安装黑苹果

最近电脑老是蓝屏,很是恼人,怀疑是win10系统的原因,重装了好几次还是蓝屏,于是决定装个黑苹果,用macOS系统(装好黑苹果MacOS 10.15 Catalina之后,发现可能是硬盘的问题导致蓝屏的,pity)。总结一下过程,看教程的时候很麻烦,实操一遍之后,回顾一下,其实还是蛮简单的,大致过程和装windows一样,就是多了添加clover引导,方便黑苹果从硬盘引导而不是U盘。下面是总结了一下过程,不是详细,方便以后再装

1,设置好分区

此电脑-管理-磁盘管理

(1)确保格式为GPT格式(GUID)

(2)确保有EFI分区

(3)压缩卷,给空出来的卷新建卷,不要选择格式化这个卷(安装黑苹果的过程中会进行)

(4)这个新建的卷就是安装黑苹果的分区

2,制作 MacOS 安装盘

(1)下载镜像

强烈推荐 “黑果小兵“ 的网站: https://blog.daliansky.net/

上面可以找OS的镜像,含有Clover引导

(2)制作安装U盘

下载Transmac: https://transmac.en.softonic.com/

有15天的试用期

选择 format with disk image,选择下载的OS文件,等待完成

3,安装Mac OS

(1)设置BIOS

不同的电脑的BIOS稍微不同,我看多数涉及下面这两个,其他的还需要自己搜下

比如SATA Operation 勾选 AHCI

Secure Boot Enable 勾选 Disable

(2)设置BIOS为UEFI U盘启动

通过U盘进入Clover引导之后,选择安装Install macOS ,中间会重启一次,重启之后,选择Install macOS Mojave from “你设置的盘”

等待系统安装好

4,设置Clover引导

(1)复制Clover文件夹

下载Mac版本的Clover configurator http://www.pc6.com/mac/294926.html,不拔安装U盘的情况下,在挂载分区的选项中把系统的ESP和U盘的ESP分区挂载上。

复制U盘ESP分区中的clover文件到到系统的ESP分区EFI文件夹下(和mircosoft同级)

(2)利用bootice添加Clover引导

在原来的windows系统下,或者通过Win PE,利用Disk Genius普通版即可,https://www.diskgenius.cn/ ,把系统的ESP分配一个盘符

下载安装bootice之后,https://bootice.en.softonic.com/

Bootice-UEFI0修改启动序列-添加,在路径上,选择ESP下EFI/CLOVER/CLOVERX64.efi,名称可以自己设置成Clover Boot Manager(开机的时候就是显示这个)

5,大功告成

开机的时候选择不同的引导进入不同的系统,这样也实现了单硬盘双系统。

参考:

https://hackintosh.kirainmoe.com/an-zhuang-zhong/efi-ti-huan-jiao-cheng

https://blog.daliansky.net/macOS-Catalina-10.15.5-19F96-Release-version-with-Clover-5118-original-image-Double-EFI-Version-UEFI-and-MBR.html

https://blog.csdn.net/qq_28735663/article/details/99695786

Google Docs + PaperPile = 提高生产力

Google Docs的优点:

1,便于协作,多个人可以同时(注意是同时)编辑一个文件,当然有道云笔记,腾讯文档、office 365也可以。
2,可以追踪修订,版本控制
3,虽然office的功能很强大,但平常用的功能,Google Docs都有
4,不用考虑文件同步的问题,有网就有文件,直接编辑即可,实在不行,拿个PAD连个键盘都行
5,可以用插件,比如PaperPile

PaperPile:

我是来到HK之后才接触PaperPile的,和Google Docs配合,插入文件,简直太爽了。我也用百度搜了下看是否有人介绍 PaperPile,很少有介绍的。

可能的原因是大陆用Google Docs不方便,进而不经常用PaperPile。PaperPile有个编辑公司提到 “科研写作在云端:协同写作工具”。这个形容真的是太贴切了,有了PaperPile,感觉文献管理无敌了。

1,插入文献:随便提供文献的网址、题目等,插入即可,简单的不要不要的

2,文献管理:有PaperPile的Chrome插件,随时搜集你喜欢的文献,如果能下载到PDF,PaperPile一并帮你下载好,当然这个需要占用你的Google Drive的空间。你可以设置文件夹,管理不同的文献

3,文献阅读:有时候文献阅读,需要高亮、备注什么的,要用到PDF阅读器,还要考虑电脑间的文件的同步问题,PaperPile最近开发了自己的PDF阅读器,在PaperPile中设置成它自己的阅读器打开文献即可。这样的好处是,只要有网和浏览器,你就可以随时的阅读和标记。这比Endnote什么的方便多了。

不截图了,就是想推荐这个组合,祝大家科研愉快。

PS:还可以加个Grammarly,检查下英文语法什么的,总之用工具提高自己的生产力呗。

#####################################################################
#版权所有 转载请告知 版权归作者所有 如有侵权 一经发现 必将追究其法律责任
#Author: Jason
#####################################################################

Matlab error when running GISTIC

If you instal MCR (MATLAB Compiler Runtime) provided by GISTIC package, may have the following error. This error could disrupt GISTIC.
libGL error: failed to load driver: swrast

If this situation occurs, rename the file found at $MATLAB_ROOT/sys/os/glnxa64/libstdc++.so.6″ to “libstdc++.so.6.old”, This forces MATLAB to use the OS library.

Works for me.

Ref:
https://ww2.mathworks.cn/matlabcentral/answers/296999-libgl-error-unable-to-load-driver-in-ubuntu-16-04-while-running-matlab-r2013b

GISTIC2.0 facilitates sensitive and confident localization of the targets of focal somatic copy-number alteration in human cancers

Prepare a data frame for sample CNV data

If we want to cluster samples based on CNV data, a dataframe is needed. However, CNV segments in each sample are not the same. Maybe overlap or distinct. I think CNTools package migh solve this challenge. An example is shown as below. The result is a reduced segment data frame.

BiocManager::install("CNTools")
data("sampleData")
seg <- CNSeg(sampleData)
rdseg <- getRS(seg, by = "region", imput = FALSE, XY = FALSE, what = "mean") 
View(rdseg@rs)

Input dataframe has six columns (“ID”,”chrom”,”loc.start”,”loc.end”,”num.mark”,”seg.mean”) including 277 samples and 54825 segments.

The result can be got from rdseg@rs, like this

Cheers

Also, we can use CNRegions from iClusterPlus package.
CNregions(sampleData)

Ref: https://www.rdocumentation.org/packages/CNTools

https://rdrr.io/bioc/iClusterPlus/man/CNregions.html

#####################################################################
#版权所有 转载请告知 版权归作者所有 如有侵权 一经发现 必将追究其法律责
#Author: Jason
#####################################################################

对Autoencoder(自编码器)的理解

通常数据的维度太大,可视化很难,也不利用模型的学习。有时候拿到数据做个PCA或者tSNE,就是把维度缩小到2维(当然也可以3维),便于看数据之间的关系。在机器学习中,Autoencoder也是一种降维的方式, Autoencoder输入层的神经元的数目和输出层的神经元的数目必须,而且要保证输出的结果尽最大可能和输入的结果一致。

图片来自网络

如上图所示,维度由大到小是decode过程,输出的结果可以从中间层经过encode得到,那么中间层保留了输入层的信息(因为输出层的结果从中间层得到),那么中间层的数据结果,就是降维后的结果,可以拿来做其他事情。 网络的复杂程度根据样本数设计。

无监督的聚类,便可以从中间层开始;数据的学习也可以从中间层开始。当输入层是多组学数据时,中间层便是融合后的结果。