【白菜基础】蛋白组学之生信分析（1）

刚换了一个新课题组，新老板的研究方向为蛋白组学，从未接触过蛋白组学的我准备找一组模拟数据进行生信分析的入门学习。

蛋白组学数据挖掘流程图，参考公众号：蛋白质组学数据挖掘思路解析 (qq.com)

一、认识数据

我们组的数据主要是：MaxQuant搜库结果，我没有去实操一遍MaxQuant，所以这里引用网上资源蛋白质组学第6期 搜库软件之 MaxQuant 结果数据介绍-腾讯云开发者社区-腾讯云 (tencent.com)作为介绍吧！蛋白质鉴定和定量的全部结果都位于 ‘conbined/txt/’ 目录下。

MaxQuant是一种用于质谱数据分析的软件，通常用于蛋白质组学研究。通过MaxQuant分析获得的结果包含大量的生物信息学数据，例如蛋白质定量、修饰、蛋白质组成等。

其中‘msms.txt’；‘peptides.txt’；‘proteinGroups.txt’ 分别为谱图、肽段和蛋白结果文件。另外 ‘summary.txt’ 文件记录了所有原始数据文件的总体信息；‘evidence.txt’ 文件记录了已鉴定肽段的所有信息。每个文件的表头信息需要查阅结果中 ‘tables.pdf’ 文件，所有文件都有详细解释。文件夹里有一个 'proteinGroup' 表格文件，就是我们的目标文件。用pandas.read_csv()打开文件：

file_in = 'C:/Users/KerryChen/Desktop/proteinGroups.txt'
df = pd.read_csv(file_in, sep='\t')

# 查看列名
print(df.columns.tolist())

数据列名如下：

在这些列名中有很多信息，包括蛋白质标识、肽段计数、蛋白质名称、基因名称、序列长度、肽段序列等等。因此，需要确定感兴趣的分析目标，然后选择适当的列进行分析。

以下是一些可能的分析方向：

1.1 蛋白质鉴定和定量
  • 分析 'Protein IDs' 列，了解鉴定到的蛋白质。
  • 分析 'Peptide counts (all)' 或 'Peptide counts (unique)' 列，了解每个蛋白质的肽段计数情况。
  • 分析 'Intensity' 列，了解蛋白质的丰度或表达水平。
1.2 蛋白质特性分析
  • 分析 'Mol. weight [kDa]' 和 'Sequence length' 列，了解蛋白质的分子量和序列长度分布情况。
  • 分析 'Sequence coverage [%]' 列，了解蛋白质的序列覆盖度。
1.3  差异表达分析 
  • 如果你有不同条件或组别的数据，可以进行差异表达分析。例如，比较两组样本之间的蛋白质丰度是否存在差异。
  • 分析'Ratio M/L'、'Ratio H/L'等列，了解蛋白质在不同样本或条件下的定量比值。
1.4 蛋白质注释和功能分析
  • 分析'Protein names'、'Gene names'等列，了解蛋白质的注释信息。
  • 结合生物信息学数据库，如UniProt，对蛋白质进行聚类分析、差异表达分析、功能富集分析。
1.5 修饰位点分析
  • MaxQuant可以识别蛋白质的多种修饰，如磷酸化、甲基化等。可以进一步使用生物信息学工具（如PhosphoSitePlus、PhosphoPep等）进行修饰位点的富集分析、修饰位点的保守性分析等。
1.6 通路和网络分析
  • 使用生物信息学数据库（如KEGG、Reactome等）对蛋白质组数据进行通路分析，了解蛋白质在细胞通路中的功能和相互作用。
  • 可以使用生物信息学软件（如Cytoscape）构建蛋白质相互作用网络，并进行网络拓扑分析、模块发现等。
二、预处理数据

表格数据中会出现一个 gene names 和 protein id 一对多，多对多的情况，因此需要构建一个字典确定哪些gene name 对应哪些 protein id，然后根据gene name 把数据分行。表格数据中有一列为 'Fasta Header'，乍一看发现里面记录着每行数据的基因名和蛋白ID的对应关系，仔细一看，嘿，发现信息不全，我们要根据提供fasta文件建立对应关系。

2.1 构建gene_mapping_protein字典

fasta文件数据：

目的：获取两个竖线之间的 'Protein ID' 和 'GN=XXX' ，使用正则表达式获取，保存成字典

# 定义正则表达式模式
pattern1 = r'\|(.*?)\|'     # 匹配竖线之间的内容
pattern2 = r'GN=([^ ]+)'    # 匹配以"GN="开头的内容

#### 读取fasta文件
fasta_file = 'C:/Users/KerryChen/Desktop/LFM-Project/gene_mapping_protein.fasta'

gene_mapping_protein = {}
with open(fasta_file, 'r') as info:
    lines = info.readlines()
    for line in lines:
        if line.startswith('>'):
            new_line = line.strip()

            # 提取竖线之间的内容
            protein_id = re.findall(pattern1, new_line)[0]
            
            # 提取以'GN='开头的内容
            gene_name = re.search(pattern2, new_line)
            
            if gene_name:
                gene_mapping_protein.setdefault(gene_name.group(1), []).append(protein_id)
            else:
                gene_mapping_protein.setdefault('empty_gene_name', []).append(protein_id)
            
# 要保存的 JSON 文件路径
json_file_path = 'C:/Users/KerryChen/Desktop/LFM-Project/gene_mapping_protein.json'

# 将字典保存到 JSON 文件中
with open(json_file_path, 'w') as json_file:
    json.dump(gene_mapping_protein, json_file, indent=4)
print('已经保存完啦，请开始下一步操作')
2.2 计算 Log2 Fold Change值

重标的列值除以轻标的列值，并保存到最后一列

# 计算Fold Change，插入最后一列
filtered_df['Log2 Fold Change'] = np.log2(filtered_df[intensity_hight] / filtered_df[intensity_light])
 2.3 根据gene name 展开数据

'Gene Mapping Protein' 列是一个字典，根据键把数据展开成行，键成为一列，值为一列，其余的值复制。

展开前：

先根据gene_mapping_protein字典把gene name 和Protein ID 对应起来

data_file = "C:/Users/KerryChen/Desktop/LFM-Project/all_group_gene_mapping_protein_fold.csv"
df = pd.read_csv(data_file)

gene_protein = []
for genes, proteins in zip(df['Gene names'], df['Majority protein IDs']):
#     print(genes,'------' ,proteins)
    
    gene_names = genes.split(';') if isinstance(genes, str) else []
    protein_names = proteins.split(';') if isinstance(proteins, str) else []
    
    # 初始化一个空字典，用于存储当前行的 protein_id
    sub_dict = {}
    
    # 遍历当前行的每个 gene_name
    for gene_name in gene_names:
        # 在 gene_mapping_protein 字典中查找对应的 protein_id
        if gene_name in gene_mapping_protein.keys():
            
            intersection = list(set(gene_mapping_protein[gene_name]) & set(proteins.split(';')))
            sub_dict.setdefault(gene_name, intersection)
        else:
            if gene_name == '':
                sub_dict.setdefault('empty_gene_name', protein_names)
            else:
                sub_dict.setdefault(gene_name, '')
            
    # 将当前行的 sub_dict 添加到结果列表中
    gene_protein.append(sub_dict)


df['Gene Mapping Protein'] = gene_protein
save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
create_folder(save_dir)
df.to_csv(save_dir + "all_group_gene_mapping_protein_fold_dict.csv", index=False)

展开后：

展开数据的代码实现 

import pandas as pd
import ast

# 定义一个空列表，用于存储每个拆分后的行
split_rows = []

# 遍历 DataFrame 中的每一行
for index, row in df.iterrows():
    gene_mapping_protein_dict = row['Gene Mapping Protein']  # 获取当前行的字典数据
    
    # 遍历字典中的键值对，并将每个键值对拆分成一个新的行
    for key, value in gene_mapping_protein_dict.items():
        if key == 'empty_gene_name':
            key = ''
        split_rows.append([row['Protein IDs'], row['Majority protein IDs'], row['Protein names'],
                           row['Gene names'], row['Mol. weight [kDa]'], 
                           row['Intensity'], row['Intensity L'], row['Intensity M'], row['Intensity H'],
                           row['Log2 Fold Change'], row['Group'], key, ';'.join(value)])

columns_name = ['Protein IDs', 'Majority protein IDs', 'Protein names','Gene names', 'Mol. weight [kDa]', 'Intensity', 'Intensity L',
                'Intensity M', 'Intensity H', 'Log2 Fold Change', 'Group', 'Every Gene Name', 'Mapping Protein Names']

# 创建新的 DataFrame，将拆分后的行数据填充进去
new_df = pd.DataFrame(split_rows, columns=columns_name)

save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
create_folder(save_dir)
new_df.to_csv(save_dir + "all_group_gene_mapping_protein_unfold.csv", index=False)
 2.3 展示数据

（1）绘制 'Molecular Weight [kDa]' 列的密度图

import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib as mpl

# 设置全局字体样式
mpl.rcParams['font.family'] = 'Times New Roman'

# 提取 'Mol. weight [kDa]' 列的数据
mol_weight = new_df['Mol. weight [kDa]']
print('最大值为 %d; 最小值为 %d; 平均值为 %d' %(mol_weight.max(), mol_weight.min(),mol_weight.mean()))

# 计算中位值
median_value = mol_weight.median()

# 使用Seaborn绘制密度图
sns.set(style="whitegrid")
plt.figure(figsize=(10, 6),dpi=600)
sns.kdeplot(mol_weight, shade=True, color='green', label='Density')  # 修改颜色为绿色

# 在图中添加中位值的竖直线
plt.axvline(median_value, color='red', linestyle='--', label=f'Median: {median_value}')
plt.title('Density Plot of Molecular Weight', fontsize=15, fontweight='bold')
plt.xlabel('Molecular Weight [kDa]', fontsize=15, fontweight='bold')
plt.ylabel('Density', fontsize=15, fontweight='bold')

# 添加图例
plt.legend()

save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
plt.savefig(save_dir + 'density.png', dpi=600, bbox_inches='tight')  # 保存为 png 格式，dpi 设置分辨率，bbox_inches='tight' 自动裁剪边缘

plt.show()

 结果展示：

（2）绘制 'Log2 Fold Change' 列的柱状图和密度图

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

# 设置全局字体样式
mpl.rcParams['font.family'] = 'Times New Roman'

# 绘制直方图
plt.figure(figsize=(8, 6),dpi=600)
sns.histplot(new_df['Log2 Fold Change'], color='blue', kde=False, bins=100, stat='density', label = 'Histogram')  # 使用 seaborn 库的 histplot() 函数绘制直方图，并添加分布曲线
sns.kdeplot(new_df['Log2 Fold Change'], linestyle='--', color='red', linewidth=1, label = 'Density') 

# 添加标题和标签
plt.title('Histogram of Log2 Fold Change', fontsize=15, fontweight='bold')
plt.xlabel('Log2 Fold Change', fontsize=15, fontweight='bold')
plt.ylabel('Density', fontsize=15, fontweight='bold')
# 显示图例
plt.legend()

# 保存图像
save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
plt.savefig(save_dir + 'histogram.png', dpi=600, bbox_inches='tight')  # 保存为 png 格式，dpi 设置分辨率，bbox_inches='tight' 自动裁剪边缘

# 显示图形
plt.show()

结果展示：

 （3）统计上下调的基因【log2 fold change < -1 & log2 fold change > 1】

data_file = 'C:/Users/KerryChen/Desktop/LFM-Project/' + 'Isoform_all_group_gene_mapping_protein_unfold_CQF.xlsx'
# data_file = 'C:/Users/KerryChen/Desktop/LFM-Project/' + 'all_group_gene_mapping_protein_fold_dict.csv'
df = pd.read_excel(data_file)

all_genes = df['Every Gene Name'].unique().tolist()
print('展开之后总的基因有: %d 个'%(len(all_genes)))


# 筛选 log2 fold_change 列绝对值大于 1的行
log_fold_change = df['Log2 Fold Change'].abs()

# 使用布尔索引选择绝对值大于1的行
filtered_df = df[log_fold_change > 1]

up_down_genes = filtered_df['Every Gene Name'].unique().tolist()
print("去除空值和重复值后还剩 %d 个上下调基因" %len(up_down_genes))

# 筛选不显著的行
no_significant_df = df[(df['Log2 Fold Change'] >= -1) & (df['Log2 Fold Change'] <= 1)]

no_significant_genes = no_significant_df['Every Gene Name'].unique().tolist()
print("不显著的基因个数有: ", len(no_significant_genes))

unsignificant_df = pd.DataFrame(columns=['Genes'], data=no_significant_genes)
unsignificant_df.to_csv('C:/Users/KerryChen/Desktop/LFM-Project/unsignificant_genes.csv', encoding='utf-8', index=False)

（4）绘制两组List的韦恩图

import matplotlib.pyplot as plt
from matplotlib_venn import venn2

# 绘制韦恩图
plt.figure(figsize=(6, 6), dpi=600)
venn2([set(up_genes), set(down_genes)], ('Upregulated Genes', 'Downregulated Genes'))

# 添加标题
plt.title('Venn Diagram')

# 保存图像
save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
plt.savefig(save_dir + 'up_down_venn.png', dpi=600, bbox_inches='tight')  # 保存为 png 格式，dpi 设置分辨率，bbox_inches='tight' 自动裁剪边缘

# 显示图形
plt.show()

结果展示：

 （5）绘制三组List的韦恩图

from matplotlib import pyplot as plt
from matplotlib_venn import venn3

plt.figure(figsize=(6, 6), dpi=600)

# 绘制韦恩图
venn = venn3([set(set1), set(set2), set(set3)], ('set1', 'set2', 'set3'))

# # 可选：添加标签
# venn.get_label_by_id('100').set_text('\n'.join(map(str, set1 - set2 - set3)))
# venn.get_label_by_id('010').set_text('\n'.join(map(str, set2 - set1 - set3)))
# venn.get_label_by_id('001').set_text('\n'.join(map(str, set3 - set1 - set2)))
# venn.get_label_by_id('110').set_text('\n'.join(map(str, set1 & set2 - set3)))
# venn.get_label_by_id('101').set_text('\n'.join(map(str, set1 & set3 - set2)))
# venn.get_label_by_id('011').set_text('\n'.join(map(str, set2 & set3 - set1)))
# venn.get_label_by_id('111').set_text('\n'.join(map(str, set1 & set2 & set3)))

# 保存图像
save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
plt.savefig(save_dir + 'three_group_venn.png', dpi=600, bbox_inches='tight')  # 保存为 png 格式，dpi 设置分辨率，bbox_inches='tight' 自动裁剪边缘

# 显示图形
plt.show()

结果展示：

  （6）绘制柱状图

import matplotlib.pyplot as plt

list1 = up_genes
list2 = down_genes
list3 = no_significant_genes

plt.figure(figsize=(8, 6))
# 计算每个列表的总个数
total_counts = [len(list1), len(list2), len(list3)]

# 设置颜色
colors = ['blue', 'green', 'red']

# 设置柱状图的位置
x = range(len(total_counts))

# 绘制柱状图
bars = plt.bar(x, total_counts, color=colors)

# 在每个柱子上显示个数
for bar, count in zip(bars, total_counts):
    plt.text(bar.get_x() + bar.get_width() / 2, bar.get_height(), count,
             ha='center', va='bottom')

# 设置x轴标签
plt.xticks(x, ['Upregulated Genes', 'Downregulated Genes', 'Unsignificant Genes'], fontsize=15, fontweight='bold')

# 设置y轴标签
plt.ylabel('Genes', fontsize=15, fontweight='bold')

# 添加标题
plt.title('Total Count of Genes in Three Groups', fontsize=15, fontweight='bold')

# 保存图像
save_dir = 'C:/Users/KerryChen/Desktop/LFM-Project/'
plt.savefig(save_dir + 'three_group_bar.png', dpi=600, bbox_inches='tight')  # 保存为 png 格式，dpi 设置分辨率，bbox_inches='tight' 自动裁剪边缘

# 显示柱状图
plt.show()

结果展示：

 （7）绘制激酶树

在现成的网站上绘制激酶树：KinMap (kinhub.org)，将上调的基因输入网站，自动出来一颗激酶树

（8）Kegg和GO富集分析和绘图，参考：R语言 | 一文搞定GO、KEGG富集分析及可视化

（9）PPI网络分析寻找Hub基因，参考 ：从PPI到Cytoscape：寻找hub基因

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/523962.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

csdn博客自定义模块：显示实时天气、日历、随机语录代码

csdn博客自定义模块：显示实时天气、日历、随机语录代码

目录 1.样式说明2.效果展示3.代码下载 1.样式说明 vip会员或者博客专家可以自定义模块代码&#xff0c;比如我博客的样式&#xff0c;有这几部分组成&#xff1a; 灯笼祝福&#xff08;我这里是龙年快乐&#xff0c;可以自定义更改任何字&#xff09;、滚动欢迎语&#xff08…
阅读更多...
Ubuntu下TexStudio如何兼容中文

Ubuntu下TexStudio如何兼容中文

怎么就想起来研究一下这个&#xff1f; 我使用大名鼎鼎的3Blue1Brown数学动画引擎Manim&#xff0c;制作了一个特别小的动画视频克里金插值。在视频中&#xff0c;绘制文字时&#xff0c;Manim使用到了texlive texlive-latex-extra这些库。专业的关系&#xff0c;当年的毕设没…
阅读更多...
服装商城小程序设计分享，服装商城设计分享,自助建站模板分享

服装商城小程序设计分享，服装商城设计分享,自助建站模板分享

在当今数字化的时代&#xff0c;服装商城小程序的设计成为了提升用户购物体验的关键。下面&#xff0c;我将分享一些关于服装商城小程序设计的要点和思路。 首先&#xff0c;界面的简洁与美观至关重要。简洁的布局能让用户轻松找到所需商品&#xff0c;避免繁琐的操作流程。同时…
阅读更多...
如何水出第一篇SCI：SCI发刊历程，从0到1全过程经验分享！！！

如何水出第一篇SCI：SCI发刊历程，从0到1全过程经验分享！！！

如何水出第一篇SCI&#xff1a;SCI发刊历程&#xff0c;从0到1全路程经验分享&#xff01;&#xff01;&#xff01; 详细的改进教程以及源码&#xff0c;戳这&#xff01;戳这&#xff01;&#xff01;戳这&#xff01;&#xff01;&#xff01;B站&#xff1a;Ai学术叫叫兽e…
阅读更多...
血细胞检测数据集 | 用于血细胞计数+检测的小规模数据集_已经整理成VOC格式_总共410张图

血细胞检测数据集 | 用于血细胞计数+检测的小规模数据集_已经整理成VOC格式_总共410张图

项目应用场景 面向血细胞检测计数数据集&#xff0c;已经整理成 VOC 格式&#xff0c;可以直接用于目标检测算法的训练&#xff0c;如 YOLO 等目标检测算法的训练。血细胞检测数据集图片质量好&#xff0c;可直接训练出一个血细胞检测模型&#xff0c;或者作为血细胞检测数据集…
阅读更多...
SOLIDWORKS在教育领域的应用

SOLIDWORKS在教育领域的应用

随着科技的飞速发展和数字化浪潮的推进&#xff0c;SOLIDWORKS作为一款强大的三维设计软件&#xff0c;其应用领域已经不仅局限于工程设计和制造行业&#xff0c;还逐渐渗透到教育领域中&#xff0c;成为培养学生实践能力和创新思维的重要工具。本文将探讨SOLIDWORKS在教育领域…
阅读更多...
数组排序（Comparator）

数组排序（Comparator）

题目 import java.util.Arrays; import java.util.Comparator; import java.util.Scanner; public class Main {public static void main(String[] args) {Scanner sc new Scanner(System.in);int n sc.nextInt();sc.nextLine();Integer[] res new Integer[n1];//使用Integ…
阅读更多...
idea Springboot 电影推荐系统LayUI框架开发协同过滤算法web结构java编程计算机网页

idea Springboot 电影推荐系统LayUI框架开发协同过滤算法web结构java编程计算机网页

一、源码特点 springboot 电影推荐系统是一套完善的完整信息系统&#xff0c;结合mvc框架和LayUI框架完成本系统springboot dao bean 采用协同过滤算法进行推荐 &#xff0c;对理解JSP java编程开发语言有帮助系统采用springboot框架&#xff08;MVC模式开发&#xff09;&…
阅读更多...
能否安全地删除 Mac 资源库中的文件？

能否安全地删除 Mac 资源库中的文件？

在管理Mac电脑存储空间时&#xff0c;用户确实可能考虑对资源库&#xff08;Library&#xff09;文件夹进行清理以释放空间。Mac资源库是一个系统及应用程序存放重要支持文件的地方&#xff0c;其中包括但不限于配置文件、临时文件、缓存、插件、偏好设置、应用程序支持数据等。…
阅读更多...
vitepress系列-05-其他优化设置

vitepress系列-05-其他优化设置

其他优化设置 设置底部上一页和下一页 设置&#xff1a; import { defineConfig } from vitepress// https://vitepress.dev/reference/site-config export default defineConfig({lang: en-US,title: "东东爱编码的技术博客",description: "记录日常学习点点…
阅读更多...
Cute Background FX

Cute Background FX

Cute Background FX是环境背景粒子系统的集合。非常适合作为菜单的背景。 该包包括： -20个独特预制件+20个URP预制件 -5种独特的环境设计 -15种纹理 -2个自定义着色器+2个URP着色器 -共59项独特资产 -一个演示场景，您可以在其中概述所有内容。 所有纹理都是512x512分辨率的P…
阅读更多...
LDR6328助力Type-C普及，便捷充电，绿色生活更精彩

LDR6328助力Type-C普及，便捷充电，绿色生活更精彩

随着科技的进步和全球统一接口的需求&#xff0c;Type-C接口正日益受到青睐。越来越多的设备正选择采纳这一先进的接口设计&#xff0c;它的普及无疑在改善着我们的日常生活。 在过往&#xff0c;许多小功率设备如小风扇、蓝牙音箱、桌面台灯以及家用加湿器等&#xff0c;都普遍…
阅读更多...
android 资源文件混淆

android 资源文件混淆

AGP7.0以上引用AndResGuard有坑 记录下 在项目的build.gradle中添加如下 buildscript {ext.kotlin_version "1.4.31"repositories {google()jcenter()maven {url "https://s01.oss.sonatype.org/content/repositories/snapshots/"}}dependencies {class…
阅读更多...
如何在PowerPoint演示文稿中添加音乐？这里有详细步骤

如何在PowerPoint演示文稿中添加音乐？这里有详细步骤

序言 有很多方法可以改进你的PowerPoint演示文稿&#xff0c;向对象添加动画&#xff0c;自定义幻灯片转换样式&#xff0c;以及使用有趣的主题等等。除此之外&#xff0c;你还可以在演示文稿中添加音乐。 向演示文稿中添加音乐 PowerPoint使在演示文稿中添加音乐变得非常简…
阅读更多...
C++：if语句（20）

C++：if语句（20）

介绍 c最基本的三种程序运行模式为&#xff1a;顺序执行&#xff0c;判断执行&#xff0c;循环执行 顺序执行&#xff1a;前面我们的代码都是从上往下&#xff0c;依次执行的&#xff0c;这就是按顺序依次执行 判断执行&#xff1a;通过我们写的判断条件&#xff0c;去判断要不…
阅读更多...
各类聚类算法整理

各类聚类算法整理

各类聚类算法整理 0. 先验的基础知识1. K-Means2. GMM3. EM算法4.Spectral Clustering5. Mean Shift6. DBSCAN 本篇将介绍整理各种聚类算法&#xff0c;包括k-means&#xff0c;GMM(Guassian Mixture Models, 高斯混合)&#xff0c;EM(Expectation Maximization&#xff0c;期望…
阅读更多...
高新技术企业发展的重要性

高新技术企业发展的重要性

高新技术企业发展的重要性及其挑战 随着科技的不断进步&#xff0c;高新技术企业正逐渐成为推动经济发展的重要力量。这些企业以高科技含量、高附加值和高成长性为主要特征&#xff0c;对于提升国家整体科技水平、优化产业结构、促进就业等方面都具有重要意义。 高新技术企业…
阅读更多...
hydra九头蛇

hydra九头蛇

一、hydra简介 Hydra是一款非常强大的暴力破解工具&#xff0c;它是由著名的黑客组织THC开发的一款开源暴力破解工具。Hydra是一个验证性质的工具&#xff0c;主要目的是&#xff1a;展示安全研究人员从远程获取一个系统认证权限。 目前该工具支持以下协议的爆破&#xff1a; A…
阅读更多...
头盔检测 | 基于Caffe-SSD目标检测算法实现的建筑工地头盔检测

头盔检测 | 基于Caffe-SSD目标检测算法实现的建筑工地头盔检测

项目应用场景 面向建筑工地头盔检测场景&#xff0c;使用深度学习 Caffe SSD 目标检测算法&#xff0c;基于 C 实现。 项目效果 项目细节 > 具体参见项目 README.md (1) 安装 Caffe SSD(2) 执行训练 sh examples/Hardhat/SSD300/train_SSD300.sh (3) 部署算法 项目获取 h…
阅读更多...
远程过程调用（远程调用）

远程过程调用（远程调用）

远程过程调用&#xff08;远程调用&#xff09; 1、什么是分布式计算 在计算机科学中&#xff0c;分布式计算&#xff08;英语&#xff1a;Distributed computing&#xff09;&#xff0c;又译为分散式运算。这个研究领域&#xff0c;主要研究分布式系统&#xff08;Distribu…
阅读更多...
最新文章

Copyright @ 2022~2023