上面的代码获取全部的书籍的大标题和小标题,接下来就是针对它们的标题内容进行一个简单的汇总整理。简单的看了看生物信息学相关非常少:
生物信息学研究中,获取基因列表的GO和KEGG富集分析的需求非常常见。目前有许多生物信息学手段或者数据库可以实现基因富集分析,例如DAVID,但它们有些是收费的,有些不易于使用且很少维护。例如DAVID曾经有六年的时间(2010-2016)没有维护数据库,最近的更新也已经两年半了。而Metascape每月更新其相关的40多个数据库,以确保提供最准确的结果。因此Metascape数据库可以作为富集分析的比较好的手段。
前两天介绍了一个开发中的单细胞数据分析相关R包,内置了,4(热图,气泡图,upset图,堆叠条形图)+4(密度散点图,半小提琴,山峦图,密度热图)美图,见 8种方法可视化你的单细胞基因集打分 ,蛮多小伙伴留言想问一下到底什么是基因集打分,正好学徒投稿了她自己的理解,借花献佛分享给大家。
讨论区的帖子《谁在招人?》[2],提供生信深造和就业信息,欢迎访问或发布学位攻读/工作/实习等岗位。
同样的实验设计的两个项目,尽管测序的都是肿瘤和正常组织的转录组,但结果非常不一,样可能有多种原因,其中一些常见的原因包括:
时间系列研究的是gene表达的动态行为。鉴定静态实验的差异表达gene已经做了很多的工作。但是因为gene表达是动态的调控过程,所以鉴定并且找出gene表达随时间的表达变化也非常重要。这篇文章,我们呈现一个总体的统计学方法,来鉴定随时间变化的差异表达gene。 对于数据系列的微阵列数据,有几种聚类方法应用的很好,包括有等级聚类,基于主成份分析的聚类,基于贝叶斯模型的聚类,kmeans聚类曲线。但是,这些聚类方法中没有一种可以直接应用于鉴定那些随时间变化的有统计学意义的gene。Kmeans聚类方法已经修正来比较两组之间时间系列的表达,但这个模型只适合一次分析几百个gene,因为计算问题。作者开发的这个方法可以用于多个时间点,不受内存的限制。一次可以检测40,000个gene。 作者文章用了两个实验。一个是处理组和非处理组,处理组用内毒素处理,目的是鉴定那些用内毒素处理过的不同时间点的gene表达变化,第二个研究,作者是检查肾脏皮质的差异表达gene,时间系列则是age,也就是看不同年龄,27~9岁。
本文为《Artificial Intelligence in Drug Design》一书第7章的主要内容,作者是英国生物技术公司E-Therapeutics的Jonny Wray和Alan Whitmore。
杨净 丰色 发自 凹非寺 量子位 | 公众号 QbitAI 计算生物界的大明星AlphaFold,再度取得重大突破。 它已经能够预测超过100万个物种的2.14亿个蛋白质结构,几乎涵盖了地球上所有已知蛋白质。 从今天起,预测几乎所有已知蛋白质的结构,都如同使用搜索引擎一样简单。 而又在一周前,国内外两种代表性企业,几乎同时传来最新研发成果。 互联网巨头Meta,更新蛋白质大模型ESMFold。它可直接从单序列语言模型表示中预测完整的蛋白质结构,准确性与AlphaFold相媲美,推理速度快了一个数量级。 彭
DAVID(https://david.ncifcrf.gov/home.jsp)是一个生物信息数据库,整合了生物学数据和分析工具,为大规模的基因或蛋白列表(成百上千个基因ID或者蛋白ID列表)提供系统综合的生物功能注释信息,帮助用户从中提取生物学信息。
人工智能(AI)方法已经并正在越来越多地被整合到生物信息学及其糖科学分支(即糖信息学)中实施的预测软件中。人工智能技术在过去几十年中不断发展,它们在糖科学中的应用还不广泛。这种有限的应用部分是由于糖类数据的特殊性造成的,众所周知,这些数据是难以产生和分析的。尽管如此,随着时间的推移,糖学、糖蛋白组学和糖结合数据的积累已经达到了一定程度,即使是最新的深度学习方法也能提供性能良好的预测器。
早在 2018 年的时候我在"生信草堂"的公众号上写过一篇关于 RSS 的文章《使用 RSS 打造你的科研资讯头条》,介绍了关于 RSS 的一些内容和如何使用 inoreader 来订阅你感兴趣的一些科研资讯。 今天主要来给大家推荐一些常用的生物信息学的 RSS 订阅源,通过这些订阅源你可以及时掌握和了解到一些比较前沿的生物信息学研究资讯。
今天为大家介绍的是来自Cesar de la Fuente-Nunez和James J. Collins的一篇综述论文。尽管分子生物学、遗传学、计算和药物化学取得了进展,传染病仍然对公共卫生构成了可怕的威胁。应对病原体爆发、大流行和抗微生物药物耐药性所带来的挑战需要跨学科的协同努力。与系统和合成生物学相结合,人工智能(AI)正在推动快速进展,在扩大抗感染药物发现、增强我们对感染生物学的理解和加速诊断方法的发展方面发挥着重要作用。在本综述中,作者讨论了检测、治疗和理解传染病的方法,强调了每种情况下AI的进展支持。作者提出了AI的未来应用以及如何利用它来帮助控制传染病爆发和大流行。
Encode不仅共享了大量的组学数据,还开源了自己的数据分析pipeline, ATAC的pipeline网址如下
但是实际上甲基化芯片才是最高频的产品,在人类研究领域主要是27k, 450k, 850k 以及最新的925k,而成熟的芯片早就有一系列公共资源在Bioconductor网页里面。
量子位智库 发自 凹非寺 量子位 | 公众号 QbitAI 这个赛道火到全球大厂都想插一脚,却从未诞生一家真正意义上的公司。 它就是计算生物。 谷歌Meta英伟达百度阿里,还有比比皆是的初创企业,都屡屡传出最新前沿进展。 作为工具类学科,很难想象会在诞生近30年之后迎来如此盛况。 如今在AI激活、数据驱动下,计算生物已经来到大规模应用前夜。它将如何落地?发展到什么阶段?国内外差距到底有多大? 量子位智库做了个全球体系化梳理写下《计算生物学深度产业报告》,并整理出七个问答速览整个行业全貌。 1、计算生物学究
摘要 系统生物学的一个关键挑战是阐明决定细胞表型的基本原理或基本定律。了解如何在癌症等疾病中改变这些基本原则对于将基础科学知识转化为临床进展非常重要。虽然正在取得重大进展,但通过系统生物学方法确定了新的药物靶点和治疗方法,我们仍然缺乏基本系统对某些治疗成功和其他治疗失败的理解。我们在此提倡一种新的方法框架,用于系统分析和解释分子基因数据,这是基于统计力学原理。具体而言,我们提出了细胞信号熵(或不确定性)的概念,作为一种新的手段 分析和解释基因数据,更重要的是,作为阐明基础生物学和疾病基础的系统级原则的一种手
对生物数据建模的最大挑战是数据种类繁多。生物学家使用的数据包括基因和蛋白质序列、随时间推移的基因表达水平、进化树、显微镜图像、3D 结构和相互作用网络等。研究者在下图中,总结了针对特定生物数据类型的一些例子和重要注意事项。
都说医工大火,都说多领域交叉,都说牛逼,但是细究起来这么个厉害法,国内又没有合适的系统论断。今天这篇文章出自IEEE,是难得的好文。 想要谋得生物工程职位,方法并不唯一,鉴于此重要技术领域的跨学科性,可通过多种方式投身这一前途远大的事业,在其中一展身手。生物医学工程师的工作是运用自身所掌握的生物学、医学、物理学、数学、工程学和通信领域的专业知识,努力提升民众的健康水平。生命系统的多样性和复杂性带来了诸多挑战,为克服这些挑战,需要拥有创造力、想象力和丰富知识的人士,与医师、科学家、工程师甚至是商界精英携手合作,以便监测、恢复和增强正常的身体机能。 生物医学工程师的工作领域涵盖科学、医学和数学,是解决生物和医学难题的理想人选。生物医学工程事业需要以下人员:拥有生物医学工程正式学位的人士;以及拥有其他工程学科学位,并通过科目学习(如生物学辅修科目)或凭借经验,已掌握一项或多项生物调查和应用技术的人士。极少数情况下,已经掌握工程技能的生物学家或生物医学科学家也被视为该领域成员。 有一种定义认为,只要一方面涉及生物或医学,另一方面涉及工程学科,无论比例多少,均属于生物医学工程范畴。生物医学工程涉及的领域极为广泛,即便只掌握其中少数几个学科,也需要一个有天赋的人花费几辈子的时间来钻研。因此,这一领域要求从业人员具备宽泛的知识面,但同时又要专注于自己真正感兴趣的内容。本手册旨在论述当今生物医学工程师所关心的一些问题及主题。
我们应该还记得高中生物课文中,科学家如何确定遗传物质是DNA而不是其他分子的著名生物学实验:肺炎双球菌转化实验。那个时候,糖,作为一类生物大分子也曾参与过“遗传物质”这一桂冠的竞逐。然而,如我们生物老师教的:遗传物质是DNA。并以此为核心建立了生物信息学。
上面的案例里面的背景基因不到1万个,而差异基因是555个,有20倍的差距,理论上每个通路都是100左右数量级的基因理论上它们每个通路应该是就有5个左右的基因在差异基因列表里面。但是上面的通路的富集分析结果表格里面可以看到,绝大部分通路都是有十几个甚至二十多个基因在我们的差异基因列表里面,所以上面的通路都是被富集了。
胚胎发育研究的重要性日益显现,这迅速增加了与多组学数据相关专业资源的数量。然而,缺乏全球胚胎发育库和系统分析工具,限制了干细胞研究、人类先天性疾病和辅助生殖领域的发展。2022年10月,《Nucleic Acids Research》发表了一种名为EmAtlas的数据库,收集了最全面的多组学数据,并提供了多尺度工具来探索哺乳动物胚胎发生过程中的时空动态。
今天介绍一篇洛桑联邦理工学院Ljubisa Miskovic等人于2022年8月在线发表在Nature Machine Intelligence上的文章《Reconstructing Kinetic Models for Dynamical Studies of Metabolism using Generative Adversarial Networks》。新陈代谢动力学模型通过机械关系将代谢通量、代谢物浓度和酶水平联系起来,使其对于理解、预测和优化生物体的行为至关重要。然而,由于缺乏动力学数据,传统的动力学建模通常只产生很少或没有理想动力学特性的动力学模型,使得分析不可靠且计算效率低下。作者提出了 REKINDLE框架(使用深度学习重建动力学模型),用于有效生成具有与细胞中观察到的动态特性相匹配的动力学模型。同时展现了REKINDLE使用少量微调数据,在新陈代谢的生理状态模型中迁移的能力。结果表明,数据驱动的神经网络吸收了代谢网络的隐含动力学知识和结构,并生成了具有定制属性和统计多样性的动力学模型。预计该框架将促进对新陈代谢的理解,并加速未来在生物技术和健康方面的研究。
生物学日益数字化,科学家每天都在产生海量数据,将分子转化为序列和文本文件。作为生物学家,您可能需要帮助分析所有这些数据,并且一而再再而三的考虑与计算机科学家合作。这个人可能接受过一些计算生物学方面的培训,但他们的主要关注点一直是计算机科学(computer science,CS),这里有一个挑战:如何与他们交谈?他们也许能够写出高效的代码,但他们往往不知道一些生物学的基础知识。当他们看你的分子时,他们中的一些人可能会在意识到生物之前只看到文本文件。另外,如果解释事情花了这么多时间,值得吗?您是否应该转而自行分析您的数据?或者,也许你已经注意到,今天所有那些闪闪发光的大papers代表着生物学和CS的巧妙融合。您已经找到了合作者,并希望了解如何与他们接洽。这10条简单的规则旨在提供帮助。
思想就像基因一样,需要通过表达来传播和互相吸引,并且生成新的东西。基因的表达,这样的表述读起来平平常常,然而我们建立这样一套概念系统是大量优秀的科学家不断探索的结果。
今天我们介绍2022年在圣母大学组织的一个网络生物学未来方向研讨会,本文由研讨会参与者合著,总结了研讨会的讨论,预计其将帮助塑造网络生物学未来计算和算法研究的短期和长期愿景。网络生物学是一个跨学科领域,集计算科学和生物科学于一体,对于深入理解细胞功能和疾病至关重要。该领域存在约20年,仍处于初级发展阶段。由于多种因素导致该领域发生了快速变化和出现了新的计算挑战,包括数据复杂性的增加和不同组织水平上多种数据类型的出现以及数据量的增长。这意味着该领域的研究方向也需要发展。因此,汇聚了网络生物学各个计算和算法方面的活跃研究者,以确定这个领域的紧迫挑战。讨论的主题包括:生物网络的推断和比较、多模态数据整合和异构网络、高阶网络分析、网络上的机器学习以及基于网络的个体化医学。
来源丨ACM通讯 编译 | 王玥 编辑 | 陈彩娴 在过去的二十年里,生物学发生了翻天覆地的变化,建立在生物系统上的工程成为了可能。赋予了我们细胞遗传密码(DNA)排序能力的基因组革命是这一巨大变化的主要推手。而基因组革命带来的最新发现之一,正是使用CRISPR在体内精确编辑DNA的能力。 遗传密码的高级表现,如蛋白质的合成,被称为「表型」(phenotype)。高通量表型数据与DNA的精确编辑结合到一起,将底层代码的变化与外部表型联系了起来。 图注:Wacomka 图注:本图体现了细胞遗传密码(DNA
大数据文摘转载自AI科技评论 来源:ACM通讯 编译:王玥 编辑:陈彩娴 在过去的二十年里,生物学发生了翻天覆地的变化,建立在生物系统上的工程成为了可能。赋予了我们细胞遗传密码(DNA)排序能力的基因组革命是这一巨大变化的主要推手。而基因组革命带来的最新发现之一,正是使用CRISPR在体内精确编辑DNA的能力。 遗传密码的高级表现,如蛋白质的合成,被称为「表型」(phenotype)。高通量表型数据与DNA的精确编辑结合到一起,将底层代码的变化与外部表型联系了起来。 图注:Wacomka 图注:本图体现
量子位智库 发自 凹非寺 量子位 | 公众号 QbitAI 正在发生的科技最热趋势是什么? 当然是公认的Alphafold 2。 这个Nature和Science年度十大科技突破的双料冠军背后,其实是一场变革——计算生物学。 AI制药、疾病研究、物种改造,甚至还有对生物机制的全新理解和“干湿结合”的新研究范式,在未来,计算生物学将极大的改写我们的世界。 那么,计算生物学现在究竟发展如何?未来又会怎样改造世界?还有哪些瓶颈仍待解决? 为了更直观把握趋势脉搏,量子位将启动圆桌对话栏目——「对撞派」,通过策划业内
本章的目的是为读者提供理解基因组学所需的一些基础知识。需要说明,这绝不是对这一学科的完整概述,而只是一个简单的总结,它将帮助非生物学相关专业的读者理解计算基因组学中反复出现的生物学概念。熟知基因组生物学和全基因组定量分析的读者可以自由跳过这一章或大致浏览一遍。
它里面提供了其RNA-seq项目的数据库链接在:https://www.ebi.ac.uk/ena/browser/view/PRJEB36947,有意思的是我进入查看,发现其仅仅是上传了bam文件,并没有其它。
Integrative pathway enrichment analysis of multivariate omics data
今天给大家介绍拉什大学的Shinya Tasaki 等人在Nature Machine Intelligence上发表的文章“Deep learning decodes the principles of differential gene expression”。作者在文章中提出了一个系统生物学模型DEcode来预测差异表达,并挖掘影响预测基因表达的因素的生物学基础,以了解其如何产生。作者在模型中使用了深度卷积神经网络,根据RNA和启动子上的全基因组结合位点预测差异表达。此外,作者通过预测组织间的差异表达、差异转录的效用和衰老的驱动因素等实验,展示了DEcode在产生生物学见解方面的广泛潜在应用。
量子位智库 发自 凹非寺 量子位 | 公众号 QbitAI 一边是产学研屡屡传出新进展的计算生物。“地球上几乎所有已知蛋白质,均能被AlphaFold预测。” 另一边是投融资瞩目,但质疑声不断的AI制药赛道。“国外一笔331亿元订单顶传统药企一整年收入;国内市场规模保守估计2040亿。” 前者首要的落地场景,非AI制药莫属。而后者所面临的数据瓶颈、效率迭代等质疑,是否能通过计算生物来解决?两者究竟应该如何结合? AlphaFold2传出新进展之后,能否对蛋白质类药物设计会带来革命性影响? 带着这些问题,量
在 20 世纪 90 年代中期,有人提出被称为微管的蛋白质中的量子效应在意识的本质中发挥作用。这一理论在很大程度上被摒弃了,因为量子效应被认为不太可能发生在温暖潮湿的生物系统中,而且会发生退相干。
作为进化研究的重要手段,生物信息学担当了越来越重要的作用。作为一个极难进行实验重复和验证的学科,只能尝试根据现有的东西推断上百万及千万年前的历史。同时,生物信息学依然受到很多的质疑,且不为很多生物研究者所理解。这也是由于其是新兴的交叉学科(统计学,计算机科学与生物学)的特性所决定的。
"喜看稻菽千重浪,遍地英雄下夕烟"。快速发展的单细胞生物学(Single-cell ,为我们理解细胞类型、细胞状态、细胞间相互作用和组织结构提供了单细胞水平视野。单细胞分析适于解析细胞异质性较高的的动态生物学过程,如细胞命运决定、组织模式和发育轨迹推断。除了这些生理背景外,单细胞方法也被广泛应用于疾病研究,癌症和传染病。了解疾病背景下的细胞异质性具有重要的临床应用,包括开发改进的诊断工具和靶向治疗方法。此外,单细胞生物学使细胞重编程与合成生物学结合成为可能。
传统的机器学习 (ML) 技术在生成用于组学分析的预测模型方面取得了部分成功,但在处理数据内的潜在关系以实现更准确的预测方面存在局限性。2024年2月,《Journal of Human Genetics》发表综述文章,探讨了通过应用深度学习 (DL),特别是卷积神经网络 (CNN),预测建模发生的革命性转变。
今天为大家介绍的是来自Kamila Naxerova和Su-In Lee团队的一篇关于药物协同预测的论文。机器学习可能通过解释药物协同作用的分子基础来辅助选择最佳的抗癌药物组合。通过准确的可解释的模型,机器学习有望加速基于数据的癌症药理学研究。然而,由于转录组数据具有高度相关性和高维度的特点,简单地将当前可解释的机器学习策略应用于大型转录组数据集会导致次优的结果。在这里,作者利用特征归因方法展示了通过利用可解释的机器学习模型集合可以提高解释质量的可能性。
2022年7月26日,开发基于微生物的创新疗法的临床阶段生物制药公司Biomica(也是Evogene的子公司)宣布,其基于微生物的免疫肿瘤学候选药物BMC128的I期临床试验的第一例患者已经完成给药。
有这样的想法的人不在少数,所以有必要澄清一下,通常情况下,我们会做很多次差异分析然后取交集,这样的话保证拿到的基因是非常可靠的,这个过程中其实我们并不会关心不同的差异分析为什么会有不一样的地方,同样的实验设计可能导致不同的转录组差异分析结果和差异基因列表,这可能是由于以下因素导致的:
大家好!今天给大家介绍一篇2022年6月发表在Journal of Translational Medicine(IF:8.440)上的一篇文章。本研究作者全面分析了胶质瘤患者的小胶质细胞的作用并基于相应亚通路构建预后模型。
生物学的许多领域,都涉及到解决复杂的计算问题,如模拟化学反应、基因组组装、药物发现、蛋白质折叠等。尽管计算生物学领域取得了巨大的进步,但许多现实生活中的问题,仍然具有挑战性,因为它们需要大量的计算资源,超出了现有设备的能力。然而,这为开发一个基于完全不同的原理,即量子物理定律的计算设备,提供了机会。例如,在量子物理学中,一个物体可能同时处于多种状态,这种现象被称为量子叠加。在计算的语言中,量子叠加意味着比特(在这种情况下,称为量子比特或量子位)可以同时是0和1,这种“并行”的计算过程。描述N个量子位元的量子状态,通常需要大量的信息,按指数尺度按2N扩展。在如此大的计算空间中操纵概率振幅的艺术是开发量子算法的核心,人们希望量子算法在解决许多不同的任务时提供显著优势。
今天给大家介绍的是美国基因组医学研究所,勒纳研究所,克利夫兰诊所及美国纽约州伊萨卡康奈尔大学威尔细胞与分子生物学研究所等机构在nature biotechnology上发表的文章《A comprehensive SARS-CoV-2–human protein–protein interactome reveals COVID-19 pathobiology and potential host herapeutic targets》,在文章中作者使用高通量酵母双杂交实验和质谱生成由739种高置信度二元和共复相互作用组成的一个综合SARS-CoV-2-human蛋白质-蛋白质相互作用组(PPI)网络,用于验证已知的宿主因子及揭示了新的宿主因子。并基于网络筛选了2900种FDA批准的药物,确定了23种与SARS-CoV-2宿主因素具有显著网络接近度的药物。该研究研究证明了网络系统生物学对理解人类-病毒相互作用的价值,并为进一步研究COVID-19治疗提供了成功的机会。
由于对资源建设和工具开发的强大的财政和智力支持,神经科学研究已经进入了神经基因组学领域的关键发展阶段。以前的组织异质性的挑战已经遇到了技术的应用,可以让我们研究单个细胞尺度的功能轮廓。此外,以细胞类型特异性的方式干扰基因、基因调控元件和神经元活性的能力已经与基因表达研究相结合,以在系统水平上揭示基因组的功能基础。虽然这些见解必须基于模型系统,但由于人类遗传学、大脑成像和组织收集方面的进步,我们现在有机会将这些方法应用于人类和人体组织中。我们承认,在我们将模型系统中开发的基因组工具应用于人类神经科学的程度上,可能总是有限制的;然而,正如我们在这个角度所描述的,神经科学领域现在已经为解决这一雄心勃勃的挑战奠定了最佳基础。将系统级的网络分析应用于这些数据集,将有助于对人类神经基因组学的更深入的理解,否则,这是无法从直接可观察到的现象中实现的。
来自斯坦福大学的研究人员使用数百万个真实细胞的化学和基因组成作为原始数据训练了一个AI大模型,
本文介绍由美国马萨诸塞州波士顿哈佛医学院系统生物学系系统药理学实验室的Mohammed AlQuraishi等人发表于Nature Methods 的研究成果:研究人员报道了可微程序与分子和细胞生物学结合产生的新兴门类:“可微生物学”。本文作者介绍了可微生物学的一些概念并作了两个案例说明,展示了如何将可微生物学应用于整合跨生物实验中产生的多模态数据,解决这一存在已久的问题将促进生物物理和功能基因组学等领域的发展。作者讨论了结合生物和化学知识的ML模型如何克服稀疏的、不完整的、有噪声的实验数据造成的限制。最后,作者总结了它面临的挑战以及它可能扩展的新领域,可微编程仍有很多可发挥的空间,它将继续影响科技的发展。
新智元编译 来源:Nature 作者:Sarah Webb 编译:赵以文 【新智元导读】深度学习为分析生物大数据提供了强大的工具。BioRxiv预印本服务器上有超过440篇文章讨论深度学习;PubMed在2017年列出了700多篇与深度学习有关的参考文献。生物学家和临床研究人员之间正在掀起一股使用深度学习相关的工具的浪潮。但是,研究人员在理解和使用这些算法方面仍然面临着挑战。 四年前,谷歌科学家出现在神经科学家Steve Finkbeiner的家门口。Finkbeiner在位于旧金山的格莱斯顿神经病
量子位智库 发自 凹非寺 量子位 | 公众号 QbitAI 名噪一时的AlphaFold 2背后,是蓄势待发的计算生物学。 但,计算生物学究竟是什么?目前进展如何,又蕴藏了怎样的未来机遇? AI制药、疾病研究、AI for Science、21世纪最伟大的科学发明… 这些都不足以概括这一领域。 过去的两周,量子位对撞派推出了「计算生物学」专题,先后邀请到了专注蛋白质组学的西湖欧米、专注分子模拟的深势科技,和AI领域的头部研究院微软亚洲研究院,从不同角度和我们直播探讨了计算生物学。 在这一系列对谈中,我们谈到
电路、开关、闸门、传感器、振荡器是机器人、计算机和数字逻辑电路的语言。当我们将视角转到生物学,我们需要一套新的语言,生命与死亡的语言,蛋白质结构、生物进化、物种繁殖和细胞衰亡,生物竞争的语言。为了建立一套可以使用生物语言的方式,新兴的合成生物学诞生了。
msigdb数据库网页里面有着丰富的基因集,MSigDB(Molecular Signatures Database)数据库中定义了已知的基因集合:http://software.broadinstitute.org/gsea/msigdb 包括H和C1-C7八个系列(Collection),每个系列分别是:
领取专属 10元无门槛券
手把手带您无忧上云