      //////    Pairwise phenotypic code (1, 0, -1 = case-case, case-ctrl, and ctrl-ctrl pairs, respectively)
     DST       IBS distance (IBS2 + 0.5*IBS1) / ( N SNP pairs )  //////    IBS distance, i.e. (IBS2 + 0.5*IBS1) / (IBS0 + IBS1 + IBS2)
     PPC       IBS binomial test  
     RATIO     Of HETHET : IBS 0 SNPs (expected value is 2)

例如：利用基因组同源相同信息估计个体间亲缘关系，在全基因组关联分析等研究中常被用于无关个体的挑选，部分研究使用的标准为个体间pi_ hat<0. 125。传统上，利用系谱信息估计亲缘系数为0.125时，反映的是至少3代以上个体间的亲缘关系。与此同时，有研究认为亲缘关系在3代以外的个体可以近似为无关个体。本研究表明，约50%的个体对间亲缘系数大于等于0.125，即个体间存在较近的亲缘关系。同样，利用基因组信息通过计算基因组纯合片段占比发现，约16.67%的样本近交系数大于等于0.125。上述分析表明， 恩施黑猪个体间亲缘关系较近,具有明显的近交累积现象。
[吴林慧,孙琦,王荔茹,张凯丽,谢胜松,李新云,赵书红,马云龙.恩施黑猪基因组群体遗传学参数的估计与选择信号研究[J].畜牧兽医学报,2019,50(03):485-494.]

例如：绝大部分个体间的亲缘系数在0~0.35，亲缘系数最高的为0.579。[郝鑫宇,冯健,孙延晓,陈琳琳,王起山,潘玉春.保种猪场系谱记录、管理及群体遗传结构分析——以莱芜猪为例[J].中国畜牧杂志,2020,56(04):60-65.]

R计算近交系数与亲缘系数

https://blog.csdn.net/yijiaobani/article/details/87876901
https://cloud.tencent.com/developer/article/1550322

1.近交系数

ID <- c("X","B","A","C","D","E","H","G","I")
Sire <- c("B","E","C","E","E","H",0,0,0)
Dam <- c("A",0,"D",0,"G","G","I","I",0)
ped <- data.frame(ID,Sire,Dam)
ped

install.packages('nadiv')
library(nadiv)
pped =prepPed(ped)
A = as.matrix(makeA(pped));A
re = data.frame(ID=row.names(A),inbreeding = diag(A)-1)
write.csv(re,"inbreeding.csv",row.names=F)

2.亲缘系数

id <- c(289,135,181,90,188,49)
sire <- c(135,90,49,16,0,16)
dam <- c(181,188,188,0,0,0)
ped <- data.frame(id,sire,dam)
ped

library(nadiv)
pped = prepPed(ped)
mat = as.matrix(makeA(pped))
# 135 VS 181
mat[5,6]/sqrt(mat[5,5]*mat[6,6])
# 289 VS 16
mat[1,7]/sqrt(mat[1,1]*mat[7,7])

id = row.names(mat)
id1 = rep(id,length(id))
id2 = rep(id,each=length(id))
coeff = matrix(0,dim(mat)[1],dim(mat)[1])
for(i in 1:dim(mat)[1]){
  for(j in 1:dim(mat)[1]){
    coeff[i,j] = mat[i,j]/sqrt(mat[i,i]*mat[j,j])
  }
}

coeff_value = as.vector(coeff)
re = data.frame(id1,id2,coeff_value)
write.csv(re,"coeff.csv",row.names=F)

IBD与IBS

IBD全称Identity By Descent, 又叫做血缘同源，指的是两个个体中共有的等位基因来源于共同祖先。
IBS全称Identity By State, 又叫做状态同源，指的是两个个体中共有的等位基因序列相同。IBS的遗传距离可以衡量样本 间的相似性，评价其亲缘关系。
对于某个等位基因，IBS state只要求allel的个数相同即可，而IBD state则进一步要求相同的allel来自于共同祖先。

IBD与IBS.png

1.iBD
https://blog.csdn.net/weixin_43569478/article/details/108079637 

iBD
# 利用IBD可以描述两个样本间的亲缘关系，采用plink计算（IBD）PI_HAT：
nohup /home/software/plink --allow-extra-chr --chr-set 29 --noweb --file test --genome --allow-no-sex --out test-ibd &
# 理想状态下父子关系的两个样本，Z0, Z1, Z2对应的值分别为0,1, 0，所有位点的一个allel都继承自父本；同卵双胞胎的两个样本，则为0,0,1，所有的allel都来自共同的祖先，对于异卵双胞胎，则为0.25,0.5,0.25
# PI_HAT这个统计量的取值范围为0-1，数值越大，两个样本的亲缘关系越近，当为1时，表示的就是同卵双胞胎，或者重复样本，可以根据这个值筛选亲缘关系近的样本进行过滤。

各列含义.png

2.iBS
https://blog.csdn.net/weixin_43569478/article/details/108079152
https://www.jianshu.com/p/d555dc28c3c0?from=singlemessage
IBS.png 

iBS
# 在家系数据中，由于有父代的分型数据， IBD运用的很多，在自然群体中，则通常使用IBS。
# 基于SNP分型结果， 我们可以计算样本间的IBS距离。
# 距离可以衡量样本间的相似性，根据IBS distance距离矩阵，可以对样本进行MDS分析。
# 通过MDS分析对样本构成可以有一个清楚的认识，也可以用于剔除明显偏离群体的样本。在实际的数据分析中，可以借助plink软件来计算IBS距离矩阵，用法如下:
nohup /home/software/plink  --allow-extra-chr --chr-set 29 --file QC.project_96s_noinclude0.recode-502502.bed-geno02-maf03 --cluster --matrix &
# 默认情况下会生成plink.mibs文件，是一个距离矩阵，可以用R语言读取，然后进行MDS分析。R语言中MDS分析的代码如下R画图
m <- as.matrix(read.table("plink.mibs"))
mds <- cmdscale(as.dist(1-m))
k <- c( rep("green",45) , rep("blue",44) )
plot(mds,pch=20,col=k)
legend("topleft", legend = c("CHB", "JPB"), pch = 20, col = c("green", "blue"))

计算SNP位点杂合度：期望杂合度 观测杂合度（分群体计算后，所有的加在一起除以位点数）

nohup /home/software/plink --allow-extra-chr --chr-set 29 --hardy --file com-517-51 --out com-517-51 &
分别计算
O(HET)
cat   test.hwe |awk '{sum+=$7} END {print "Average = ", sum/NR}'
E(HET)
cat   test.hwe |awk '{sum+=$8} END {print "Average = ", sum/NR}'

查看ped文件有多少列
cat filename | awk '{print NF}'
cat filename | awk -F '{print NF}' （非tab键文件使用-F）

你可能感兴趣的:(ROH、近交系数、亲缘系数、IBD、IBS)

  • 推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
    importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
  • [转载] NoSQL简介 weixin_30325793 大数据数据库运维
    摘自“百度百科”。NoSQL，泛指非关系型的数据库。随着互联网web2.0网站的兴起，传统的关系数据库在应付web2.0网站，特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心，暴露了很多难以克服的问题，而非关系型的数据库则由于其本身的特点得到了非常迅速的发展。NoSQL数据库的产生就是为了解决大规模数据集合多重数据种类带来的挑战，尤其是大数据应用难题。虽然NoSQL流行语
  • 2023-04-01 繁星月影
    亲戚关系，对我来说就是个包袱，不想维持，也不敢奢求。想放下又无能为力。因为父母不允许，亲戚不允许。往大了说是一家人，其实连个陌生人都不如。偶尔还会收到陌生人的点滴温暖，亲戚间的关系降到了冰点，没有任何温暖可言，我大概就属于那种六亲缘薄的。为什么这么说呢，可能我这样说真的太绝情，但是事实上就是这样的。亲戚亲戚，说白了也没那么亲密。从来帮不上什么忙还老是在那里说风凉话，对别人的人生进行指指点点，都说家
  • 数据结构，有头链表 (笑)z 数据结构
    数据结构基本概念：1.定义一组用来保存一种或者多种特定关系的数据的集合（组织和存储数据）程序的设计：将现实中大量而复杂的问题以特定的数据类型和特定的存储结构存储在内存中，并在此基础上实现某个特定的功能的操作；程序=数据结构+算法2.数据与数据之间的关系数据的逻辑结构：数据元素与元素之间的关系集合：关系平等线性结构：元素之间一对一的关系（表（数组，链表），队列。栈。。。）树型结构：元素之间一对多的关
  • 嵌入式数据库sqlite和rocksdb的介绍以及对比 问道飞鱼 数据库相关技术数据库sqliterocksdb
    SQLite和RocksDB都是非常流行的嵌入式数据库系统，但它们的设计理念和应用场景有所不同。下面是对这两个数据库系统的详细介绍以及它们之间的主要区别。SQLite简介SQLite是一个轻量级的关系数据库管理系统，完全由C语言编写而成。它以单一文件的形式存储数据库，并且不需要独立的服务器进程或管理程序。SQLite直接嵌入到应用程序中，这使得它非常适合移动设备、嵌入式系统和桌面应用程序。特点嵌入
  • 2019-08-12 剩下的盛夏0320
    教你区别瓷片电容、独石电容、陶瓷电容的区别不同的电容有不同的特性，今天我们就来探讨下瓷片电容、独石电容和贴片电容的区别在哪里吧。瓷片电容：瓷片电容(ceramiccapacitor)是一种用陶瓷材料作介质，在陶瓷表面涂覆一层金属薄膜，再经高温烧结后作为电极而成的电容器。通常用于高稳定振荡回路中，作为回路、旁路电容器及垫整电容器。瓷片电容分高频瓷介和低频瓷介两种。具有小的正电容温度系数的电容器，用于
  • MySQL之DQL简单查询 忧郁的西红柿 mysql数据库
    1、结构化查询语言1.什么是SQL结构化查询语言(StructuredQueryLanguage)，后续通常简称SQL。SQL是用于存取数据以及查询、更新和管理关系数据库系统的标准语言。20世纪70年代由IBM公司开发，目前应用于各种关系型数据库。SQL是一套标准，百分之九十以上的SQL在各种关系型数据库中都是通用的，每种关系型数据库也有少量自己特定的操作方言。2.SQL语言分类SQL语言可分为如
  • 图计算：基于SparkGrpahX计算聚类系数 妙龄少女郭德纲 Spark图算法Scala聚类数据挖掘机器学习
    图计算：基于SparkGrpahX计算聚类系数文章目录图计算：基于SparkGrpahX计算聚类系数一、什么是聚类系数二、基于SparkGraphX的聚类系数代码实现总结一、什么是聚类系数聚类系数（ClusteringCoefficient）是图计算和网络分析中的一个重要概念，用于衡量网络中节点的局部聚集程度。它有助于理解网络中节点之间的紧密程度和网络的结构特性。这是一种用来衡量图中节点聚类程度的
  • CCS配置MSPM0G3507（七） 编码器（TIMER-QEI) kaneki_lh MSPM0G3507学习记录单片机嵌入式硬件
    一.sysconfig（1）.BasicConfig1.选择时钟源BUSCLK2.时钟分频配置为1分频3.分频系数配置为14.若勾选Start，则生成程序后会自动开启定时器的计数，否则需手动在程序中开启5.LoadValue设置为65535（2）PinMux1.MSPM0G3507只有TIMG8有QEI模式2.可以选择复位引脚二.代码0.重要函数：DL_Timer_getTimerCount(QE
  • 外泌体多组学11-血浆中胞外囊泡miRNA有效数据 信你个鬼
    血液中循环的细胞外囊泡被描述为癌症生物标志物的宝库文章信息文献标题：PlasmaextracellularRNAprofilesinhealthyandcancerpatientsDoi：10.18632/oncotarget.8124发表时间：20January2016ScientificReports通讯作者：LiangWang威斯康星医学院病理学和MCW癌症中心学系数据情况来自192个样本的
  • mysql整体架构描述 问道飞鱼 数据库相关技术mysql架构数据库
    文章目录数据库架构示意图1.连接层2.服务层3.存储引擎层4.文件系统层5.系统层主要特性数据库文件格式InnoDB存储引擎文件类型及用途MyISAM存储引擎文件类型及用途其他文件类型文件内容示例表结构文件示例(`.frm`)InnoDB数据文件示例（`.ibd`）MyISAM数据文件示例（`.MYD`）SQL脚本文件示例（`.sql`）数据库内存结构示意图MySQLServer层面的内存结构In
  • Linux 上安装 PostgreSQL lly202406 开发语言
    Linux上安装PostgreSQLPostgreSQL是一款功能强大的开源关系数据库管理系统，因其稳定性、可扩展性和先进的功能而广受欢迎。在Linux系统上安装PostgreSQL是一个相对直接的过程，但具体步骤可能会因您使用的Linux发行版而异。本文将介绍在几种流行的Linux发行版上安装PostgreSQL的方法。在Ubuntu上安装PostgreSQLUbuntu是最流行的Linux发行
  • SQL 快速参考 lly202406 开发语言
    SQL快速参考引言SQL（StructuredQueryLanguage）是一种用于管理关系数据库管理系统（RDBMS）的标准编程语言。它被广泛用于数据查询、数据更新、数据库维护和访问控制。本快速参考旨在提供SQL的基本概念和常用命令的概览，帮助读者快速理解和应用SQL。基础概念数据库（Database）数据库是存储有组织的数据集合的地方。表（Table）表是数据库中数据存储的基本单位，由行和列组
  • L2正则线性回归（岭回归） 一壶浊酒.. 深度学习回归线性回归
    岭回归数据的特征比样本点还多，非满秩矩阵在求逆时会出现问题岭回归即我们所说的L2正则线性回归，在一般的线性回归最小化均方误差的基础上增加了一个参数w的L2范数的罚项，从而最小化罚项残差平方和简单说来，岭回归就是在普通线性回归的基础上引入单位矩阵。回归系数的计算公式变形如下岭回归最先用来处理特征数多于样本数的情况，现在也用于在估计中加入偏差，从而得到更好的估计。这里通过引入λ来限制了所有w之和，通过
  • 数学运用 -- 使用最小二乘与勒让德多项式拟合离散数据 sz66cm 线性代数矩阵机器学习
    使用最小二乘与勒让德多项式拟合离散数据1.准备离散数据假设我们有以下离散数据集：xxxyyy0.01.00.50.81.00.51.50.22.0-0.1我们想用勒让德多项式拟合这些数据，并通过最小二乘法找到勒让德多项式的系数。2.勒让德多项式勒让德多项式的前几项为：P0(x)=1P_0(x)=1P0(x)=1P1(x)=xP_1(x)=xP1(x)=xP2(x)=12(3x2−1)P_2(x)=
  • MongoDB数据库 weixin_34104341 数据库jsonshell
    一简介MongoDB是一款强大、灵活、且易于扩展的通用型数据库1.易用性MongoDB是一个面向文档（document-oriented）的数据库，而不是关系型数据库。不采用关系型主要是为了获得更好得扩展性。当然还有一些其他好处，与关系数据库相比，面向文档的数据库不再有“行“（row）的概念取而代之的是更为灵活的“文档”（document）模型。通过在文档中嵌入文档和数组，面向文档的方法能够仅使用
  • matlab圆筒壁非稳态导热,一维传热方程 美猫的奇妙世界 matlab圆筒壁非稳态导热
    一维热传导方程分离变量法与差分法Maab解法_数学_自然科学_专业资料。模...精品文档第五次作业(前三题写在作业纸上)一、用有限差分方法求解一维非定常热传导方程,初始条件和边界条件见说明.pdf文件,热扩散系数α=const,?T?...传热基本方程及传热计算_物理_自然科学_专业资料。.第三节传热基本方程及传热计算从传热基本方程QkAtm(4-11)或t传热推动力Qm1传热热阻kA......
  • 2-90 基于matlab的总图专业平面布置优化程序 'Matlab学习与应用 matlab工程应用物流强度物流关系数数据物流流进厂房标号总图专业平面布置优化matlab
    基于matlab的总图专业平面布置优化程序，输入数据物流流进厂房标号、物流关系数、物流关系标号、物流强度，双目标优化算法计算最优平面布置方案。程序已调通，可直接运行。下载源程序点链接：2-90基于matlab的总图专业平面布置优化程序
  • 数学基础 -- 线性代数正交多项式之勒让德多项式展开推导 sz66cm 线性代数决策树算法
    勒让德多项式展开的详细过程勒让德多项式是一类在区间[−1,1][-1,1][−1,1]上正交的多项式，可以用来逼近函数。我们可以将一个函数表示为勒让德多项式的线性组合。以下是如何推导勒让德多项式展开系数ana_nan的详细过程。1.勒让德展开的基本假设给定一个函数f(x)f(x)f(x)，我们希望将它表示为勒让德多项式的线性组合：f(x)=∑n=0∞anPn(x),f(x)=\sum_{n=0}^
  • CCF-CSP认证考试（第32次）总结+题解 Romanticroom 算法
    总结：这一次我选了时间较近的一次进行练习，结果有点悲，前两题就一个质因数分解还好，第三题我走了弯路，想通过类似线段树的手段处理，结果还差了系数，最后一个点tle了。。。第四题直接放弃了。。（太菜，没脸见人）第五题还抱有幻想，当然也只有幻想。。后两题只能打暴力了，以我现在水平，希望努力一个月能有所改变吧。题解：（这里只给到三题题解，再往后我也不会了。。）题一：仓库规划西西艾弗岛上共有n个仓库，依次编
  • 大型网站核心架构要素 贾欣晓 架构架构
    文章目录1性能1.1性能优化1.2性能度量2可用性2.1可用性指标2.2可用性目标2.3可用性方案2.4可用性度量3伸缩性3.1伸缩性度量3.2伸缩性方案3.2.1应用服务器集群3.2.2缓存服务器集群3.2.3关系数据库集群3.2.4NoSQL数据库产品4扩展性4.1扩展性度量4.2扩展性方案4.2.1事件驱动架构4.2.2分布式服务5安全性5.1安全性度量6小结关于什么是架构，一种比较通俗的说
  • mysql迁移大量数据备选方案 lonelyhiker mysql数据库
    除了mysqldump、ibd文件迁移和binlog外，MySQL迁移大量数据还有其他一些方法和工具，适合不同的场景和需求。以下是几种常见的方案：1.MySQL官方工具：MySQLWorkbench和MySQLShell1.1MySQLWorkbench数据迁移工具MySQLWorkbench提供了数据迁移工具，可以帮助你将数据从一个MySQL实例迁移到另一个。它支持多种源数据库类型（例如Orac
  • macbook安装mysql 丹心汉青
    mysqlMySQL是一个关系型数据库管理系统，由瑞典MySQLAB公司开发，目前属于Oracle旗下产品。MySQL是最流行的关系型数据库管理系统之一，在WEB应用方面，MySQL是最好的RDBMS(RelationalDatabaseManagementSystem，关系数据库管理系统)应用软件。MySQL是一种关系数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓
  • python-新冠病毒 闪云-微星 python算法开发语言
    题目描述假设我们掌握了特定时间段内特定城市的新冠病毒感染病例的信息。在排名i的当天有i个案例，即：第一天有一例感染第二天有两例感染第三天有三例感染以此类推......请计算n天内的感染总数和每天平均感染数。输入整数n表示天数，其中n<10^9。输出第一行打印n天的总感染人数，第二行打印每天平均病例数。注意：如果平均值包含小数，将小数直接舍去，向下取整。样例输入12样例输出131来源/分类（难度系数
  • IO 进程——管道 WBGZSL c++开发语言
    一、无名管道1、特点1）只能用于亲缘关系间的通信2）半双工通信模式，拥有读端与写端3）管道是一种特殊的文件，对它的读写可以使用文件IO，如read，write4）管道是基于文件描述符的通信方式。当一个管道建立时，它会创建两个文件描述符fd[0]（读管道）与fd[1]（写管道）5）不支持sleek操作2、读写特性1）管道中无数据时，读操作阻塞2）管道满时（64k），写操作会阻塞3）只有在管道的读端存
  • sql常用语法总结 零 度° sql数据库
    SQL（StructuredQueryLanguage，结构化查询语言）是一种用于管理和操作关系数据库的标准编程语言。本文用来记录一些接触到的sql语句，随着学习不断进行更新：选择数据-SELECT语句用于从数据库表中检索数据。SELECTcolumn1,column2FROMtable_name;插入数据-INSERTINTO语句用于向表中添加新数据。INSERTINTOtable_name(c
  • mongodb 在 Windows 环境下迁移数据库的问题 Eagsen CEO 数据库mongodb
    mongodb是一款非常优秀的文档数据库，它的社区版本是免费的。但是mongodb的迁移和其他传统的关系数据库不太一样，通过官方提供的图形化的客户端工具无法备份和迁移，需要下载命令行工具进行。首先下载命令行工具：DownloadMongoDBCommandLineDatabaseTools|MongoDBWindows安装后，使用管理员身份打开cmd命令窗口，导航到安装目录的bin目录下，如果是默
  • 使用Docker快速启动MySQL容器 好奇的菜鸟 Dockerdocker
    MySQL是世界上最流行的开源关系数据库管理系统之一，广泛应用于各种应用程序中。Docker提供了一种便捷的方式来快速启动和管理MySQL服务。在本篇博客中，我们将介绍如何使用Docker启动MySQL容器，并将容器的端口映射到宿主机的13306端口。为什么选择Docker来运行MySQL？快速部署：Docker容器可以在几秒钟内启动，加快了开发和部署的速度。环境一致性：容器化确保了开发、测试和生
  • 大数据面试题：说下为什么要使用Hive？Hive的优缺点？Hive的作用是什么？ 蓦然_ 大数据面试题hive大数据开发面试题大数据面试
    1、为什么要使用Hive？Hive是Hadoop生态系统中比不可少的一个工具，它提供了一种SQL(结构化查询语言)方言，可以查询存储在Hadoop分布式文件系统（HDFS）中的数据或其他和Hadoop集成的文件系统，如MapR-FS、Amazon的S3和像HBase（Hadoop数据仓库）和Cassandra这样的数据库中的数据。大多数数据仓库应用程序都是使用关系数据库进行实现的，并使用SQL作为
  • 线性代数 第五讲:线性方程组_齐次线性方程组_非齐次线性方程组_公共解同解方程组_详解 小徐要考研 线性代数线性代数线性方程组机器学习
    线性方程组文章目录线性方程组1.齐次线性方程组的求解1.1核心要义1.2基础解系与线性无关的解向量的个数1.3计算使用举例2.非齐次线性方程的求解2.1非齐次线性方程解的判定2.2非齐次线性方程解的结构2.3计算使用举例3.公共解与同解3.1两个方程组的公共解3.2同解方程组4.方程组的应用5.重难点题型总结5.1抽象齐次线性方程组的求解5.1含有系数的非齐次线性方程组的求解及有条件求全部解问题5
  • tomcat基础与部署发布 暗黑小菠萝 Tomcat java web
    从51cto搬家了，以后会更新在这里方便自己查看。 做项目一直用tomcat，都是配置到eclipse中使用，这几天有时间整理一下使用心得，有一些自己配置遇到的细节问题。 Tomcat：一个Servlets和JSP页面的容器，以提供网站服务。 一、Tomcat安装     安装方式：①运行.exe安装包      &n
  • 网站架构发展的过程 ayaoxinchao 数据库应用服务器网站架构
    1.初始阶段网站架构：应用程序、数据库、文件等资源在同一个服务器上 2.应用服务和数据服务分离：应用服务器、数据库服务器、文件服务器 3.使用缓存改善网站性能：为应用服务器提供本地缓存，但受限于应用服务器的内存容量，可以使用专门的缓存服务器，提供分布式缓存服务器架构 4.使用应用服务器集群改善网站的并发处理能力：使用负载均衡调度服务器，将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
  • [信息与安全]数据库的备份问题 comsci 数据库
          如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题   如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?    是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?  &n
  • 使用maven tomcat plugin插件debug关联源代码 商人shang mavendebug查看源码tomcat-plugin
    *首先需要配置好'''maven-tomcat7-plugin'''，参见[[Maven开发Web项目]]的'''Tomcat'''部分。 *配置好后，在[[Eclipse]]中打开'''Debug Configurations'''界面，在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
  • 大访问量高并发 oloz 大访问量高并发
    大访问量高并发的网站主要压力还是在于数据库的操作上，尽量避免频繁的请求数据库。下面简 要列出几点解决方案： 01、优化你的代码和查询语句，合理使用索引 02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中 03、采用服务器集群、负载均衡分担大访问量高并发压力 04、数据读写分离 05、合理选用框架，合理架构(推荐分布式架构)。
  • cache 服务器 小猪猪08 cache
    Cache   即高速缓存.那么cache是怎么样提高系统性能与运行速度呢？是不是在任何情况下用cache都能提高性能？是不是cache用的越多就越好呢？我在近期开发的项目中有所体会，写下来当作总结也希望能跟大家一起探讨探讨，有错误的地方希望大家批评指正。 　　1.Cache   是怎么样工作的? 　　Cache   是分配在服务器上
  • mysql存储过程 香水浓 mysql
    Description:插入大量测试数据 use xmpl; drop procedure if exists mockup_test_data_sp; create procedure mockup_test_data_sp( in number_of_records int ) begin declare cnt int; declare name varch
  • CSS的class、id、css文件名的常用命名规则 agevs JavaScriptUI框架Ajaxcss
      CSS的class、id、css文件名的常用命名规则     (一)常用的CSS命名规则 　　头：header 　　内容：content/container 　　尾：footer 　　导航：nav 　　侧栏：sidebar 　　栏目：column 　　页面外围控制整体布局宽度：wrapper 　　左右中：left right
  • 全局数据源 AILIKES javatomcatmysqljdbcJNDI
    实验目的：为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象，还是创建了两个数据源对象。 1：将diuid和mysql驱动包（druid-1.0.2.jar和mysql-connector-java-5.1.15.jar）copy至%TOMCAT_HOME%/lib下；2：配置数据源，将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下：&l
  • MYSQL的随机查询的实现方法 baalwolf mysql
    MYSQL的随机抽取实现方法。举个例子，要从tablename表中随机提取一条记录，大家一般的写法就是：SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是，后来我查了一下MYSQL的官方手册，里面针对RAND()的提示大概意思就是，在ORDER BY从句里面不能使用RAND()函数，因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中，
  • JAVA的getBytes()方法 bijian1013 javaeclipseunixOS
        在Java中，String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下，返回的东西不一样！      String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如： byte[] b_gbk = "
  • AngularJS中操作Cookies bijian1013 JavaScriptAngularJSCookies
            如果你的应用足够大、足够复杂，那么你很快就会遇到这样一咱种情况：你需要在客户端存储一些状态信息，这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。         幸运的是，这种方式已经一去不复返了，在所有现代浏览器中几乎
  • [Maven学习笔记五]Maven聚合和继承特性 bit1129 maven
    Maven聚合   在实际的项目中，一个项目通常会划分为多个模块，为了说明问题，以用户登陆这个小web应用为例。通常一个web应用分为三个模块： 1. 模型和数据持久化层user-core, 2. 业务逻辑层user-service以 3. web展现层user-web， user-service依赖于user-core user-web依赖于user-core和use
  • 【JVM七】JVM知识点总结 bit1129 jvm
      1. JVM运行模式 1.1 JVM运行时分为-server和-client两种模式，在32位机器上只有client模式的JVM。通常，64位的JVM默认都是使用server模式，因为server模式的JVM虽然启动慢点，但是，在运行过程，JVM会尽可能的进行优化 1.2 JVM分为三种字节码解释执行方式：mixed mode, interpret mode以及compiler
  • linux下查看nginx、apache、mysql、php的编译参数 ronin47
    在linux平台下的应用，最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用，在手工编译完以后，在其他一些情况下（如：新增模块），往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。 1、nginx [root@361way ~]# /App/nginx/sbin/nginx -V nginx: nginx version: nginx/
  • unity中运用Resources.Load的方法？ brotherlamp unity视频unity资料unity自学unityunity教程
    问：unity中运用Resources.Load的方法？ 答：Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置 1、unity实时替换的物体即是依据环境条件
  • 线段树-入门 bylijinnan java算法线段树
    /** * 线段树入门 * 问题：已知线段[2,5] [4,6] [0,7]；求点2,4,7分别出现了多少次 * 以下代码建立的线段树用链表来保存，且树的叶子结点类似[i,i] * * 参考链接：http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18 * @author lijinna
  • 全选与反选 chicony 全选
      <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <html> <head> <title>全选与反选</title>
  • vim一些简单记录 chenchao051 vim
    mac在/usr/share/vim/vimrc linux在/etc/vimrc   1、问：后退键不能删除数据，不能往后退怎么办？       答：在vimrc中加入set backspace=2   2、问：如何控制tab键的缩进？       答：在vimrc中加入set tabstop=4 (任何
  • Sublime Text 快捷键 daizj 快捷键sublime
    [size=large][/size]Sublime Text快捷键：Ctrl+Shift+P：打开命令面板Ctrl+P：搜索项目中的文件Ctrl+G：跳转到第几行Ctrl+W：关闭当前打开文件Ctrl+Shift+W：关闭所有打开文件Ctrl+Shift+V：粘贴并格式化Ctrl+D：选择单词，重复可增加选择下一个相同的单词Ctrl+L：选择行，重复可依次增加选择下一行Ctrl+Shift+L：
  • php 引用(&)详解 dcj3sjt126com PHP
    在PHP 中引用的意思是：不同的名字访问同一个变量内容. 与Ｃ语言中的指针是有差别的．Ｃ语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容  复制代码代码如下: <?  $a="ABC";  $b =&$a;  echo
  • SVN中trunk,branches,tags用法详解 dcj3sjt126com SVN
    Subversion有一个很标准的目录结构，是这样的。比如项目是proj，svn地址为svn://proj/，那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局，trunk为主开发目录，branches为分支开发目录，tags为tag存档目录（不允许修改）。但是具体这几个目录应该如何使用，svn并没有明确的规范，更多的还是用户自己的习惯。
  • 对软件设计的思考 e200702084 设计模式数据结构算法ssh活动
    软件设计的宏观与微观    软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发，也要从微观上把握软件之间的开发。宏观上，可以应用面向对象设计，采用流行的SSH架构，采用web层，业务逻辑层，持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上，对于一个类，甚至方法的调用，从计算机的角度模拟程序的运行情况。了解内存分配，参数传
  • 同步、异步、阻塞、非阻塞 geeksun 非阻塞
    同步、异步、阻塞、非阻塞这几个概念有时有点混淆，在此文试图解释一下。   同步：发出方法调用后，当没有返回结果，当前线程会一直在等待（阻塞）状态。 场景：打电话，营业厅窗口办业务、B/S架构的http请求-响应模式。   异步：方法调用后不立即返回结果，调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后，当前线程不会阻塞，会继续执行其他任务。 实现：
  • Reverse SSH Tunnel 反向打洞實錄 hongtoushizi ssh
    實際的操作步驟： # 首先，在客戶那理的機器下指令連回我們自己的 Server，並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port ssh -NfR 12345:localhost:22 [email protected] # 然後在 myhost 的機器上連自己的 12345 port，就可以連回在客戶那的機器 ssh localhost -p 1
  • Hibernate中的缓存 Josh_Persistence 一级缓存Hiberante缓存查询缓存二级缓存
    Hibernate中的缓存   一、Hiberante中常见的三大缓存：一级缓存，二级缓存和查询缓存。 Hibernate中提供了两级Cache，第一级别的缓存是Session级别的缓存，它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的，一般情况下无需进行干预；第二级别的缓存是SessionFactory级别的缓存，它是属于进程范围或群集范围的缓存。这一级别的缓存
  • 对象关系行为模式之延迟加载 home198979 PHP架构延迟加载
    形象化设计模式实战     HELLO!架构   一、概念 Lazy Load：一个对象，它虽然不包含所需要的所有数据，但是知道怎么获取这些数据。 延迟加载貌似很简单，就是在数据需要时再从数据库获取，减少数据库的消耗。但这其中还是有不少技巧的。     二、实现延迟加载 实现Lazy Load主要有四种方法：延迟初始化、虚
  • xml 验证 pengfeicao521 xmlxml解析
    有些字符，xml不能识别，用jdom或者dom4j解析的时候就报错 public static void testPattern() { // 含有非法字符的串 String str =       "Jamey&#52828;&#01;&#02;&#209;&#1282
  • div设置半透明效果 spjich css半透明
    为div设置如下样式：   div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}        说明： 1、filter：对win IE设置半透明滤镜效果，filter:alpha(Opacity=80)代表该对象80%半透明，火狐浏览器不认2、-moz-opaci
  • 你真的了解单例模式么？ w574240966 java单例设计模式jvm
        单例模式，很多初学者认为单例模式很简单，并且认为自己已经掌握了这种设计模式。但事实上，你真的了解单例模式了么。   一，单例模式的5中写法。（回字的四种写法，哈哈。）     1，懒汉式           （1）线程不安全的懒汉式 public cla
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他