数据分析：宏基因组的荟萃分析之MMUPHin

news2024/11/14 3:31:35

禁止商业或二改转载，仅供自学使用，侵权必究，如需截取部分内容请后台联系作者!

介绍

批次效应是实验中由于样本处理和测序技术变异引起的非生物学差异，可能干扰研究结果。这种效应难以完全消除，但可通过方法如PCA、PCoA等降维技术进行评估和降低其影响。在多研究或多平台数据整合时，需要特别注意消除数据差异。微生物组学领域由于数据的稀疏性，常规的校正方法如sva::ComBat和limma::removeBatchEffect不适用。

**MMUPHin（Meta-analysis via Mixed Models Utilizing Public Health Information）**是由哈佛大学Huttenhover实验室开发的微生物组数据统计分析包，特别适合处理与公共健康相关的多研究数据。它采用混合模型原理来处理批次效应，有助于减少技术变异对生物学信号的干扰。

MMUPHin处理批次效应的原理：

  • 混合模型：MMUPHin使用混合模型来纳入批次效应。在这种模型中，批次效应被视为随机效应，它们与研究中的固定效应（例如治疗组与对照组）分开处理。

  • 元分析方法：MMUPHin利用元分析的技术，允许来自不同研究的数据共同分析。元分析是一种统计方法，它综合并分析多个研究的结果，以获得更广泛、更全面的结论。

  • 数据整合：通过混合模型和元分析方法，MMUPHin能够在考虑批次效应的同时，整合多个研究的数据，提高分析的统计能力和结论的泛化性。

  • 校正批次效应：通过在模型中包括批次效应作为一个变量，MMUPHin可以校正这些非生物学差异，从而使研究结果更加可靠和准确。

加载依赖包

library(tidyverse)

# if (!requireNamespace("BiocManager", quietly = TRUE))
#     install.packages("BiocManager")
# BiocManager::install("MMUPHin")

library(MMUPHin)
library(phyloseq)

  • 安装MicrobiomeAnalysis包后，使用MicrobiomeAnalysis::run_ord和MicrobiomeAnalysis::plot_ord可视化数据。

    • MicrobiomeAnalysis::run_ord：提供多种降维分析函数

    • MicrobiomeAnalysis::plot_ord：提供可视化降维结果

if (!requireNamespace(c("remotes", "devtools"), quietly=TRUE)) {
  install.packages(c("devtools", "remotes"))
}
remotes::install_github("HuaZou/MicrobiomeAnalysis")

导入数据

数据来源是 curatedMetagenomicData，分别来自五个研究的CRC癌症肠道微生物相对丰度数据。数据可从以下链接下载：

  • 百度云盘链接: https://pan.baidu.com/s/1ckqx-z1_WZRWJD41rCGsbQ

  • 提取码: 请关注WX公zhong号 生信学习者 后台发送 mmuphin 获取提取码

crc_prof <- read.csv("CRC_profile.csv", row.names = 1)
crc_meta <- read.csv("CRC_metadata.csv", row.names = 1)

head(crc_meta)
subjectIDbody_sitestudy_conditiondisease
FengQ_2015.metaphlan_bugs_list.stool:SID31004SID31004stoolCRCCRC;fatty_liver;hypertension
FengQ_2015.metaphlan_bugs_list.stool:SID31009SID31009stoolcontrolfatty_liver;hypertension
FengQ_2015.metaphlan_bugs_list.stool:SID31021SID31021stoolcontrolNA
FengQ_2015.metaphlan_bugs_list.stool:SID31071SID31071stoolcontrolfatty_liver
FengQ_2015.metaphlan_bugs_list.stool:SID31112SID31112stoolcontrolfatty_liver
FengQ_2015.metaphlan_bugs_list.stool:SID31129SID31129stoolcontrolfatty_liver;T2D;hypertension

数据预处理

run_ord函数的输入数据是phyloseq格式的数据对象，先对数据进行转换

crc_meta$studyID <- gsub(".metaphlan_bugs_list.stool", "", crc_meta$studyID)
crc_meta$study_condition <- factor(crc_meta$study_condition, 
                                   levels = c("control", "CRC"))

colnames(crc_prof) <- gsub("ZellerG_2014.metaphlan_bugs_list.stool.|YuJ_2015.metaphlan_bugs_list.stool.|VogtmannE_2016.metaphlan_bugs_list.stool.|HanniganGD_2017.metaphlan_bugs_list.stool.|FengQ_2015.metaphlan_bugs_list.stool.", "", colnames(crc_prof))
rownames(crc_meta) <- gsub("ZellerG_2014.metaphlan_bugs_list.stool.|YuJ_2015.metaphlan_bugs_list.stool.|VogtmannE_2016.metaphlan_bugs_list.stool.|HanniganGD_2017.metaphlan_bugs_list.stool.|FengQ_2015.metaphlan_bugs_list.stool.", "", rownames(crc_meta))


rownames(crc_meta) <- make.names(rownames(crc_meta))
colnames(crc_prof) <- make.names(colnames(crc_prof))
rownames(crc_prof) <- make.names(rownames(crc_prof))
tax_tab <- data.frame(Species = rownames(crc_prof))

rownames(tax_tab) <- tax_tab$Species

crc_phy <- phyloseq::phyloseq(
  sample_data(crc_meta),
  otu_table(crc_prof, taxa_are_rows = TRUE),
  tax_table(as.matrix(tax_tab)))

crc_phy

phyloseq-class experiment-level object
otu_table()   OTU Table:         [ 484 taxa and 551 samples ]
sample_data() Sample Data:       [ 551 samples by 28 sample variables ]
tax_table()   Taxonomy Table:    [ 484 taxa by 1 taxonomic ranks ]

降维分析

使用PCoA进行降维分析，并进行可视化。

# PCoA降维分析
ord_result <- MicrobiomeAnalysis::run_ord(
  object = crc_phy,
  variable = "study_condition",
  method = "PCoA")

# 可视化降维结果
PCoA_pl_raw <- MicrobiomeAnalysis::plot_ord(
  reslist = ord_result,
  variable = "studyID",
  #variable_color = c("red", "blue"),
  var_shape = "study_condition",
  ellipse_type = "ellipse_groups")

PCoA_pl_raw

结果：5个CRC研究的健康和CRC分布情况。图中五个研究的样本存在不同的簇，这可能导致不同研究的批次效应影响到生物学效应（Control和CRC之间的差异物种识别）。

评估批次效应

采用PERMANOVA分析方法（MicrobiomeAnalysis::run_PERMANOVA函数可做该分析）评估"study_condition"和"studyID"两个分组分别对整体肠道微生物的影响大小。

**PERMANOVA（Permutational Multivariate Analysis of Variance）**是一种用于分析和比较多元数据集中不同群组间差异的统计方法，特别适用于生态和环境科学领域。它基于排列方法来检验数据中组间和组内的方差分配是否有显著差异，不要求数据的正态分布或方差齐性。

PERMANOVA的核心原理是利用任何形式的距离度量来比较不同群组间的平均距离。它使用排列测试来评估群组间的差异，通过计算观测值之间的距离，然后进行一定次数的随机置换，来得到p值，以判断不同组之间是否显著不同。

结果解释方面，PERMANOVA的输出主要包括F值、R²值和p值。F值反映了各组之间差异的大小，F值越大则差异越明显；R²值表示差异的解释程度，R²值越高则解释程度越高；P值为显著性检验结果，通常设定P值小于0.05，则认为差异显著。

需要注意的是，虽然PERMANOVA对数据分布没有严格要求，但它会对于群组间离散度（variability）的差异敏感。如果检测出显著性差异，这可能是由于群组间位置（location）、离散度或两者的组合所导致的。因此，在解释PERMANOVA结果时，建议同时评估数据离散度的影响，例如使用PERMDISP进行额外的检验。

此外，PERMANOVA分析时，变量的顺序可能会影响结果，因为它采用的是序贯检验方式，即先评估第一个变量解释的差异比例，再评估后续变量解释的剩余总体差异的比例。在多因素分析中，这种顺序效应可能会导致对不同因素重要性的解释产生偏差。因此，在进行PERMANOVA分析时，研究者需要仔细考虑变量的顺序和它们之间的潜在关系。

MicrobiomeAnalysis::run_PERMANOVA(
  crc_phy,
  variables = c("study_condition", "studyID"),
  mode = "one",
  method = "bray")
SumsOfSampleDfSumsOfSqsMeanSqsF.ModelR2Pr(>F)AdjustedPvalue
study_condition55111.5420971.5420975.1111220.0092240030.0010.001
studyID551413.3599553.33998911.8553960.0799121330.0010.001

结果：PERMANOVA的Pr(>F) < 0.05表明“study_condition”和“studyID”均与整体肠道微生物结构有显著差异。但与此同时，“studyID”的R2是8%(对肠道结构解释的变异)要远高于“study_condition”的R2，这表明后续基于“study_condition”的差异研究会受到“studyID”的影响，因此需要做批次校正。

批次效应校正

批次效应是一种在生物样本处理和数据分析过程中可能引入的变异，它能够对实验结果产生显著影响。尽管无法彻底消除批次效应，但可以采取措施降低其对研究结果的干扰。在处理批次效应的过程中，采用线性模型进行校正可能会对生物学意义的解释造成一定程度的影响，这可能是正面的也可能是负面的。

MMUPHin是一种先进的统计分析工具，它通过使用混合模型的方法来处理批次效应。在混合模型框架内，批次效应被归类为随机效应，这允许它们与实验设计中的固定效应（如不同治疗组别）区分开来。这种分离有助于更准确地评估固定效应对生物学问题的影响，同时控制批次效应可能带来的变异。通过这种方式，MMUPHin能够有效地调整批次效应，提高研究结果的可靠性和解释力。

fit_adjust_batch <- MMUPHin::adjust_batch(
  feature_abd = crc_prof,
  batch = "studyID",
  covariates = "study_condition",
  data = crc_meta,
  control = list(verbose = FALSE))

crc_prof_adj <- fit_adjust_batch$feature_abd_adj

head(crc_prof_adj[, 1:6])

                                 SID31004    SID31009     SID31021    SID31071     SID31112     SID31129
s__Faecalibacterium_prausnitzii 0.10120482 0.050692229 0.0870712280 0.306298806 9.138322e-03 0.0412915623
s__Streptococcus_salivarius     0.06044265 0.001458136 0.0018225717 0.003949364 4.243000e-03 0.0006752066
s__Ruminococcus_sp_5_1_39BFAA   0.02374596 0.016513626 0.0169870545 0.037752728 0.000000e+00 0.0826998372
s__Subdoligranulum_unclassified 0.03265566 0.039447880 0.0753412636 0.050567518 3.055722e-02 0.0071549150
s__Bacteroides_stercoris        0.31510103 0.000000000 0.0004372288 0.003220664 5.676591e-06 0.0000000000
s__Bifidobacterium_longum       0.01595582 0.016304677 0.0260266972 0.044504423 1.641349e-05 0.0036925262

校正后批次效应

使用PCoA进行降维分析，并进行可视化。

rownames(crc_meta) <- make.names(rownames(crc_meta))
colnames(crc_prof_adj) <- make.names(colnames(crc_prof_adj))
rownames(crc_prof_adj) <- make.names(rownames(crc_prof_adj))
tax_tab_adj <- data.frame(Species = rownames(crc_prof_adj))
rownames(tax_tab_adj) <- tax_tab_adj$Species

crc_phy_adj <- phyloseq::phyloseq(
  sample_data(crc_meta),
  otu_table(crc_prof_adj, taxa_are_rows = TRUE),
  tax_table(as.matrix(tax_tab_adj)))

# 运行
ord_result_adj <- MicrobiomeAnalysis::run_ord(
  object = crc_phy_adj,
  variable = "study_condition",
  method = "PCoA")

PCoA_pl_adj <- MicrobiomeAnalysis::plot_ord(
  reslist = ord_result_adj,
  variable = "studyID",
  # variable_color = c("red", "blue"),
  var_shape = "study_condition",
  ellipse_type = "ellipse_groups")

PCoA_pl_adj

结果：相比校正前，studyID簇在PCoA上没有明显的区分现象。

校正后的解释度

采用PERMANOVA分析方法（MicrobiomeAnalysis::run_PERMANOVA函数可做该分析）评估"study_condition"和"studyID"两个分组分别对整体肠道微生物的影响大小。

MicrobiomeAnalysis::run_PERMANOVA(
  crc_phy_adj,
  variables = c("study_condition", "studyID"),
  mode = "one",
  method = "bray")
SumsOfSampleDfSumsOfSqsMeanSqsF.ModelR2Pr(>F)AdjustedPvalue
study_condition55111.4988151.4988155.1188390.009237800.0010.001
studyID55144.9379741.2344934.2847430.030434710.0010.001

结果：相比校正前，“studyID”的解释肠道结构总体变异度从8%降低到了3%。与此同时，“study_condition”的总体变异没有太大变化。

荟萃分析

荟萃分析的主要目标是通过综合多个独立研究的结果，来得出更为全面和可靠的结论。在生物统计学领域，已有多种工具和方法被开发用于执行此类分析，其中meta包是广泛使用的工具之一。MMUPHin软件包进一步扩展了这一功能，提供了lm_meta函数，专门用于进行荟萃分析。该函数的分析流程通常包括以下步骤：

  1. 差异物种分析：首先，使用Maaslin2工具对每个独立研究中对照组（control）和结直肠癌（CRC）组之间的差异物种进行识别和分析。
  2. 混合模型汇总：随后，通过MMUPHin的混合模型方法，将不同研究的结果进行汇总。这种方法允许研究者纳入批次效应作为随机效应，同时对固定效应进行评估。
  3. 协变量校正：在分析过程中，可以引入诸如年龄、性别和体重指数（BMI）等人口统计学协变量，以校正可能的混杂因素，从而提高分析结果的准确性。
  4. 效应量估计：在统计模型中，coef参数代表效应量（Effect Size），它量化了对照组与CRC组之间在生物学指标上的差异。

计算效应值

使用MMUPHin::lm_meta函数，计算每个species在不同研究的效应值。

if(!dir.exists("./MMUPHin_lm_meta")) {
  dir.create("./MMUPHin_lm_meta", recursive = TRUE)
}

fit_lm_meta <- MMUPHin::lm_meta(
  feature_abd = crc_prof,
  batch = "studyID",
  exposure = "study_condition",
  covariates = c("gender", "age", "BMI"),
  data = crc_meta,
  control = list(verbose = FALSE, 
                 output = "./MMUPHin_lm_meta"))

head(fit_lm_meta$meta_fits)
featureexposurecoefstderrpvalk
s__Faecalibacterium_prausnitziis__Faecalibacterium_prausnitziiCRC-0.0283153990.0158949070.074844955
s__Streptococcus_salivariuss__Streptococcus_salivariusCRC-0.0149067750.0080807890.065078615
s__Ruminococcus_sp_5_1_39BFAAs__Ruminococcus_sp_5_1_39BFAACRC-0.0313343580.0139040210.024220195
s__Subdoligranulum_unclassifieds__Subdoligranulum_unclassifiedCRC-0.0012227390.0171398340.943127935
s__Bacteroides_stercoriss__Bacteroides_stercorisCRC0.0055730020.0083972790.506903115
s__Bifidobacterium_longums__Bifidobacterium_longumCRC-0.0205950000.0088931540.020567755

结果：5个研究的CRC荟萃分析的结果。需要关注qval.fdr和coef两个指标。

  • feature：表示正在分析的物种特征。
  • exposure：表示研究中考虑的暴露因素，这里是study_condition因素（control vs CRC）。
  • coef：即系数，表示在控制了其他变量后，暴露因素与特征之间关系的估计效应量。正值可能表示随着暴露因素的增加，特征的水平也增加；反之亦然。
  • stderr：标准误差（Standard Error），表示coef估计的精确度。较小的标准误差意味着估计更可靠。
  • pval：P值，用于检验coef是否在统计上显著不同于0，即暴露因素是否真的影响了特征。
  • k：表示参与荟萃分析的研究数量，这里总计5个CRC研究。
  • tau2：表示随机效应方差，是不同研究效应大小不一致性的度量。
  • stderr.tau2：tau2的标准误差。
  • pval.tau2：tau2的P值，用于检验不同研究间效应大小的不一致性是否显著。
  • I2：I平方（I-squared），表示研究间变异性的比例，用于评估荟萃分析中异质性的强度。
  • H2：H平方（H-squared），是另一种衡量异质性的方法，与I平方类似，但考虑了研究的权重。
  • weight：各研究的权重，通常与样本大小和效应大小的精确度有关。在荟萃分析中，权重较大的研究对总体估计的影响更大。
  • weight_XXX：特定研究的权重，例如"weight_FengQ_2015"是FengQ在2015年的研究在荟萃分析中的权重。
  • pval.bonf：Bonferroni校正后的P值，用于多重比较校正，减少I型错误的风险。
  • qval.fdr：False Discovery Rate（FDR）校正后的q值，同样用于处理多重比较问题。

可视化结果

根据qval.fdr和coef两个指标获得差异物种。

signif_res <- fit_lm_meta$meta_fits %>% 
  dplyr::filter(qval.fdr < 0.05) %>% 
  dplyr::arrange(coef) %>% 
  dplyr::mutate(feature = factor(feature, levels = feature),
                mycolor = ifelse(coef > 0, "CRC", "control")) 

head(signif_res)
featureexposurecoefstderrpvalk
s__Faecalibacterium_prausnitziis__Faecalibacterium_prausnitziiCRC-0.0283153990.0158949070.074844955
s__Streptococcus_salivariuss__Streptococcus_salivariusCRC-0.0149067750.0080807890.065078615
s__Ruminococcus_sp_5_1_39BFAAs__Ruminococcus_sp_5_1_39BFAACRC-0.0313343580.0139040210.024220195
s__Subdoligranulum_unclassifieds__Subdoligranulum_unclassifiedCRC-0.0012227390.0171398340.943127935
s__Bacteroides_stercoriss__Bacteroides_stercorisCRC0.0055730020.0083972790.506903115
s__Bifidobacterium_longums__Bifidobacterium_longumCRC-0.0205950000.0088931540.020567755

采用棒棒糖图（Lollipop Chart）可视化富集在不同组的差异物种。

pl <- ggplot(data = signif_res, aes(x = feature, y = coef, color = mycolor)) +
  geom_segment(aes(x = feature, xend = feature, y = 0, yend = coef), color = "grey") +
  geom_hline(yintercept = 0, linewidth = 0.1, linetype = 2) +
  geom_point(size = 4) +
  labs(x = "", y = "Maaslin2 (coef)") +
  coord_flip() +
  theme_light() +
  theme(
    #legend.position = "none",
    panel.grid.major.x = element_blank(),
    panel.border = element_blank(),
    axis.ticks.x = element_blank()
  )

pl

结果：5个研究荟萃分析筛选到的差异物种富集情况。Ruminococcus torques富集在CRC分组，这和Aging characteristics of colorectal cancer based on gut microbiota研究结果一致。

Eighty differential bacteria were screened out from the old group. Faecalibacterium prausnitzii, Eubacterium rectale, and Roseburia faecis were abundant in healthy individuals. Bacteroides vulgatus, Escherichia_coli, and Ruminococcus torques were enriched in CRC samples.

总结

MMUPHin是一款先进的统计分析工具，专为微生物组数据的批次效应校正而设计。它提供了一个强大的函数MMUPHin::adjust_batch，能够对来自不同数据源的批次效应进行有效校正，确保分析结果的准确性和可靠性。

在评估批次效应的过程中，MMUPHin结合了MicrobiomeAnalysis包中的多个函数，以实现全面和深入的分析。具体来说，MicrobiomeAnalysis::run_ord函数用于执行基于距离的排序分析，帮助我们理解样本间的相对位置关系；MicrobiomeAnalysis::plot_ord函数则用于绘制排序分析的结果图，直观展示样本间的分布和差异；而MicrobiomeAnalysis::run_PERMANOVA函数则用于评估样本间差异的统计显著性，进一步验证批次效应的影响。

在完成批次效应的评估和校正后，MMUPHin进一步提供了MMUPHin::lm_meta函数，用于进行荟萃分析。该函数能够整合多个研究的数据，通过线性模型综合评估不同研究间的效应大小和一致性，从而得到更为全面和可靠的结论。

参考

  • MMUPHin

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：http://www.coloradmin.cn/o/1989732.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【Vue3】Pinia getters

【Vue3】Pinia getters

【Vue3】Pinia getters 背景简介开发环境开发步骤及源码 背景 随着年龄的增长&#xff0c;很多曾经烂熟于心的技术原理已被岁月摩擦得愈发模糊起来&#xff0c;技术出身的人总是很难放下一些执念&#xff0c;遂将这些知识整理成文&#xff0c;以纪念曾经努力学习奋斗的日子。本…
阅读更多...
求职leetcode题目（6）

求职leetcode题目（6）

1.简化路径 解题思路: 根据题意&#xff0c;使用栈进行模拟即可。 具体的&#xff0c;从前往后处理 path&#xff0c;每次以 item 为单位进行处理&#xff08;有效的文件名&#xff09;&#xff0c;根据 item 为何值进行分情况讨论&#xff1a; item 为有效值 &#xff1a;存…
阅读更多...
AQS框架

AQS框架

文章目录 概要AQS概述公平锁与非公平锁原理可重入 概要 假设现在需要写一个SDK层面的锁&#xff0c;应该如何实现呢&#xff1f; 初步的思路如下&#xff1a; 搞一个状态标记&#xff0c;用来表示持有或未持有锁&#xff0c;但得是 volatile 类型的保证线程可见性。编写一个 …
阅读更多...
揭秘公司高效查快递的秘密武器

揭秘公司高效查快递的秘密武器

在快节奏的现代商务环境中&#xff0c;物流管理的效率直接关系到企业的运营成本和客户满意度。对于拥有大量快递业务往来的公司而言&#xff0c;如何快速、准确地追踪每一个包裹的物流信息&#xff0c;成为了一项至关重要的任务。今天&#xff0c;我们将揭秘一款公司高效查快递…
阅读更多...
智慧农场数字港系统设计与实现

智慧农场数字港系统设计与实现

1 项目介绍 1.1 摘要 农业是一个国家的根本之一&#xff0c;也是国家经济、社会发展的重中之重&#xff0c;从“粮食第一”方针到农业生产市场化&#xff0c;再到乡村振兴、加强扶持农业技术创新和基础建设&#xff0c;我国的农业发展以及走过了几个阶段&#xff0c;并一直在…
阅读更多...
Nature教你怎么用GPT做学术

Nature教你怎么用GPT做学术

ChatGPT如何助力学术写作&#xff1a;三个关键方式 生成性人工智能&#xff08;AI&#xff09;在近年来逐渐成为学术界的热门话题。Dritjon Gruda在2024年4月发表于《Nature》的一篇文章中&#xff0c;详细探讨了ChatGPT如何在学术写作、编辑和同行评审中提供帮助。这篇文章将…
阅读更多...
第R2周：Pytorch实现：LSTM-火灾温度预测

第R2周：Pytorch实现：LSTM-火灾温度预测

nn.LSTM() 函数详解 nn.LSTM 是 PyTorch 中用于创建长短期记忆&#xff08;Long Short-Term Memory&#xff0c;LSTM&#xff09;模型的类。LSTM 是一种循环神经网络&#xff08;Recurrent Neural Network&#xff0c;RNN&#xff09;的变体&#xff0c;用于处理序列数据&#…
阅读更多...
常见的框架漏洞

常见的框架漏洞

框架 Web框架(Web framework)或者叫做Web应⽤框架(Web application framework)&#xff0c;是⽤于 进⾏Web开发的⼀套软件架构。⼤多数的Web框架提供了⼀套开发和部署⽹站的⽅式。为Web的 ⾏为提供了⼀套⽀持⽀持的⽅法。使⽤Web框架&#xff0c;很多的业务逻辑外的功能不需要⾃…
阅读更多...
微步社区帖子中使用编码数据调戏吃瓜群众初探

微步社区帖子中使用编码数据调戏吃瓜群众初探

什么&#xff0c;居然有人在微步社区公然使用编码后的字符串调戏吃瓜群众。 在演练活动的的某一天&#xff0c;微步威胁情报社区突然流行多重编码后内容的帖子。作者本着为人民群众利益着想的目的&#xff0c;结合毕生所学&#xff0c;决定要将这些奇技淫巧和小把戏公之于众。…
阅读更多...
R 语言学习教程，从入门到精通，R 判断语句（7）

R 语言学习教程，从入门到精通，R 判断语句（7）

1、R 判断语句 判断结构要求程序员指定一个或多个要评估或测试的条件&#xff0c;以及条件为真时要执行的语句&#xff08;必需的&#xff09;和条件为假时要执行的语句&#xff08;可选的&#xff09;。 下面是大多数编程语言中典型的判断结构的一般形式&#xff1a; R 语言…
阅读更多...
嵌入式linux系统中USART应用实现

嵌入式linux系统中USART应用实现

各位开发者大家好，今天主要给大家分享一下，如何在linux系统中使用UART串口的功能。 第一：串口的作用 UART：通用异步收发器简称串口。常用的调试：移植u-boot、内核时，主要使用串口查看打印信息。也可以外接各种模块。 第二：linux系统中的串口 接下来，我们来看一下，linu…
阅读更多...
达梦数据库的系统视图v$mem_heap

达梦数据库的系统视图v$mem_heap

达梦数据库的系统视图v$mem_heap 达梦数据库的V$MEM_HEAP视图提供了关于内存堆的信息&#xff0c;仅当系统启动时 MEMORY_LEAK_CHECK 为 1 时有效。这个视图通常包含内存堆的使用情况&#xff0c;包括堆的大小、已使用空间、空闲空间等。通过查询V$MEM_HEAP视图&#xff0c;用…
阅读更多...
图书馆座位再利用小程序的设计

图书馆座位再利用小程序的设计

管理员账户功能包括&#xff1a;系统首页&#xff0c;个人中心&#xff0c;用户管理&#xff0c;座位信息管理&#xff0c;座位预订管理&#xff0c;互勉信息管理&#xff0c;意见反馈管理&#xff0c;系统管理 微信端账号功能包括&#xff1a;系统首页&#xff0c;我的 开发…
阅读更多...
[算法]第一集 递归(未完待续)

[算法]第一集 递归(未完待续)

递归啊递归&#xff0c;说简单简单&#xff0c;说难难。 首先我们要知道 一、什么是递归&#xff1f; 我们再C语言和数据结构里都用了不少递归&#xff0c;这里就不多详细介绍。 递归简单来说就是函数自己调用自己的情况 二、为什么要用递归呢&#xff1f; 本质来说其实就…
阅读更多...
GIS赋能数字经济的地理脉络

GIS赋能数字经济的地理脉络

在全球数字化转型的洪流中&#xff0c;数字经济以其惊人的速度与规模&#xff0c;重塑全球经济格局&#xff0c;成为推动社会进步的关键力量。地理信息系统&#xff08;GIS&#xff09;在数字经济的浪潮中扮演着不可替代的角色&#xff0c;它不仅是数字空间信息的集大动脉&…
阅读更多...
用户管理①

用户管理①

&#x1f4d1;打牌 &#xff1a; da pai ge的个人主页 &#x1f324;️个人专栏 &#xff1a; da pai ge的博客专栏 ☁️宝剑锋从磨砺出&#xff0c;梅花香自苦寒来 ☁️运维工程师的职责&#xff1a;监…
阅读更多...
Vue.js 3.x 必修课｜009｜Watch API：响应式数据的侦听器（必读+实操）

Vue.js 3.x 必修课｜009｜Watch API：响应式数据的侦听器（必读+实操）

欢迎关注公众号：CodeFit。 创作不易，如果你觉得这篇文章对您有帮助，请不要忘了 点赞、分享 和 关注，为我的 持续创作 提供 动力！ 欢迎订阅《Vue 3.x 必修课｜ 2024》：http://t.csdnimg.cn/hHRrM 精品内容，物超所值（9.9 元，20+篇内容）。 1. 引言 在 Vue3 的 Composit…
阅读更多...
基于 JWT 的模拟登录爬取实战

基于 JWT 的模拟登录爬取实战

准备工作 1. 了解 JWT 相关知识 2. 安装 requests 库&#xff0c;并了解其基本使用 案例介绍 爬取网站&#xff1a; https://login3.scrape.center/ 用户名和密码是&#xff1a; admin 模拟登录 基于 JWT 的网站通常采用的是前后端分离式&#xff0c; 前后端的数据传输依…
阅读更多...
【C++高阶】：自定义删除器的全面探索

【C++高阶】：自定义删除器的全面探索

✨ 我凌于山壑万里&#xff0c;一生自由随风起 &#x1f30f; &#x1f4c3;个人主页&#xff1a;island1314 &#x1f525;个人专栏&#xff1a;C学习 &#x1f680; 欢迎关注&#xff1a;&#x1f44d;点赞 &#x1f442;&am…
阅读更多...
观测维度过大的一种ceres求解优化思路

观测维度过大的一种ceres求解优化思路

详见 文章 这个优化如此重要&#xff0c;以至于需要单列一个文章。 使用场景&#xff1a; 比如lidar SLAM中优化点到面的距离&#xff0c;如果多个点关联到同一个面&#xff0c;那么就可以利用矩阵批量运算&#xff0c;假如有N个点&#xff0c;那么可以用一个factor来代替N个f…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023