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。

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.

1
2
3
4
5

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

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。

R code

1
2
3
4

fpkm2tpm = function(fpkm){
  exp(log(fpkm) - log(sum(fpkm)) + log(1e6))
}
tpm = apply(expMatrix, 2, fpkm2tpm)