gep算法如何处理参数

‘壹’ 湖北文理学院谷琼老师大学毕业于那个学校

谷琼，女，湖北文理学院数学与计算机科学学院，副教授，副院长
1973.03出生于湖北省荆门市，工学博士，西南大学逻辑与智能研究中心在站博士后。现任数学与计算机科学学院副院长，分管学科建设、科研工作。2011.12被评为副教授，承担《计算机导论》、《程序设计基础》、《科技论文写作》、《文献检索》等课程的教学工作。1993.07毕业于襄樊学院电子技术应用专业，2002.07本科毕业于北京理工大学会计学专业，2006.07硕士毕业于中国地质大学计算机科学与技术专业，2009.07博士毕业于中国地质大学地学信息工程专业。主要从事数据挖掘、机器学习、网络舆情、智能信息处理及智能计算的研究。代表性成果简述如下：
一、项目类：
1. 主持，科技部星火计划：基于垂直搜索引擎的农业信息采编发系统的推广与应用
2. 主持，襄阳市科技攻关项目：网络舆情热点智能探测追踪及分析平台研究
3. 主持，湖北省科技支撑计划（软科学研究类）：网络舆情多维度特性及其应对策略研究（2013BDH011）
4. 主持，湖北省教育厅重点项目：基于集成学习的非均衡数据分类方法研究(D20132601)
5. 主持，湖北省自然科学基金项目:基于演化算法的非均衡数据集分类算法及在岩爆数据预测中的应用研究(2012FFB01901)
6. 主持，湖北省教育厅中青年项目：面向非均衡数据集的演化重取样算法及地学应用研究(Q20112604)
7. 主持，襄阳市科技攻关项目：基于网络舆情跟踪演化预测系统的研究(201105)
二、论文类：
主要代表作如下：
1. 谷琼，李杰，龚雄兴，基于Android智能手机的隐私管理系统的设计与实现[J]. 计算机应用与软件，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检索源刊)
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检索源刊)
4. 谷琼，袁磊，宁彬，吴钊，华丽，李文新. 基于改进的SMOTE和RST的新型混合重取样算法[J].微电子学与计算机,2012(09),83-86. (CSCD)
5. 谷琼,袁磊,宁彬,吴钊,华丽,李文新.一种基于混合重取样策略的非均衡数据集分类算法[J].计算机工程与科学,2012(10), 128-134.(CSCD)
6. 谷琼,袁磊,熊启军,宁彬,李文新.基于非均衡数据集的代价敏感学习算法比较研究[J].微电子学与计算机,2011,(08):146-149+153. (CSCD)
7. 谷琼,袁磊,宁彬,熊启军,华丽,李文新.一种基于重取样的代价敏感学习算法[J].计算机工程与科学,2011,(09):130-135. (CSCD)
8. 谷琼,蔡之华,朱莉,王贤明.新型混合重取样算法在岩爆预测中的应用[J].地球科学(中国地质大学学报),2010,(02):311-316. ( EI Accession number: 20101712896453)
9. 谷琼,王贤明,李文新.基于非均衡数据集的新型混合重取样算法[J].武汉理工大学学报,2010,(20):55-60. (CSCD)
10.谷琼,蔡之华,朱莉,黄波.基于PCA-GEP算法的边坡稳定性预测[J].岩土力学,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 国际会议论文集，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国际会议论文集，2009.10月 Springer出版，ISSN 0302-9743(EI Accession number: 20110113541004)
12.朱莉,谷琼,蔡之华,余钢.基于Isomap的SMO算法及在煤与瓦斯突出预测中的应用[J].应用基础与工程科学学报,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.谷琼,蔡之华,朱莉,黄波,杜均.一种基于PCA的GEP算法及在采煤工作面瓦斯涌出量预测中的应用[J].应用基础与工程科学学报,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.谷琼,朱莉,蔡之华,袁红星.基于决策树技术的高校研究生信息库数据挖掘研究[J].电子技术应用,2006,(01):20-22. (CSCD)
三、着作类：
1. 王贤明,谷琼,胡智文.C#程序设计.北京:清华大学出版社,88万字，2012.
2. 谷琼,胡智文,王贤明.C#程序设计实践教程与习题解答.北京:清华大学出版社，30.6万字，2012.
四、知识产权类：
1. 谷琼,王贤明,网络舆情采集系统,2012,12,中国, 2012SR127795
2. 王贤明,谷琼, 网络舆情分析系统,2012,12,中国, 2012SR127800
五、 荣誉类：
1. 2013年论文“网络舆情跟踪演化分析系统”，荣获襄阳市科学技术进步奖二等奖
2. 2012年论文“新型混合重取样算法在岩爆预测中的应用”，荣获湖北省自然科学优秀论文三等奖
3. 2009年博士毕业论文“面向非均衡数据集的机器学习及在地学数据处理中的应用”，荣获中国地质大学优秀博士论文

‘贰’ 求gep算法高手！

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

最终结果： If you get the correct answer, you are an excellent student.
/*
1．题目
有一个加密文件，它的密钥是从100至200中的一个素数，加密方法是每三个字母加上密钥中对应的数字，超出26个大写和小写的字母范围的减去26，空格和标点符号不加密。例如，假设密钥为139，要加密的字符串为“We are students”，第一个字母“W”加密为’W’+1=’X’，第二个字母加密后为’e’+3=’h’，第三个字母加密后为’a’+9=’j’，第四个字母加密后为’r’+1=’s’, 第五个字母加密后为’e’+3=’h’,第六个字母加密后’s’+9超过了字母范围，所以减去26得，’s’+9-26=’b’,….。
读入已加密的文件，进行破译，将可能的密钥和相应的解密结果输出到另一个文件。

2．编程要点：
1）用fgets函数读入字符串
2）编一个函数处理所有可能的密钥，即计算从100到200的所有素数
3）将密钥化成三个元素的整型数组，分别对应百位、十位和个位
4）将所有英文字符按序轮换减去对应的数组元素，原来是大（小）写英文字符超出大（小）写英文字符范围加上26。

3．密码文件内容
Jk fpz nfy aij jpwyfha bszxjy, ztb bwl bs lyhlmqloy zuzkfsa.
*/

int is_prime(int in) //素数？
{
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个英文字符 ？
{
if(('a' <= ch && 'z' >= ch) || ('A' <= ch && 'Z' >= ch))
return 1;
return 0;
}

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

char * Key_chk(char *st, int ikey) //解密过程
{
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) //加密过程
{
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)) //假设原文件有多行需要解密
{
//fprintf(pfD,"第 %d 个加密字串：%s", count++, string); //每个文件可以有多行
for(i = 100; i <= 200; ++i )
if(is_prime(i))
{
//printf(" 加密字串：",i); //屏显，可有可无
//printf("%s\n",string); //屏显，可有可无
//printf("用%d解密字串：",i); //屏显，可有可无
Key_chk(string, i); //解密字串
//printf("%s\n\n",string); //屏显，可有可无
fprintf(pfD,"密钥 %d : 解密字串：%s", i, string); //按格式存储解密结果
//fputs(string,pfD); //简单存储解密结果
Key_add(string, i); //还原源字串，准备下一次用另一个key解密
}
}
fclose(pfS);
fclose(pfD);
system("PAUSE");
return 0;
}

‘叁’ 美国GEP干洗开店

我朋友开的店就是美国gep干洗的，他的店开了有一年了，投了蛮多钱在里面的，当初还替他担心，开个干洗店要的了那么多钱啊，现在弄明白了，干洗店设备机器档次差别很大的，要开干洗店还是要开高档先进的，我朋友店里的设备很先进的，客户拿到他店里有很多名牌高档衣服他们店里的员工直接放进去按设备上的电脑操作屏就可以了，不过整理那么多衣服也是蛮忙的，有时候有的衣服面料不是很清楚怎么洗还是要用心研究，而且投资后好多事情不懂，还好gep有总公司在帮忙策划服务，衣服不会处理的随时可以打电话给总部沟通。。。总体评价很不错的。我朋友之前开的景程今年换了部奥迪A6. 建议你要开的话可以到他店里去看看的。。。

‘肆’ RootKit.Win32.CallGATE.gep怎么清除彻底这个病毒

关闭QQ
用SREng在“启动项目”-“注册表”中删除：
<visin><C:\WINDOWS\system32\visin.exe> [Microsoft Corporation]
删除C:\WINDOWS\system32\visin.exe（为隐藏属性）删除C:\Program Files\Tencent\QQ\TIMPlatform.exe（为隐藏属性）把C:\Program Files\Tencent\QQ\TIMPlatfrom.exe改名为TIMPlatform.exe
重启后删除C:\WINDOWS\system32\drivers\usbinte.sys（或被杀毒软件直接杀掉）
以上为针对此病毒的处理方法。其他中毒会员如果QQ安装在别的文件夹，则调整为相应路径
用SREng在“启动项目”-“注册表”中删除：<{0EA66AD2-CF26-2E23-532B-B292E22F3266}><C:\Program Files\Common Files\Microsoft Shared\MSINFO\NewTemp.dll删除文件C:\Program Files\Common Files\Microsoft Shared\MSINFO\NewTemp.dllwww

‘伍’ 反卷积法推断bulk RNA数据中的细胞组成

使用免疫检查点抑制剂增强患者对癌症的免疫反应可以说是过去十年来治疗癌症最激动人心的进展。不幸的是，只有一部分患者（通常约20％）在检查点抑制后显示出持久的免疫反应。基于预测反应生物标记物（=精密药物）的前瞻性患者选择和免疫治疗相结合，有可能进一步改变患者的治疗方式。迄今为止，已经表明免疫细胞的位置和数量可以预测标准疗法的患者预后。另外，对于像检查点抑制剂这样的抗PD1，抗PDL1和抗CTLA4药物，相关T细胞群的存在与治疗功效相关。因此，预测对免疫疗法反应的关键可能在于肿瘤病变部位的患者特异性免疫细胞组成。
从理论上讲，如果可以为每个肿瘤相关细胞建立参考基因表达谱（RGEP），则可以从其整体基因表达谱推断出实体瘤的免疫，肿瘤和基质细胞含量。从数学上讲，这类反推问题称为反卷积。迄今为止，已经描述并证实了大量基因表达的反卷积用于血液系统恶性肿瘤，其中可以从外周血单核细胞（PBMC）建立RGEP。这种方法在理论上已应用于实体瘤，但直到最近，仍无法通过实验验证这种推断。对于外周血中不存在的细胞类型（例如内皮细胞（EC）和与癌症相关的成纤维细胞（CAF）），很难获得它们的RGEP，而且尚不清楚免疫细胞的基因表达谱在多大程度上改变肿瘤浸润。但是，随着单细胞RNA测序（scRNA-seq）技术的出现，现在可以确定浸润肿瘤的免疫细胞，肿瘤相关的非恶性细胞以及来自同一实体瘤的单个肿瘤细胞的基因表达谱。
我们收集并研究了来自三个不同的主要人类组织来源的11,000多个单细胞的RNA-seq基因表达谱：为了表征与肿瘤微环境相关的细胞，我们获取了19名黑素瘤患者的数据；我们获取来自四个健康受试者的PBMC的数据以表征基线免疫细胞基因表达图谱；最后，我们从四个卵巢癌腹水样本中生成了免疫和肿瘤细胞基因表达谱。在下文中，我们显示了来自肿瘤相关免疫细胞和来自PBMC的基因表达谱有很大不同。因此，从PBMC获得的参考谱不足以使黑素瘤肿瘤样品的总体谱解卷积。我们发现，来自不同患者的适应症特异性免疫细胞RNA-seq谱图彼此足够相似，可以为每种细胞类型定义一个共有谱图，并且这些共有谱图可以对肿瘤bulk谱图进行准确的反卷积。我们的结果表明，特定的RGEP的产生对于从大量基因表达数据中可靠地估算肿瘤成分而言既必要又充分。我们的方法揭示了与肿瘤相关的细胞类型，而这些类型的细胞不能由来自PBMC的RGEPs估计。我们可以识别出九种不同的细胞类型，包括免疫细胞，CAF，EC，卵巢癌细胞和黑色素瘤细胞。此外，用于免疫细胞的RGEP可以用于根据特定的大量基因表达数据来估计肿瘤细胞的未知基因表达谱。我们的工作强调了生成针对每种感兴趣适应症的RGEP的重要性。

首先，为了研究随着免疫细胞从外周血转移到肿瘤微环境而基因表达谱变化的程度，我们比较了三种人类数据集的免疫细胞scRNA-seq谱图：（1）来自四个健康受试者的外周血4000个单细胞的数据集； （2）来自19个黑色素瘤患者样品的4645个肿瘤来源的单细胞的数据集，以及来自四个卵巢癌腹水样品的3114个单细胞的未公开数据集。单细胞RNA-seq数据需要仔细的数据处理和规范化，尤其是在比较来自不同来源和测序技术的数据时。为了表征单个细胞并说明其基因表达谱中的全基因组相似性和差异性，我们应用了降维技术t分布随机邻居嵌入（t-SNE）。这是一种无监督的机器学习算法，可将每个单细胞置于二维平面中。基因表达谱相似的细胞彼此靠近放置，如果它们之间的差异更大，则相距更远。图1a显示与特定细胞类型相关联且来自不同数据源的簇会自发出现。补充图1中显示了具有特定细胞的颜色编码的t-SNE映射，而不是特定于数据源的聚类。使用汇总的单细胞数据集，我们开发了一种分类方法，该方法可以识别细胞类型，而与数据源无关。我们可以识别和分类9种主要细胞类型：T细胞，B细胞，巨噬细胞/单核细胞，自然杀伤（NK）细胞，树突状细胞（DC），CAF，EC，卵巢癌细胞和黑色素瘤细胞。所有未通过任何特定像元类型的分类阈值的其余像元均被指定为“未知”。有趣的是，“未知”细胞大多位于T细胞簇中，这表明某些T细胞比其他细胞类型的细胞更难分类。但是，每个样本中“未知”细胞的百分比通常非常低（<0.03％）。此外，我们可以将T细胞分为三种亚型：CD4 +，CD8 +和调节性T细胞（Treg）。建议将CD4 +或CD8 + T细胞与免疫抑制性Treg的比例作为免疫活性与非活性肿瘤对抗的标志物。尽管我们的方法可以轻松扩展为包括其他细胞和进一步的细分，但我们将自己限制在九种主要细胞类型中，以对我们的分类算法进行基准测试。如先前报道 并在补充图2中所示，恶性肿瘤细胞和相关的成纤维细胞按患者聚集，非恶性细胞按细胞类型聚集。肿瘤活检应包含来自肿瘤血管和最近渗出的免疫细胞的免疫细胞。因此，预期PBMC和肿瘤相关免疫细胞之间部分重叠。我们分析了每个确定的群集的平均基因表达谱之间的成对相似性。通过单细胞比较，该分析更加定量且更可靠。图1b中显示的结果表明，大多数簇虽然不同，但与来自相同细胞类型的簇最密切相关。这是重要的质量控制步骤，可以确认通过数据处理和标准化策略已成功减轻了潜在的批次影响（请参见“方法”部分）。 Treg在三个不同的数据集上似乎是最不同的，可能表示环境决定性亚群。但是，微环境对基因表达有明显且可量化的影响。在下文中，我们将解决以下问题：基于PBMC的基因表达谱是否与在肿瘤微环境中观察到的结果是否相似；以及PBMC衍生的基因表达谱如何影响bulk表达数据去卷积的质量。
首先，我们观察到每种细胞类型的频率对于每种样品似乎是不同的，如图1c所示。 与跨腹水或黑色素瘤样品的细胞组成相比，来自不同供体的PBMC样品的细胞组成彼此更为相似。 我们基于基于scRNA-seq的分类法对先前预测的所有黑色素瘤样品的结果进行了验证，从而验证了预测的细胞组成。 此外，我们通过荧光激活细胞分选（FACS）实验比较了所有腹水样品的预测细胞组成。 如图2所示，我们的分类与先前发布的结果和我们的FACS测量结果一致。

免疫细胞的微环境特异性基因表达谱以及给定样品的真实表达图谱可通过scRNA-seq获得，并可作为基准反卷积方法的基础。我们研究了bulk基因表达数据（例如黑色素瘤样品）的去卷积结果如何受微环境特定变化和患者之间差异的影响。作为反卷积的基准，我们通过对27个样本中的每个样本的所有单细胞基因表达数据以及不同组的REGP进行聚合，通过对组织来源和患者进行平均的不同策略，构建了人工“bulk”基因表达数据。我们使用五个不同的RGEP比较给定样品的推断的先验已知细胞组成（参见图3进行说明）：首先，RGEP1仅从PBMC数据集导出。因此，在这种情况下将无法获得与肿瘤相关的细胞类型的估计值。第二个是RGEP2，是从三个数据集（PBMC，黑色素瘤和腹水）中每种细胞类型得出的。第三，RGEP3是数据集/指示类型和细胞类型特定的。作为其他基准，我们设置了两个控制方案 （CNTR1和CNTR2），它们是RGEP3的扩展，并包括特定患者的信息。这些场景当然不适用于现实世界，但可用于评估患者特定信息的相对重要性。 CNTR1仅将患者特定的配置文件用于恶性细胞，并将共识配置文件用于每种非恶性细胞类型。 CNTR2对所有细胞类型使用特定于患者的配置文件。原则上，CNTR2作为使用反卷积方法在技术上可行的上限。

为了比较五种可能的RGEP及其对反褶积精度的影响，我们使用CIBERSORT反褶积方法从27个构建的整体表达数据集中估算了细胞组成。该方法旨在对噪声，未知混合物和紧密相关的细胞类型具有更高的鲁棒性。已显示CIBERSORT优于其他基于体外细胞混合物基准测试的方法。 CIBERSORT算法最初是为微阵列数据的反卷积开发的。在这里，我们证明了该算法也可以应用于RNA测序数据，如果使用源自相同技术的RGEP来表征细胞类型，也可以应用该算法。所有反卷积都是使用一组基因进行的，其中包括1076个基因特征，这些基因特征可最大程度地区分各种细胞类型。对于每种细胞类型，将估计比例与27个构建样品中的真实比例进行比较（图4a）。估计细胞组成与真实细胞组成之间的皮尔逊相关系数用作预测准确性的量度（图4b）。通过使用均方根偏差（RMSD）获得定性相似的结果（参见补充图3）。对于T细胞，每个亚群分别进行估算。在图4中，将所有T细胞亚群的估计值相加以获得每个样本的总T细胞比例。单个T细胞子集的结果在图5中单独考虑。总的来说，基于RGEP1的估计（Pearson相关性ρ= 0.82）不如RGEP2和RGEP3或CNTR1和CNTR2的准确度（Pearson相关性ρ≥0.98）。对于RGEP1，由于没有与肿瘤相关的细胞类型的参考资料，未知细胞的真实比例要比其他RGEP大，估计质量中等（皮尔森相关系数ρ= 0.65）。

对于RGEP2和RGEP3，以及对于CNTR1和CNTR2，未知细胞的真实比例很小，可以忽略不计。如果细胞的真实比例很小，则相关性不是判断准确性的好方法。对于RGEP1，对于T细胞（皮尔森相关度ρ= 0.88，此处未区分为亚型），B细胞（皮尔森相关度ρ= 0.99）和巨噬细胞/单核细胞（皮尔森相关度ρ= 0.99），估计效果良好。但是，在所有其他设置下（皮尔逊相关系数ρ≥0.99），精度会进一步提高。对于RGEP1，对DC的估计（皮尔森相关度ρ= -0.04）较差，而对NK细胞的估计中等（皮尔森相关度ρ= 0.78）。对于RGEP2（皮尔森相关系数ρ= 0.82）和RGEP3（皮尔森相关系数ρ= 0.95），DC的估计有了很大的提高。 DC的估计值对于CNTR1仍略有改善（Pearson相关性ρ= 0.97），但仅在CNTR2时才达到最大值（Pearson相关性ρ= 1.00），这表明DCs的基因表达在很大程度上取决于分离的来源，这是一致的有证据表明DC的不同亚群在免疫力的产生中高度特异化。相对于CNTR1（皮尔森相关度ρ= 0.96）和CNTR2（皮尔森相关度ρ= 1.00），RGEP2（皮尔逊相关度ρ= 0.82）对NK细胞的估计略有改善，并且在RGEP3（皮尔逊相关度ρ= 0.95）中接近最佳状态。对于RGEP2至CNTR2，可获得与肿瘤相关的细胞类型（CAF，EC和恶性细胞）的估计值，并且可以对其进行准确估计（Pearson相关性ρ≥0.95）。有趣的是，在纳入患者特定信息后，对恶性细胞的估计并没有太大改善，这表明使用共识谱进行反卷积是可行的。这可能因为肿瘤细胞通常与非恶性细胞有很大的不同，非恶性细胞使它们的去卷积更容易（见图1b）。对于CNTR2，与其他设置（Pearson相关性ρ〜0.95）相比，ECs和CAF的准确性更高（Pearson相关性ρ= 1.00），这表明这些细胞类型的基因表达受患者特定的微环境影响。有趣的是，当考虑到二等分的距离（如图4所示）作为估计精度的度量时，我们发现它与真实的细胞类型比例无关。但是，每种细胞类型的总体精度都不同。

考虑到T细胞比率对治疗结果的重要性，我们进一步分析了T细胞亚群以及治疗相关T细胞比率的估计准确性（图5）。出乎意料的是，对于CD8 + T细胞，所有RGEP的估算结果都是准确的（皮尔森相关ρ〜0.95）。对于CD4 +细胞和调节性T细胞，使用RGEP1的估计结果仅中等（皮尔逊相关系数ρ= 0.63和ρ= 0.43），而对于RGEP2则明显改善（皮尔逊相关系数ρ= 0.87和ρ= 0.94）。这也反映在达到RGEP2准确估计值的Treg / CD4 +，CD8 + / Treg和CD4 + / CD8 + T细胞的比率（皮尔森相关系数ρ= 0.94，ρ= 0.96和ρ= 0.93）。对于CNTR1，所有T细胞亚群和比率的估计值均不会显着改善，而对于CNTR2，它却会有所改善（皮尔森相关系数ρ= 1.00），这表明T细胞的基因表达受患者特定的微环境影响。总而言之，使用基于适应症特异性基因表达谱（RGEP3）的共有基因表达谱进行反卷积足以获得样品细胞组成的可靠估计值，而无需有关各个细胞类型的患者特异性数据。使用基于外周血数据（RGEP1）或基于所有三个数据集/指标的平均值（RGEP2）的基因表达谱进行反卷积的准确性大大降低。当考虑到两等分的距离（如图5所示）作为估计准确度的一种度量时，我们发现对调节性T细胞的估计过高。调节性T细胞的估计与表达形式相似的非调节性CD4 + T细胞的估计混淆。由于非调节性CD4 + T细胞的总百分比高于调节性T细胞的百分比，因此对非调节性CD4 + T细胞存在相应的低估，这种估计并没有那么明显。尽管这些T细胞亚型存在这种偏见，但临床上相关T细胞比例的估算并没有受到影响。

为了探索相似细胞类型表达谱或缺失细胞类型谱对估计准确性的影响，我们系统地评估了一次从RGEP3中删除一个细胞类型表达谱的情况（补充图4）。对于大多数情况和细胞类型，估计精度不受其他细胞类型表达谱删除的影响。 CD4 + T细胞，巨噬细胞/单核细胞和恶性细胞类型的估计准确性对所有变化都具有鲁棒性。我们观察到一些更紧密相关的细胞类型的估计准确性降低。去除CD4 + T细胞会影响CD8 + T细胞估计的准确性，同时去除CD8 +或CD4 + T细胞会影响调节性T细胞的估计准确性。去除巨噬细胞/单核细胞会影响B细胞的准确性。去除B细胞或巨噬细胞/单核细胞会影响树突状细胞的准确性。 NK细胞的准确性受去除CD8 +或CD4 + T细胞的影响。去除黑素瘤细胞谱会影响内皮细胞和CAF的准确性。为了确定使用替代基因集进行反卷积的影响，我们使用性能最佳的RGEP3和四个其他基因集以及三种替代反卷积算法重复了分析。有趣的是，与RGEPs的来源和质量的影响相比，不同基因集和反卷积算法的影响相对较小（参见补充图5）。 CIBERSORT与合并的基因组结合提供了最佳的总体结果。

使用源自单细胞RNA测序数据的RGEP，我们确定RGEP的来源和质量会影响反卷积方法的准确性。因此，我们建议将源自感兴趣组织的单细胞RNA测序数据衍生的RGEP用于bulk反卷积。但是，将通过常规卷积RNA测序获得应用去卷积方法的临床数据。因此，重要的是证明源自单细胞RNA测序的RGEP适用于通过bulk RNA测序测量的数据。为了验证实际（而非人工）批量数据上的去卷积结果，我们另外对四个卵巢癌腹水样品中的三个进行了批量RNA测序，并使用RGEP3应用了去卷积方法来获得样品细胞组成的估计值。此外，使用相同的三个样品，我们通过FACS和单细胞RNA测序，然后进行算法细胞类型分类，对实验中的细胞组成进行了定量。图6a显示了这三个样品的数据生成示意图，图6b显示了对通过三种不同方法获得的结果的定量比较（有关详细信息，另请参见补充表1和2）。总体而言，结果吻合良好。由于所有这三种方法均具有固有偏差，因此它们仅提供了样品细胞组成的估计值。偏差是可以预料的，并且可能源于样品处理的差异，这些差异会给较脆弱的免疫细胞带来压力。在我们的验证数据中，当通过FACS定量时，我们始终观察到对巨噬细胞/单核细胞群体的估计减少。基于单细胞的分类一致地估计了该样品集中巨噬细胞/单核细胞的最高比例。类似地，解卷积方法始终估计较低比例的CD4 + T细胞，并且类似地针对低丰度树突状细胞和NK细胞群体。

尽管使用RGEP3是适应症特异性的，但不是患者特异性的，可以从大量基因表达数据中准确估计任何给定患者活检的细胞组成，但不同患者之间恶性细胞的基因表达谱差异最大。肿瘤细胞中基因表达的差异有望在预测对传统疗法（包括靶向疗法和化学疗法）的反应中发挥关键作用。这样，在解卷积之后估计患者特异性肿瘤细胞谱也是感兴趣的。如果对于每种非恶性细胞类型和适应症均存在共有的表达谱，则可以通过简单地从总体概况中减去每种非恶性细胞类型的概况并按其推断的比例加权来获得患者特异性肿瘤细胞概况。然而，实际上，总体概况将始终被不存在共有概况的细胞（“未知”细胞）“污染”。例如，嗜中性粒细胞未在scRNA-seq数据中显示，因为它们难以分离，离体后高度不稳定，因此难以用当前的单细胞分离方法保存。使用scRNA-seq数据，我们计算了每个患者样品的估计肿瘤细胞表达谱，并将它们与真实肿瘤细胞谱进行了比较（图7a）。由于某些基因（例如管家基因）在所有细胞之间相关，而与细胞类型无关，因此，预期会有一定的基线相关性。我们通过将非恶性细胞的基因表达谱与真实的肿瘤细胞基因表达谱相关联来估计该基线相关性。我们观察到所有样本的基线皮尔逊相关系数ρ为0.7–0.8，而与样本中肿瘤细胞的估计比例无关。如所预期的，随着肿瘤细胞含量的增加，肿瘤细胞表达的估计准确性得以提高（图7b）。值得注意的是，当样品中肿瘤细胞的估计比例超过20％时，估计的肿瘤细胞基因表达谱与真实谱显示ρ> 0.9的皮尔逊相关性。与未经校正的整体基因表达谱相比，肿瘤细胞多于20％但少于70％的样品中预测的肿瘤细胞基因表达谱与真实的肿瘤细胞基因表达谱具有更好的相关性。如果样品包含超过70％的肿瘤细胞，则整个样品的基因表达谱已经被肿瘤细胞所主导，并且不需要任何减法。对于肿瘤细胞少于20％的样品，减法不能改善估计，因为肿瘤细胞基因表达的信号很低。另外，整个样品的基因表达图谱也没有提供关于阴性对照的肿瘤细胞谱图的信息，在这种情况下是非肿瘤谱图。总之，对于肿瘤细胞含量在20％至70％之间的解卷积的样品，其基因表达谱得到了显着改善。

‘陆’ 求高手写个批量将FLV无损封装成MP4 批处理

建议网上搜一下,有篇《FFMpeg简介及命令选项参数》教程应该有帮助
本来我对音视频方面并不了解，前几天有人向我求助也是类似的批量转换问题才稍看了下，但没使用经验
似乎只要在命令行执行 ffmgep -i 原文件名 输出文件名 缺省众多转换参数就是"无损"转换你可以先看看教程试一下
如果你能用此完成一个文件的处理，批量的问题用bat好解决

‘柒’ GEP2.0纯电专属平台打造 广汽埃安Y于明年上半年上市

近日有消息传出，广汽埃安Y将于2021年上半年上市发售。作为广汽埃安独立运营后推出的首款车型，埃安Y在广州车展进行了首发。

而从5G、ADiGO3.0来看，埃安Y应该会走精品小车路线。自埃安系列推出以来，迅速凭借着高颜值和高科技迅速受到了很高关注度，如今埃安品牌独立，必然能迎来更高的市场前景。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

‘捌’ 生态系统生产总值简称GEP，如何计算具体用到哪些公式和参数

基本介绍
生态系统生产总值（Gross Ecosystem Proction ，简称GEP）建立一套与国内生产总值（GDP）相对应的、能够衡量生态良好的统计与核算体系。通过计算森林、荒漠、湿地等生态系统以及农田、牧场、水产养殖场等人工生态系统的生产总值，来衡量和展示生态系统的状况。
表现形态
党的十八大明确提出要把资源、环境、生态纳入经济社会发展评价体系。中国十八大提出大力推进生态文明建设，在全球范围内都引起震动。如何找到一个科学的核算体系来反映生态文明建设的进展，是当务之急。GEP核算的首个项目启动，将有助于检验衡量生态良好核算体系的科学性和可行性，并为下一步与国民经济统计和核算体系接轨，并获得国际社会接受做准备。GEP的提出填补了目前国内外对自然生态资产核算指标的空白。
核算方法
中国首个生态系统生产总值(GEP)机制于2013年2月25日在内蒙古库布其沙漠实施，以该项目为例，如果沿用GDP核算，亿利集团20年让5000多平方公里的沙漠变成了绿洲的总投入达到了100多亿元，但它的产出只有3.2亿元，但是如果用GEP来核算，包括大气调节、土地涵养等多种功能，它的总价值达到了305.91亿元。
2月25日，由世界自然保护联盟(IUCN)、亚太森林组织(APFNet)、北京师范大学(BNU)、亿利公益基金会(EF)共同主办的“生态文明建设指标框架体系国际研讨会暨中国首个生态系统生产总值(GEP)项目启动会”在北京科技会堂举行。相关国际组织和国内外专家学者出席了会议。
会上，北京大学环境科学院发布了内蒙古库布其沙漠生态系统生产总值(GEP)评估核算报告。结果显示，亿利资源企业用了二十五年时间，在库布其沙漠不毛之地上创造出了305.91亿元的生态系统生产总值。生态系统生产总值(GEP)，是由世界自然保护联盟IUCN提出，旨在建立一套与国内生产总值(GDP)相对应的、能够衡量生态良好的统计与核算体系，主要指标是生态供给价值、生态调节价值、生态文化价值和生态支持价值。
2013年2月25日，由世界自然保护联盟(IUCN)、亚太森林组织(APFNet)、北京师范大学(BNU)、亿利公益基金会(EF)共同主办的“生态文明建设指标框架体系国际研讨会暨中国首个生态系统生产总值(GEP)项目启动会”在北京科技会堂举行。中国第一个生态系统生产总值（GEP-Gross Ecosystem Proct）核算项目在内蒙古库布其沙漠落地。
会上，北京大学环境科学院发布了内蒙古库布其沙漠生态系统生产总值(GEP)评估核算报告。结果显示，亿利资源用了二十五年时间，在库布其沙漠不毛之地上创造出了305.91亿元的生态系统生产总值。生态系统生产总值(GEP)，是由世界自然保护联盟IUCN提出，旨在建立一套与国内生产总值(GDP)相对应的、能够衡量生态良好的统计与核算体系，主要指标是生态供给价值、生态调节价值、生态文化价值和生态支持价值。

亿利公益基金会发起人王文彪用GDP和GEP的方式分别核算了二十多年治理库布其沙漠的绿色发展账。从GDP(国内生产总值)的角度，亿利资源用了二十五年的时间，投入了100多亿元进行沙漠生态修复绿化和沙漠经济的发展，投资大、周期长、见效慢，很多人认为不划算。但从GEP(生态系统生产总值)的角度来算库布其沙漠事业绿色发展账，绿化了5000多平方公里的沙漠，遏制了刮向北京的沙尘暴，创造了几百亿福祉人类的生态价值。而且库布其沙漠的生物多样性得到了明显恢复，惊奇的出现了大量的野生动物，特别是出现了“大面积厘米级”的土壤迹象。有专家指出，靠自然恢复增加一厘米的土壤需要1万年的时间。
GEP旨在建立一套与国内生产总值（GDP）相对应的、能够衡量生态良好的统计与核算体系。通过计算森林、荒漠、湿地等生态系统以及农田、牧场、水产养殖场等人工生态系统的生产总值，来衡量和展示生态系统的状况。
呼吸干净空气，享受天蓝地绿成为每个人的热切渴望。用GEP来量化评估生态系统价值和绿色发展，是迫切改善当前生态环境、助推生态文明的一条现实路径。GEP概念的提出，填补了目前国内外对自然生态资产核算指标的空白，并为下一步与国民经济统计和核算体系接轨，并获得国际社会接受做准备。

‘玖’ bmp格式转换PNG格式 c语言或c++编程

BMP是最简单的图形存储格式，在c++里有朋友封装了一个类CDib.
只要把图片使用附件中编辑--粘贴来源找到图画打开另存为选择你想要的格式保存就可以了。也可以右键点击选择打开方式使用图画打开相同的方法。另外photoshop 和office2003的picture manage也有这个功能。

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

《图像处理----做一个自己的photoshop》
大部分都是源码，其中有bmp<-->jgep<-->GIF的代码.

‘拾’ 比亚迪汉EV、荣威Ei6、合创007核心参数曝光，续航超600公里

近日，在工信部公布的最新一批《新能源汽车推广应用推荐车型目录》（2020年第2批）中，比亚迪汉、荣威Ei6、几何C、欧拉R2等车型的身影再次出现在其中，而与此前不同的是，这次各明星车型的参数进一步明确了。比如比亚迪汉EV，电池能量密度140Wh/kg，工况续航里程最高605km；荣威Ei6搭载电池能量密度180.1Wh/kg，工况续航里程605km；同时，值得注意的是，在这批推荐目录当中，工况续航里程最高的是一款“新势力”车型，合创007，工况续航里程643km。

比亚迪汉EV

工况续航里程：四驱版550km、两驱版605km

新车此次申报了2种续航版本，其中NEDC工况续航523km车型配备的是能量密度为171.00Wh/kg的三元锂电池，百公里电耗为15.90kWh；匹配一台永磁同步电机，最大功率135kW，峰值扭矩350N·m。

NEDC工况续航643km的车型配备能量密度180Wh/kg的三元锂电池，百公里电耗为16.7kWh；匹配一台最大功率150kW、峰值扭矩350N·m的永磁同步电机。

电动君总结：

从第2批《新能源汽车推广应用推荐车型目录》中公布的车型来看，多款车型的电池能量密度相较以往有了大幅提升，160Wh/kg以上的车型多达8款，其中电池能量密度180Wh/kg的车型也有3款。同时，值得注意的是，合资品牌推出的车型续航能力也较以往有了较大的提升，比如别克VELITE7的工况续航里程达到了500km，而朗逸纯电的工况续航也提升到了346km。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。