gep演算法如何處理參數

『壹』 湖北文理學院谷瓊老師大學畢業於那個學校

谷瓊，女，湖北文理學院數學與計算機科學學院，副教授，副院長
1973.03出生於湖北省荊門市，工學博士，西南大學邏輯與智能研究中心在站博士後。現任數學與計算機科學學院副院長，分管學科建設、科研工作。2011.12被評為副教授，承擔《計算機導論》、《程序設計基礎》、《科技論文寫作》、《文獻檢索》等課程的教學工作。1993.07畢業於襄樊學院電子技術應用專業，2002.07本科畢業於北京理工大學會計學專業，2006.07碩士畢業於中國地質大學計算機科學與技術專業，2009.07博士畢業於中國地質大學地學信息工程專業。主要從事數據挖掘、機器學習、網路輿情、智能信息處理及智能計算的研究。代表性成果簡述如下：
一、項目類：
1. 主持，科技部星火計劃：基於垂直搜索引擎的農業信息采編發系統的推廣與應用
2. 主持，襄陽市科技攻關項目：網路輿情熱點智能探測追蹤及分析平台研究
3. 主持，湖北省科技支撐計劃（軟科學研究類）：網路輿情多維度特性及其應對策略研究（2013BDH011）
4. 主持，湖北省教育廳重點項目：基於集成學習的非均衡數據分類方法研究(D20132601)
5. 主持，湖北省自然科學基金項目:基於演化演算法的非均衡數據集分類演算法及在岩爆數據預測中的應用研究(2012FFB01901)
6. 主持，湖北省教育廳中青年項目：面向非均衡數據集的演化重取樣演算法及地學應用研究(Q20112604)
7. 主持，襄陽市科技攻關項目：基於網路輿情跟蹤演化預測系統的研究(201105)
二、論文類：
主要代表作如下：
1. 谷瓊，李傑，龔雄興，基於Android智能手機的隱私管理系統的設計與實現[J]. 計算機應用與軟體，2014(1),260-263. (CSCD)
2. Qiong Gu,Xianming Wang,Zhao Wu,Li Hua.Exploration and practice of college-enterprise co-operation talent cultivating in computer science at local universities[J] World Transactions on Engineering and Technology Ecation,2014,12(1).(EI檢索源刊)
3. Qiong Gu, Wu Zheng, Xianming Wang.Study on Xiangyang』s Population and Aging Trend Prediction Based on Discrete Population Development Equation Model[J]. Computer Modelling & New Technologies,2014,18(3). (EI檢索源刊)
4. 谷瓊，袁磊，寧彬，吳釗，華麗，李文新. 基於改進的SMOTE和RST的新型混合重取樣演算法[J].微電子學與計算機,2012(09),83-86. (CSCD)
5. 谷瓊,袁磊,寧彬,吳釗,華麗,李文新.一種基於混合重取樣策略的非均衡數據集分類演算法[J].計算機工程與科學,2012(10), 128-134.(CSCD)
6. 谷瓊,袁磊,熊啟軍,寧彬,李文新.基於非均衡數據集的代價敏感學習演算法比較研究[J].微電子學與計算機,2011,(08):146-149+153. (CSCD)
7. 谷瓊,袁磊,寧彬,熊啟軍,華麗,李文新.一種基於重取樣的代價敏感學習演算法[J].計算機工程與科學,2011,(09):130-135. (CSCD)
8. 谷瓊,蔡之華,朱莉,王賢明.新型混合重取樣演算法在岩爆預測中的應用[J].地球科學(中國地質大學學報),2010,(02):311-316. ( EI Accession number: 20101712896453)
9. 谷瓊,王賢明,李文新.基於非均衡數據集的新型混合重取樣演算法[J].武漢理工大學學報,2010,(20):55-60. (CSCD)
10.谷瓊,蔡之華,朱莉,黃波.基於PCA-GEP演算法的邊坡穩定性預測[J].岩土力學,2009,(03):757-761+768. (EI Accession number: 20091512029502)
11.Qiong Gu, Li Zhu,Zhihua Cai, Evaluation measures of the classification performance of Imbalanced Data Sets[C].ISICA 國際會議論文集，2009.10月 Springer出版，ISSN 1865-0929（EI Accession number：20101712896453）Qiong Gu, Zhihua Cai, Li Zhu, Classification of Imbalanced Data by Using the Hybrid Re-sampling Algorithm based on Isometric Feature Mapping[C].ISICA國際會議論文集，2009.10月 Springer出版，ISSN 0302-9743(EI Accession number: 20110113541004)
12.朱莉,谷瓊,蔡之華,余鋼.基於Isomap的SMO演算法及在煤與瓦斯突出預測中的應用[J].應用基礎與工程科學學報,2009,(06):958-965. (EI Accession number: 20100412667051)
13.Qiong Gu, Zhihua Cai, Li Zhu, Bo Huang，Data Mining on Imbalanced Data Sets[C]. International Conference on Advanced Computer Theory and Engineering 2008 (ICACTE2008). 1020-1024.( EI Accession number: 20091411996575)
14.谷瓊,蔡之華,朱莉,黃波,杜均.一種基於PCA的GEP演算法及在採煤工作面瓦斯湧出量預測中的應用[J].應用基礎與工程科學學報,2007,(04):569-577. (EI Accession number: 20075210995639)
15.Qiong gu，Li Zhu，Zhihua Cai，Study on measure criteria in evaluating classification performance: lift charts,Roc and Precision-recall curves[C].2nd International Symposium on Intelligence Computation and Application(ISICA2007),488-492.
16.谷瓊,朱莉,蔡之華,袁紅星.基於決策樹技術的高校研究生信息庫數據挖掘研究[J].電子技術應用,2006,(01):20-22. (CSCD)
三、著作類：
1. 王賢明,谷瓊,胡智文.C#程序設計.北京:清華大學出版社,88萬字，2012.
2. 谷瓊,胡智文,王賢明.C#程序設計實踐教程與習題解答.北京:清華大學出版社，30.6萬字，2012.
四、知識產權類：
1. 谷瓊,王賢明,網路輿情採集系統,2012,12,中國, 2012SR127795
2. 王賢明,谷瓊, 網路輿情分析系統,2012,12,中國, 2012SR127800
五、 榮譽類：
1. 2013年論文「網路輿情跟蹤演化分析系統」，榮獲襄陽市科學技術進步獎二等獎
2. 2012年論文「新型混合重取樣演算法在岩爆預測中的應用」，榮獲湖北省自然科學優秀論文三等獎
3. 2009年博士畢業論文「面向非均衡數據集的機器學習及在地學數據處理中的應用」，榮獲中國地質大學優秀博士論文

『貳』 求gep演算法高手！

生成文件：
第 1 個加密字串：Jk fpz nfy aij jpwyfha bszxjy, ztb bwl bs lyhlmqloy zuzkfsa.
密鑰 101 : 解密字串：Ik eoz mey zhj iowxehz asywjx, yta awk as kxhklqkny ytzjesz.
密鑰 103 : 解密字串：Ik coz key xhj gowvehx aswwjv, yty awi as ixhilqiny wtzhesx.
密鑰 107 : 解密字串：Ik yoz gey thj cowreht asswjr, ytu awe as exhelqeny stzdest.
密鑰 109 : 解密字串：Ik woz eey rhj aowpehr asqwjp, yts awc as cxhclqcny qtzbesr.
密鑰 113 : 解密字串：Ij coy kex xhi govvegx arwwiv, ysy avi ar ixgilpinx wtyherx.
密鑰 127 : 解密字串：Ii yox gew thh coureft aqswhr, yru aue aq exfeloenw stxdeqt.
密鑰 131 : 解密字串：Ih eow mev zhg iotxeez apywgx, yqa atk ap kxeklnknv ytwjepz.
密鑰 137 : 解密字串：Ih yow gev thg cotreet apswgr, yqu ate ap exeelnenv stwdept.
密鑰 139 : 解密字串：Ih wow eev rhg aotpeer apqwgp, yqs atc ap cxeclncnv qtwbepr.
密鑰 149 : 解密字串：Ig wov eeu rhf aospedr aoqwfp, yps asc ao cxdclmcnu qtvbeor.
密鑰 151 : 解密字串：If eou met zhe iorxecz anywex, yoa ark an kxckllknt ytujenz.
密鑰 157 : 解密字串：If you get the correct answer, you are an excellent student.
密鑰 163 : 解密字串：Ie cot kes xhd goqvebx amwwdv, yny aqi am ixbilkins wtthemx.
密鑰 167 : 解密字串：Ie yot ges thd coqrebt amswdr, ynu aqe am exbelkens sttdemt.
密鑰 173 : 解密字串：Id cos ker xhc gopveax alwwcv, ymy api al ixailjinr wtshelx.
密鑰 179 : 解密字串：Id wos eer rhc aoppear alqwcp, yms apc al cxacljcnr qtsbelr.
密鑰 181 : 解密字串：Ic eor meq zhb iooxezz akywbx, yla aok ak kxzkliknq ytrjekz.
密鑰 191 : 解密字串：Ib eoq mep zha ionxeyz ajywax, yka ank aj kxyklhknp ytqjejz.
密鑰 193 : 解密字串：Ib coq kep xha gonveyx ajwwav, yky ani aj ixyilhinp wtqhejx.
密鑰 197 : 解密字串：Ib yoq gep tha conreyt ajswar, yku ane aj exyelhenp stqdejt.
密鑰 199 : 解密字串：Ib woq eep rha aonpeyr ajqwap, yks anc aj cxyclhcnp qtqbejr.

最終結果： If you get the correct answer, you are an excellent student.
/*
1．題目
有一個加密文件，它的密鑰是從100至200中的一個素數，加密方法是每三個字母加上密鑰中對應的數字，超出26個大寫和小寫的字母範圍的減去26，空格和標點符號不加密。例如，假設密鑰為139，要加密的字元串為「We are students」，第一個字母「W」加密為』W』+1=』X』，第二個字母加密後為』e』+3=』h』，第三個字母加密後為』a』+9=』j』，第四個字母加密後為』r』+1=』s』, 第五個字母加密後為』e』+3=』h』,第六個字母加密後』s』+9超過了字母範圍，所以減去26得，』s』+9-26=』b』,….。
讀入已加密的文件，進行破譯，將可能的密鑰和相應的解密結果輸出到另一個文件。

2．編程要點：
1）用fgets函數讀入字元串
2）編一個函數處理所有可能的密鑰，即計算從100到200的所有素數
3）將密鑰化成三個元素的整型數組，分別對應百位、十位和個位
4）將所有英文字元按序輪換減去對應的數組元素，原來是大（小）寫英文字元超出大（小）寫英文字元范圍加上26。

3．密碼文件內容
Jk fpz nfy aij jpwyfha bszxjy, ztb bwl bs lyhlmqloy zuzkfsa.
*/

int is_prime(int in) //素數？
{
int i;
for(i = 2; i <= in /2; ++i )
if(0 == in % i)
return 0;
return 1;
}

int is_english_char(char ch) //是否26個英文字元 ？
{
if(('a' <= ch && 'z' >= ch) || ('A' <= ch && 'Z' >= ch))
return 1;
return 0;
}

int is_upper(char ch) //是否大寫？
{
if(('A' <= ch && 'Z' >= ch))
return 1;
return 0;
}
int is_lower(char ch) //是否小寫？
{
if(('a' <= ch && 'z' >= ch))
return 1;
return 0;
}

char * Key_chk(char *st, int ikey) //解密過程
{
int flag = 1,i =0;
char *pc = st;
int key[3] = ;
while('\0' != *pc)
{
if(is_english_char(*pc))
{
if(is_lower(*pc))
{
*pc -= key[i++ % 3];
if(!is_lower(*pc))
*pc += 26;
}
else
{
*pc -= key[i++ % 3];
if(!is_upper(*pc))
*pc += 26;
}
}
++pc;
}
return st;
}

char * Key_add(char *st, int ikey) //加密過程
{
int flag = 1,i=0;
char *pc = st;
int key[3] = ;
while('\0' != *pc)
{
if(is_english_char(*pc))
{
if(is_lower(*pc))
{
*pc += key[i++ % 3];
if(!is_lower(*pc))
*pc -= 26;
}
else
{
*pc += key[i++ % 3];
if(!is_upper(*pc))
*pc -= 26;
}
}
++pc;
}
return st;
}
#define AUTHOR ZERO_FN
int main(int argc, char *argv[])
{
char string[100] = ;
int i, count = 1;
FILE *pfS, *pfD;
if(NULL == (pfS = fopen("C:\\Users\\dell\\Desktop\\file21.txt","r"))) return 0;
if(NULL == (pfD = fopen("C:\\Users\\dell\\Desktop\\deskey.txt","w+"))) return 0;
while(NULL != fgets(string,sizeof(string),pfS)) //假設原文件有多行需要解密
{
//fprintf(pfD,"第 %d 個加密字串：%s", count++, string); //每個文件可以有多行
for(i = 100; i <= 200; ++i )
if(is_prime(i))
{
//printf(" 加密字串：",i); //屏顯，可有可無
//printf("%s\n",string); //屏顯，可有可無
//printf("用%d解密字串：",i); //屏顯，可有可無
Key_chk(string, i); //解密字串
//printf("%s\n\n",string); //屏顯，可有可無
fprintf(pfD,"密鑰 %d : 解密字串：%s", i, string); //按格式存儲解密結果
//fputs(string,pfD); //簡單存儲解密結果
Key_add(string, i); //還原源字串，准備下一次用另一個key解密
}
}
fclose(pfS);
fclose(pfD);
system("PAUSE");
return 0;
}

『叄』 美國GEP乾洗開店

我朋友開的店就是美國gep乾洗的，他的店開了有一年了，投了蠻多錢在裡面的，當初還替他擔心，開個乾洗店要的了那麼多錢啊，現在弄明白了，乾洗店設備機器檔次差別很大的，要開乾洗店還是要開高檔先進的，我朋友店裡的設備很先進的，客戶拿到他店裡有很多名牌高檔衣服他們店裡的員工直接放進去按設備上的電腦操作屏就可以了，不過整理那麼多衣服也是蠻忙的，有時候有的衣服面料不是很清楚怎麼洗還是要用心研究，而且投資後好多事情不懂，還好gep有總公司在幫忙策劃服務，衣服不會處理的隨時可以打電話給總部溝通。。。總體評價很不錯的。我朋友之前開的景程今年換了部奧迪A6. 建議你要開的話可以到他店裡去看看的。。。

『肆』 RootKit.Win32.CallGATE.gep怎麼清除徹底這個病毒

關閉QQ
用SREng在「啟動項目」-「注冊表」中刪除：
<visin><C:\WINDOWS\system32\visin.exe> [Microsoft Corporation]
刪除C:\WINDOWS\system32\visin.exe（為隱藏屬性）刪除C:\Program Files\Tencent\QQ\TIMPlatform.exe（為隱藏屬性）把C:\Program Files\Tencent\QQ\TIMPlatfrom.exe改名為TIMPlatform.exe
重啟後刪除C:\WINDOWS\system32\drivers\usbinte.sys（或被殺毒軟體直接殺掉）
以上為針對此病毒的處理方法。其他中毒會員如果QQ安裝在別的文件夾，則調整為相應路徑
用SREng在「啟動項目」-「注冊表」中刪除：<{0EA66AD2-CF26-2E23-532B-B292E22F3266}><C:\Program Files\Common Files\Microsoft Shared\MSINFO\NewTemp.dll刪除文件C:\Program Files\Common Files\Microsoft Shared\MSINFO\NewTemp.dllwww

『伍』 反卷積法推斷bulk RNA數據中的細胞組成

使用免疫檢查點抑制劑增強患者對癌症的免疫反應可以說是過去十年來治療癌症最激動人心的進展。不幸的是，只有一部分患者（通常約20％）在檢查點抑制後顯示出持久的免疫反應。基於預測反應生物標記物（=精密葯物）的前瞻性患者選擇和免疫治療相結合，有可能進一步改變患者的治療方式。迄今為止，已經表明免疫細胞的位置和數量可以預測標准療法的患者預後。另外，對於像檢查點抑制劑這樣的抗PD1，抗PDL1和抗CTLA4葯物，相關T細胞群的存在與治療功效相關。因此，預測對免疫療法反應的關鍵可能在於腫瘤病變部位的患者特異性免疫細胞組成。
從理論上講，如果可以為每個腫瘤相關細胞建立參考基因表達譜（RGEP），則可以從其整體基因表達譜推斷出實體瘤的免疫，腫瘤和基質細胞含量。從數學上講，這類反推問題稱為反卷積。迄今為止，已經描述並證實了大量基因表達的反卷積用於血液系統惡性腫瘤，其中可以從外周血單核細胞（PBMC）建立RGEP。這種方法在理論上已應用於實體瘤，但直到最近，仍無法通過實驗驗證這種推斷。對於外周血中不存在的細胞類型（例如內皮細胞（EC）和與癌症相關的成纖維細胞（CAF）），很難獲得它們的RGEP，而且尚不清楚免疫細胞的基因表達譜在多大程度上改變腫瘤浸潤。但是，隨著單細胞RNA測序（scRNA-seq）技術的出現，現在可以確定浸潤腫瘤的免疫細胞，腫瘤相關的非惡性細胞以及來自同一實體瘤的單個腫瘤細胞的基因表達譜。
我們收集並研究了來自三個不同的主要人類組織來源的11,000多個單細胞的RNA-seq基因表達譜：為了表徵與腫瘤微環境相關的細胞，我們獲取了19名黑素瘤患者的數據；我們獲取來自四個健康受試者的PBMC的數據以表徵基線免疫細胞基因表達圖譜；最後，我們從四個卵巢癌腹水樣本中生成了免疫和腫瘤細胞基因表達譜。在下文中，我們顯示了來自腫瘤相關免疫細胞和來自PBMC的基因表達譜有很大不同。因此，從PBMC獲得的參考譜不足以使黑素瘤腫瘤樣品的總體譜解卷積。我們發現，來自不同患者的適應症特異性免疫細胞RNA-seq譜圖彼此足夠相似，可以為每種細胞類型定義一個共有譜圖，並且這些共有譜圖可以對腫瘤bulk譜圖進行准確的反卷積。我們的結果表明，特定的RGEP的產生對於從大量基因表達數據中可靠地估算腫瘤成分而言既必要又充分。我們的方法揭示了與腫瘤相關的細胞類型，而這些類型的細胞不能由來自PBMC的RGEPs估計。我們可以識別出九種不同的細胞類型，包括免疫細胞，CAF，EC，卵巢癌細胞和黑色素瘤細胞。此外，用於免疫細胞的RGEP可以用於根據特定的大量基因表達數據來估計腫瘤細胞的未知基因表達譜。我們的工作強調了生成針對每種感興趣適應症的RGEP的重要性。

首先，為了研究隨著免疫細胞從外周血轉移到腫瘤微環境而基因表達譜變化的程度，我們比較了三種人類數據集的免疫細胞scRNA-seq譜圖：（1）來自四個健康受試者的外周血4000個單細胞的數據集； （2）來自19個黑色素瘤患者樣品的4645個腫瘤來源的單細胞的數據集，以及來自四個卵巢癌腹水樣品的3114個單細胞的未公開數據集。單細胞RNA-seq數據需要仔細的數據處理和規范化，尤其是在比較來自不同來源和測序技術的數據時。為了表徵單個細胞並說明其基因表達譜中的全基因組相似性和差異性，我們應用了降維技術t分布隨機鄰居嵌入（t-SNE）。這是一種無監督的機器學習演算法，可將每個單細胞置於二維平面中。基因表達譜相似的細胞彼此靠近放置，如果它們之間的差異更大，則相距更遠。圖1a顯示與特定細胞類型相關聯且來自不同數據源的簇會自發出現。補充圖1中顯示了具有特定細胞的顏色編碼的t-SNE映射，而不是特定於數據源的聚類。使用匯總的單細胞數據集，我們開發了一種分類方法，該方法可以識別細胞類型，而與數據源無關。我們可以識別和分類9種主要細胞類型：T細胞，B細胞，巨噬細胞/單核細胞，自然殺傷（NK）細胞，樹突狀細胞（DC），CAF，EC，卵巢癌細胞和黑色素瘤細胞。所有未通過任何特定像元類型的分類閾值的其餘像元均被指定為「未知」。有趣的是，「未知」細胞大多位於T細胞簇中，這表明某些T細胞比其他細胞類型的細胞更難分類。但是，每個樣本中「未知」細胞的百分比通常非常低（<0.03％）。此外，我們可以將T細胞分為三種亞型：CD4 +，CD8 +和調節性T細胞（Treg）。建議將CD4 +或CD8 + T細胞與免疫抑制性Treg的比例作為免疫活性與非活性腫瘤對抗的標志物。盡管我們的方法可以輕松擴展為包括其他細胞和進一步的細分，但我們將自己限制在九種主要細胞類型中，以對我們的分類演算法進行基準測試。如先前報道 並在補充圖2中所示，惡性腫瘤細胞和相關的成纖維細胞按患者聚集，非惡性細胞按細胞類型聚集。腫瘤活檢應包含來自腫瘤血管和最近滲出的免疫細胞的免疫細胞。因此，預期PBMC和腫瘤相關免疫細胞之間部分重疊。我們分析了每個確定的群集的平均基因表達譜之間的成對相似性。通過單細胞比較，該分析更加定量且更可靠。圖1b中顯示的結果表明，大多數簇雖然不同，但與來自相同細胞類型的簇最密切相關。這是重要的質量控制步驟，可以確認通過數據處理和標准化策略已成功減輕了潛在的批次影響（請參見「方法」部分）。 Treg在三個不同的數據集上似乎是最不同的，可能表示環境決定性亞群。但是，微環境對基因表達有明顯且可量化的影響。在下文中，我們將解決以下問題：基於PBMC的基因表達譜是否與在腫瘤微環境中觀察到的結果是否相似；以及PBMC衍生的基因表達譜如何影響bulk表達數據去卷積的質量。
首先，我們觀察到每種細胞類型的頻率對於每種樣品似乎是不同的，如圖1c所示。 與跨腹水或黑色素瘤樣品的細胞組成相比，來自不同供體的PBMC樣品的細胞組成彼此更為相似。 我們基於基於scRNA-seq的分類法對先前預測的所有黑色素瘤樣品的結果進行了驗證，從而驗證了預測的細胞組成。 此外，我們通過熒光激活細胞分選（FACS）實驗比較了所有腹水樣品的預測細胞組成。 如圖2所示，我們的分類與先前發布的結果和我們的FACS測量結果一致。

免疫細胞的微環境特異性基因表達譜以及給定樣品的真實表達圖譜可通過scRNA-seq獲得，並可作為基準反卷積方法的基礎。我們研究了bulk基因表達數據（例如黑色素瘤樣品）的去卷積結果如何受微環境特定變化和患者之間差異的影響。作為反卷積的基準，我們通過對27個樣本中的每個樣本的所有單細胞基因表達數據以及不同組的REGP進行聚合，通過對組織來源和患者進行平均的不同策略，構建了人工「bulk」基因表達數據。我們使用五個不同的RGEP比較給定樣品的推斷的先驗已知細胞組成（參見圖3進行說明）：首先，RGEP1僅從PBMC數據集導出。因此，在這種情況下將無法獲得與腫瘤相關的細胞類型的估計值。第二個是RGEP2，是從三個數據集（PBMC，黑色素瘤和腹水）中每種細胞類型得出的。第三，RGEP3是數據集/指示類型和細胞類型特定的。作為其他基準，我們設置了兩個控制方案 （CNTR1和CNTR2），它們是RGEP3的擴展，並包括特定患者的信息。這些場景當然不適用於現實世界，但可用於評估患者特定信息的相對重要性。 CNTR1僅將患者特定的配置文件用於惡性細胞，並將共識配置文件用於每種非惡性細胞類型。 CNTR2對所有細胞類型使用特定於患者的配置文件。原則上，CNTR2作為使用反卷積方法在技術上可行的上限。

為了比較五種可能的RGEP及其對反褶積精度的影響，我們使用CIBERSORT反褶積方法從27個構建的整體表達數據集中估算了細胞組成。該方法旨在對雜訊，未知混合物和緊密相關的細胞類型具有更高的魯棒性。已顯示CIBERSORT優於其他基於體外細胞混合物基準測試的方法。 CIBERSORT演算法最初是為微陣列數據的反卷積開發的。在這里，我們證明了該演算法也可以應用於RNA測序數據，如果使用源自相同技術的RGEP來表徵細胞類型，也可以應用該演算法。所有反卷積都是使用一組基因進行的，其中包括1076個基因特徵，這些基因特徵可最大程度地區分各種細胞類型。對於每種細胞類型，將估計比例與27個構建樣品中的真實比例進行比較（圖4a）。估計細胞組成與真實細胞組成之間的皮爾遜相關系數用作預測准確性的量度（圖4b）。通過使用均方根偏差（RMSD）獲得定性相似的結果（參見補充圖3）。對於T細胞，每個亞群分別進行估算。在圖4中，將所有T細胞亞群的估計值相加以獲得每個樣本的總T細胞比例。單個T細胞子集的結果在圖5中單獨考慮。總的來說，基於RGEP1的估計（Pearson相關性ρ= 0.82）不如RGEP2和RGEP3或CNTR1和CNTR2的准確度（Pearson相關性ρ≥0.98）。對於RGEP1，由於沒有與腫瘤相關的細胞類型的參考資料，未知細胞的真實比例要比其他RGEP大，估計質量中等（皮爾森相關系數ρ= 0.65）。

對於RGEP2和RGEP3，以及對於CNTR1和CNTR2，未知細胞的真實比例很小，可以忽略不計。如果細胞的真實比例很小，則相關性不是判斷准確性的好方法。對於RGEP1，對於T細胞（皮爾森相關度ρ= 0.88，此處未區分為亞型），B細胞（皮爾森相關度ρ= 0.99）和巨噬細胞/單核細胞（皮爾森相關度ρ= 0.99），估計效果良好。但是，在所有其他設置下（皮爾遜相關系數ρ≥0.99），精度會進一步提高。對於RGEP1，對DC的估計（皮爾森相關度ρ= -0.04）較差，而對NK細胞的估計中等（皮爾森相關度ρ= 0.78）。對於RGEP2（皮爾森相關系數ρ= 0.82）和RGEP3（皮爾森相關系數ρ= 0.95），DC的估計有了很大的提高。 DC的估計值對於CNTR1仍略有改善（Pearson相關性ρ= 0.97），但僅在CNTR2時才達到最大值（Pearson相關性ρ= 1.00），這表明DCs的基因表達在很大程度上取決於分離的來源，這是一致的有證據表明DC的不同亞群在免疫力的產生中高度特異化。相對於CNTR1（皮爾森相關度ρ= 0.96）和CNTR2（皮爾森相關度ρ= 1.00），RGEP2（皮爾遜相關度ρ= 0.82）對NK細胞的估計略有改善，並且在RGEP3（皮爾遜相關度ρ= 0.95）中接近最佳狀態。對於RGEP2至CNTR2，可獲得與腫瘤相關的細胞類型（CAF，EC和惡性細胞）的估計值，並且可以對其進行准確估計（Pearson相關性ρ≥0.95）。有趣的是，在納入患者特定信息後，對惡性細胞的估計並沒有太大改善，這表明使用共識譜進行反卷積是可行的。這可能因為腫瘤細胞通常與非惡性細胞有很大的不同，非惡性細胞使它們的去卷積更容易（見圖1b）。對於CNTR2，與其他設置（Pearson相關性ρ〜0.95）相比，ECs和CAF的准確性更高（Pearson相關性ρ= 1.00），這表明這些細胞類型的基因表達受患者特定的微環境影響。有趣的是，當考慮到二等分的距離（如圖4所示）作為估計精度的度量時，我們發現它與真實的細胞類型比例無關。但是，每種細胞類型的總體精度都不同。

考慮到T細胞比率對治療結果的重要性，我們進一步分析了T細胞亞群以及治療相關T細胞比率的估計准確性（圖5）。出乎意料的是，對於CD8 + T細胞，所有RGEP的估算結果都是准確的（皮爾森相關ρ〜0.95）。對於CD4 +細胞和調節性T細胞，使用RGEP1的估計結果僅中等（皮爾遜相關系數ρ= 0.63和ρ= 0.43），而對於RGEP2則明顯改善（皮爾遜相關系數ρ= 0.87和ρ= 0.94）。這也反映在達到RGEP2准確估計值的Treg / CD4 +，CD8 + / Treg和CD4 + / CD8 + T細胞的比率（皮爾森相關系數ρ= 0.94，ρ= 0.96和ρ= 0.93）。對於CNTR1，所有T細胞亞群和比率的估計值均不會顯著改善，而對於CNTR2，它卻會有所改善（皮爾森相關系數ρ= 1.00），這表明T細胞的基因表達受患者特定的微環境影響。總而言之，使用基於適應症特異性基因表達譜（RGEP3）的共有基因表達譜進行反卷積足以獲得樣品細胞組成的可靠估計值，而無需有關各個細胞類型的患者特異性數據。使用基於外周血數據（RGEP1）或基於所有三個數據集/指標的平均值（RGEP2）的基因表達譜進行反卷積的准確性大大降低。當考慮到兩等分的距離（如圖5所示）作為估計准確度的一種度量時，我們發現對調節性T細胞的估計過高。調節性T細胞的估計與表達形式相似的非調節性CD4 + T細胞的估計混淆。由於非調節性CD4 + T細胞的總百分比高於調節性T細胞的百分比，因此對非調節性CD4 + T細胞存在相應的低估，這種估計並沒有那麼明顯。盡管這些T細胞亞型存在這種偏見，但臨床上相關T細胞比例的估算並沒有受到影響。

為了探索相似細胞類型表達譜或缺失細胞類型譜對估計准確性的影響，我們系統地評估了一次從RGEP3中刪除一個細胞類型表達譜的情況（補充圖4）。對於大多數情況和細胞類型，估計精度不受其他細胞類型表達譜刪除的影響。 CD4 + T細胞，巨噬細胞/單核細胞和惡性細胞類型的估計准確性對所有變化都具有魯棒性。我們觀察到一些更緊密相關的細胞類型的估計准確性降低。去除CD4 + T細胞會影響CD8 + T細胞估計的准確性，同時去除CD8 +或CD4 + T細胞會影響調節性T細胞的估計准確性。去除巨噬細胞/單核細胞會影響B細胞的准確性。去除B細胞或巨噬細胞/單核細胞會影響樹突狀細胞的准確性。 NK細胞的准確性受去除CD8 +或CD4 + T細胞的影響。去除黑素瘤細胞譜會影響內皮細胞和CAF的准確性。為了確定使用替代基因集進行反卷積的影響，我們使用性能最佳的RGEP3和四個其他基因集以及三種替代反卷積演算法重復了分析。有趣的是，與RGEPs的來源和質量的影響相比，不同基因集和反卷積演算法的影響相對較小（參見補充圖5）。 CIBERSORT與合並的基因組結合提供了最佳的總體結果。

使用源自單細胞RNA測序數據的RGEP，我們確定RGEP的來源和質量會影響反卷積方法的准確性。因此，我們建議將源自感興趣組織的單細胞RNA測序數據衍生的RGEP用於bulk反卷積。但是，將通過常規卷積RNA測序獲得應用去卷積方法的臨床數據。因此，重要的是證明源自單細胞RNA測序的RGEP適用於通過bulk RNA測序測量的數據。為了驗證實際（而非人工）批量數據上的去卷積結果，我們另外對四個卵巢癌腹水樣品中的三個進行了批量RNA測序，並使用RGEP3應用了去卷積方法來獲得樣品細胞組成的估計值。此外，使用相同的三個樣品，我們通過FACS和單細胞RNA測序，然後進行演算法細胞類型分類，對實驗中的細胞組成進行了定量。圖6a顯示了這三個樣品的數據生成示意圖，圖6b顯示了對通過三種不同方法獲得的結果的定量比較（有關詳細信息，另請參見補充表1和2）。總體而言，結果吻合良好。由於所有這三種方法均具有固有偏差，因此它們僅提供了樣品細胞組成的估計值。偏差是可以預料的，並且可能源於樣品處理的差異，這些差異會給較脆弱的免疫細胞帶來壓力。在我們的驗證數據中，當通過FACS定量時，我們始終觀察到對巨噬細胞/單核細胞群體的估計減少。基於單細胞的分類一致地估計了該樣品集中巨噬細胞/單核細胞的最高比例。類似地，解卷積方法始終估計較低比例的CD4 + T細胞，並且類似地針對低豐度樹突狀細胞和NK細胞群體。

盡管使用RGEP3是適應症特異性的，但不是患者特異性的，可以從大量基因表達數據中准確估計任何給定患者活檢的細胞組成，但不同患者之間惡性細胞的基因表達譜差異最大。腫瘤細胞中基因表達的差異有望在預測對傳統療法（包括靶向療法和化學療法）的反應中發揮關鍵作用。這樣，在解卷積之後估計患者特異性腫瘤細胞譜也是感興趣的。如果對於每種非惡性細胞類型和適應症均存在共有的表達譜，則可以通過簡單地從總體概況中減去每種非惡性細胞類型的概況並按其推斷的比例加權來獲得患者特異性腫瘤細胞概況。然而，實際上，總體概況將始終被不存在共有概況的細胞（「未知」細胞）「污染」。例如，嗜中性粒細胞未在scRNA-seq數據中顯示，因為它們難以分離，離體後高度不穩定，因此難以用當前的單細胞分離方法保存。使用scRNA-seq數據，我們計算了每個患者樣品的估計腫瘤細胞表達譜，並將它們與真實腫瘤細胞譜進行了比較（圖7a）。由於某些基因（例如管家基因）在所有細胞之間相關，而與細胞類型無關，因此，預期會有一定的基線相關性。我們通過將非惡性細胞的基因表達譜與真實的腫瘤細胞基因表達譜相關聯來估計該基線相關性。我們觀察到所有樣本的基線皮爾遜相關系數ρ為0.7–0.8，而與樣本中腫瘤細胞的估計比例無關。如所預期的，隨著腫瘤細胞含量的增加，腫瘤細胞表達的估計准確性得以提高（圖7b）。值得注意的是，當樣品中腫瘤細胞的估計比例超過20％時，估計的腫瘤細胞基因表達譜與真實譜顯示ρ> 0.9的皮爾遜相關性。與未經校正的整體基因表達譜相比，腫瘤細胞多於20％但少於70％的樣品中預測的腫瘤細胞基因表達譜與真實的腫瘤細胞基因表達譜具有更好的相關性。如果樣品包含超過70％的腫瘤細胞，則整個樣品的基因表達譜已經被腫瘤細胞所主導，並且不需要任何減法。對於腫瘤細胞少於20％的樣品，減法不能改善估計，因為腫瘤細胞基因表達的信號很低。另外，整個樣品的基因表達圖譜也沒有提供關於陰性對照的腫瘤細胞譜圖的信息，在這種情況下是非腫瘤譜圖。總之，對於腫瘤細胞含量在20％至70％之間的解卷積的樣品，其基因表達譜得到了顯著改善。

『陸』 求高手寫個批量將FLV無損封裝成MP4 批處理

建議網上搜一下,有篇《FFMpeg簡介及命令選項參數》教程應該有幫助
本來我對音視頻方面並不了解，前幾天有人向我求助也是類似的批量轉換問題才稍看了下，但沒使用經驗
似乎只要在命令行執行 ffmgep -i 原文件名 輸出文件名 預設眾多轉換參數就是"無損"轉換你可以先看看教程試一下
如果你能用此完成一個文件的處理，批量的問題用bat好解決

『柒』 GEP2.0純電專屬平台打造 廣汽埃安Y於明年上半年上市

近日有消息傳出，廣汽埃安Y將於2021年上半年上市發售。作為廣汽埃安獨立運營後推出的首款車型，埃安Y在廣州車展進行了首發。

而從5G、ADiGO3.0來看，埃安Y應該會走精品小車路線。自埃安系列推出以來，迅速憑借著高顏值和高科技迅速受到了很高關注度，如今埃安品牌獨立，必然能迎來更高的市場前景。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

『捌』 生態系統生產總值簡稱GEP，如何計算具體用到哪些公式和參數

基本介紹
生態系統生產總值（Gross Ecosystem Proction ，簡稱GEP）建立一套與國內生產總值（GDP）相對應的、能夠衡量生態良好的統計與核算體系。通過計算森林、荒漠、濕地等生態系統以及農田、牧場、水產養殖場等人工生態系統的生產總值，來衡量和展示生態系統的狀況。
表現形態
黨的十八大明確提出要把資源、環境、生態納入經濟社會發展評價體系。中國十八大提出大力推進生態文明建設，在全球范圍內都引起震動。如何找到一個科學的核算體系來反映生態文明建設的進展，是當務之急。GEP核算的首個項目啟動，將有助於檢驗衡量生態良好核算體系的科學性和可行性，並為下一步與國民經濟統計和核算體系接軌，並獲得國際社會接受做准備。GEP的提出填補了目前國內外對自然生態資產核算指標的空白。
核算方法
中國首個生態系統生產總值(GEP)機制於2013年2月25日在內蒙古庫布其沙漠實施，以該項目為例，如果沿用GDP核算，億利集團20年讓5000多平方公里的沙漠變成了綠洲的總投入達到了100多億元，但它的產出只有3.2億元，但是如果用GEP來核算，包括大氣調節、土地涵養等多種功能，它的總價值達到了305.91億元。
2月25日，由世界自然保護聯盟(IUCN)、亞太森林組織(APFNet)、北京師范大學(BNU)、億利公益基金會(EF)共同主辦的「生態文明建設指標框架體系國際研討會暨中國首個生態系統生產總值(GEP)項目啟動會」在北京科技會堂舉行。相關國際組織和國內外專家學者出席了會議。
會上，北京大學環境科學院發布了內蒙古庫布其沙漠生態系統生產總值(GEP)評估核算報告。結果顯示，億利資源企業用了二十五年時間，在庫布其沙漠不毛之地上創造出了305.91億元的生態系統生產總值。生態系統生產總值(GEP)，是由世界自然保護聯盟IUCN提出，旨在建立一套與國內生產總值(GDP)相對應的、能夠衡量生態良好的統計與核算體系，主要指標是生態供給價值、生態調節價值、生態文化價值和生態支持價值。
2013年2月25日，由世界自然保護聯盟(IUCN)、亞太森林組織(APFNet)、北京師范大學(BNU)、億利公益基金會(EF)共同主辦的「生態文明建設指標框架體系國際研討會暨中國首個生態系統生產總值(GEP)項目啟動會」在北京科技會堂舉行。中國第一個生態系統生產總值（GEP-Gross Ecosystem Proct）核算項目在內蒙古庫布其沙漠落地。
會上，北京大學環境科學院發布了內蒙古庫布其沙漠生態系統生產總值(GEP)評估核算報告。結果顯示，億利資源用了二十五年時間，在庫布其沙漠不毛之地上創造出了305.91億元的生態系統生產總值。生態系統生產總值(GEP)，是由世界自然保護聯盟IUCN提出，旨在建立一套與國內生產總值(GDP)相對應的、能夠衡量生態良好的統計與核算體系，主要指標是生態供給價值、生態調節價值、生態文化價值和生態支持價值。

億利公益基金會發起人王文彪用GDP和GEP的方式分別核算了二十多年治理庫布其沙漠的綠色發展賬。從GDP(國內生產總值)的角度，億利資源用了二十五年的時間，投入了100多億元進行沙漠生態修復綠化和沙漠經濟的發展，投資大、周期長、見效慢，很多人認為不劃算。但從GEP(生態系統生產總值)的角度來算庫布其沙漠事業綠色發展賬，綠化了5000多平方公里的沙漠，遏制了刮向北京的沙塵暴，創造了幾百億福祉人類的生態價值。而且庫布其沙漠的生物多樣性得到了明顯恢復，驚奇的出現了大量的野生動物，特別是出現了「大面積厘米級」的土壤跡象。有專家指出，靠自然恢復增加一厘米的土壤需要1萬年的時間。
GEP旨在建立一套與國內生產總值（GDP）相對應的、能夠衡量生態良好的統計與核算體系。通過計算森林、荒漠、濕地等生態系統以及農田、牧場、水產養殖場等人工生態系統的生產總值，來衡量和展示生態系統的狀況。
呼吸干凈空氣，享受天藍地綠成為每個人的熱切渴望。用GEP來量化評估生態系統價值和綠色發展，是迫切改善當前生態環境、助推生態文明的一條現實路徑。GEP概念的提出，填補了目前國內外對自然生態資產核算指標的空白，並為下一步與國民經濟統計和核算體系接軌，並獲得國際社會接受做准備。

『玖』 bmp格式轉換PNG格式 c語言或c++編程

BMP是最簡單的圖形存儲格式，在c++里有朋友封裝了一個類CDib.
只要把圖片使用附件中編輯--粘貼來源找到圖畫打開另存為選擇你想要的格式保存就可以了。也可以右鍵點擊選擇打開方式使用圖畫打開相同的方法。另外photoshop 和office2003的picture manage也有這個功能。

Private Sub mnuconvertBMPtoJPG_Click()
Dim tmpimage As imgdes ' Image descriptors
Dim tmp2image As imgdes
Dim rcode As Long
Dim quality As Long
Dim vbitcount As Long
Dim bdat As BITMAPINFOHEADER ' Reserve space for BMP struct
Dim bmp_fname As String
Dim jpg_fname As String

bmp_fname = "test.bmp"
jpg_fname = "test.jpg"

quality = 75
' Get info on the file we're to load
rcode = bmpinfo(bmp_fname, bdat)
If (rcode <> NO_ERROR) Then
MsgBox "Cannot find file", 0, "Error encountered!"
Exit Sub
End If

vbitcount = bdat.biBitCount
If (vbitcount >= 16) Then ' 16-, 24-, or 32-bit image is loaded into 24-bit buffer
vbitcount = 24
End If

' Allocate space for an image
rcode = allocimage(tmpimage, bdat.biWidth, bdat.biHeight, vbitcount)
If (rcode <> NO_ERROR) Then
MsgBox "Not enough memory", 0, "Error encountered!"
Exit Sub
End If

' Load image
rcode = loadbmp(bmp_fname, tmpimage)
If (rcode <> NO_ERROR) Then
freeimage tmpimage ' Free image on error
MsgBox "Cannot load file", 0, "Error encountered!"
Exit Sub
End If

If (vbitcount = 1) Then ' If we loaded a 1-bit image, convert to 8-bit grayscale
' because jpeg only supports 8-bit grayscale or 24-bit color images
rcode = allocimage(tmp2image, bdat.biWidth, bdat.biHeight, 8)
If (rcode = NO_ERROR) Then
rcode = convert1bitto8bit(tmpimage, tmp2image)
freeimage tmpimage ' Replace 1-bit image with grayscale image
imgdes tmp2image, tmpimage
End If
End If

' Save image
rcode = savejpg(jpg_fname, tmpimage, quality)
freeimage tmpimage

End Sub

........... Add these defines and declarations to your Global mole ...........
' Image descriptor
Type imgdes
ibuff As Long
stx As Long
sty As Long
endx As Long
endy As Long
buffwidth As Long
palette As Long
colors As Long
imgtype As Long
bmh As Long
hBitmap As Long
End Type

Type BITMAPINFOHEADER
biSize As Long
biWidth As Long
biHeight As Long
biPlanes As Integer
biBitCount As Integer
biCompression As Long
biSizeImage As Long
biXPelsPerMeter As Long
biYPelsPerMeter As Long
biClrUsed As Long
biClrImportant As Long
End Type

Declare Function bmpinfo Lib "VIC32.DLL" (ByVal Fname As String, bdat As BITMAPINFOHEADER) As Long
Declare Function allocimage Lib "VIC32.DLL" (image As imgdes, ByVal wid As Long, ByVal leng As Long, ByVal BPPixel As Long) As Long
Declare Function loadbmp Lib "VIC32.DLL" (ByVal Fname As String, desimg As imgdes) As Long
Declare Sub freeimage Lib "VIC32.DLL" (image As imgdes)
Declare Function convert1bitto8bit Lib "VIC32.DLL" (srcimg As imgdes, desimg As imgdes) As Long
Declare Sub imgdes Lib "VIC32.DLL" (srcimg As imgdes, desimg As imgdes)
Declare Function savejpg Lib "VIC32.DLL" (ByVal Fname As String, srcimg As imgdes, ByVal quality As Long) As Long

《圖像處理----做一個自己的photoshop》
大部分都是源碼，其中有bmp<-->jgep<-->GIF的代碼.

『拾』 比亞迪漢EV、榮威Ei6、合創007核心參數曝光，續航超600公里

近日，在工信部公布的最新一批《新能源汽車推廣應用推薦車型目錄》（2020年第2批）中，比亞迪漢、榮威Ei6、幾何C、歐拉R2等車型的身影再次出現在其中，而與此前不同的是，這次各明星車型的參數進一步明確了。比如比亞迪漢EV，電池能量密度140Wh/kg，工況續航里程最高605km；榮威Ei6搭載電池能量密度180.1Wh/kg，工況續航里程605km；同時，值得注意的是，在這批推薦目錄當中，工況續航里程最高的是一款「新勢力」車型，合創007，工況續航里程643km。

比亞迪漢EV

工況續航里程：四驅版550km、兩驅版605km

新車此次申報了2種續航版本，其中NEDC工況續航523km車型配備的是能量密度為171.00Wh/kg的三元鋰電池，百公里電耗為15.90kWh；匹配一台永磁同步電機，最大功率135kW，峰值扭矩350N·m。

NEDC工況續航643km的車型配備能量密度180Wh/kg的三元鋰電池，百公里電耗為16.7kWh；匹配一台最大功率150kW、峰值扭矩350N·m的永磁同步電機。

電動君總結：

從第2批《新能源汽車推廣應用推薦車型目錄》中公布的車型來看，多款車型的電池能量密度相較以往有了大幅提升，160Wh/kg以上的車型多達8款，其中電池能量密度180Wh/kg的車型也有3款。同時，值得注意的是，合資品牌推出的車型續航能力也較以往有了較大的提升，比如別克VELITE7的工況續航里程達到了500km，而朗逸純電的工況續航也提升到了346km。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。