SCS【33】单细胞转录之全自动超快速的细胞类型鉴定 (ScType)

news2024/11/25 20:35:45

‍

‍f805e0939b622366736e8fd3fbbc7807.png

单细胞生信分析教程

桓峰基因公众号推出单细胞生信分析教程并配有视频在线教程，目前整理出来的相关教程目录如下：

Topic 6. 克隆进化之 Canopy

Topic 7. 克隆进化之 Cardelino

Topic 8. 克隆进化之 RobustClone

SCS【1】今天开启单细胞之旅，述说单细胞测序的前世今生

SCS【2】单细胞转录组 之 cellranger

SCS【3】单细胞转录组数据 GEO 下载及读取

SCS【4】单细胞转录组数据可视化分析 (Seurat 4.0)

SCS【5】单细胞转录组数据可视化分析 (scater)

SCS【6】单细胞转录组之细胞类型自动注释 (SingleR)

SCS【7】单细胞转录组之轨迹分析 (Monocle 3) 聚类、分类和计数细胞

SCS【8】单细胞转录组之筛选标记基因 (Monocle 3)

SCS【9】单细胞转录组之构建细胞轨迹 (Monocle 3)

SCS【10】单细胞转录组之差异表达分析 (Monocle 3)

SCS【11】单细胞ATAC-seq 可视化分析 (Cicero)

SCS【12】单细胞转录组之评估不同单细胞亚群的分化潜能 (Cytotrace)

SCS【13】单细胞转录组之识别细胞对“基因集”的响应 (AUCell)

SCS【14】单细胞调节网络推理和聚类 (SCENIC)

SCS【15】细胞交互：受体-配体及其相互作用的细胞通讯数据库 (CellPhoneDB)

SCS【16】从肿瘤单细胞RNA-Seq数据中推断拷贝数变化 (inferCNV)

SCS【17】从单细胞转录组推断肿瘤的CNV和亚克隆 (copyKAT)

SCS【18】细胞交互：受体-配体及其相互作用的细胞通讯数据库 (iTALK)

SCS【19】单细胞自动注释细胞类型 (Symphony)

SCS【20】单细胞数据估计组织中细胞类型(Music)

SCS【21】单细胞空间转录组可视化 (Seurat V5)

SCS【22】单细胞转录组之 RNA 速度估计 (Velocyto.R)

SCS【23】单细胞转录组之数据整合 (Harmony)

SCS【24】单细胞数据量化代谢的计算方法 (scMetabolism)

SCS【25】单细胞细胞间通信第一部分细胞通讯可视化（CellChat）

SCS【26】单细胞细胞间通信第二部分通信网络的系统分析（CellChat）

SCS【27】单细胞转录组之识别标记基因 （scran）

SCS【28】单细胞转录组加权基因共表达网络分析(hdWGCNA)

SCS【29】单细胞基因富集分析 (singleseqgset)

SCS【30】单细胞空间转录组学数据库(STOmics DB)

SCS【31】减少障碍，加速单细胞研究数据库(Single Cell PORTAL)

SCS【32】基于scRNA-seq数据中推断单细胞的eQTLs (eQTLsingle)

简介

细胞群的鉴定通常依赖于使用已建立的标记基因对细胞簇进行人工注释。然而，标记基因的选择是一个耗时的过程，可能导致次优注释，因为标记必须提供样本中存在的单个细胞簇和各种细胞类型的信息。在这里，我们开发了一个计算平台 ScType 能够完全自动化和超快速的细胞类型鉴定，仅基于给定的 scRNA-seq 数据，以及一个全面的细胞标记数据库作为背景信息。利用来自不同人类和小鼠组织的6个 scRNA-seq 数据集，我们展示了 ScType 如何通过保证阳性和阴性标记基因在细胞簇和细胞类型中的特异性来提供公正和准确的细胞类型注释。还展示了 ScType 如何基于单核苷酸变体的单细胞呼叫来区分健康和恶性细胞群，使其成为抗癌应用的通用工具。这种广泛适用的方法既可以作为交互式web工具(https://sctype.app)部署，也可以利用R包ScType。

44edacdf0a8855dfa8a398a0c1b822e9.png

ScType只需要原始或预处理的单细胞转录组学数据集作为输入。ScType在需要的地方实现了额外的质量控制和规范化步骤的选项，随后是基于scRNA-seq谱的无监督细胞聚类。这里的结果是基于鲁汶聚类;然而，SC3, DBSCAN, GiniClust和k-means聚类选项也可以在ScType中使用(参见方法)。，ScType使用内置的综合标记数据库执行全自动细胞类型注释。最后，ScType实现了体细胞单细胞SNV Calling 的新选项，以区分健康和恶性细胞群。

cf7c9f2b1de838307a92a4fd05c679ce.png

软件包安装

这个代码并未打包成 R包，只需要在 https://github.com/IanevskiAleksandr/sc-type 上下载代码，然后解压之后找到对应的脚本和测试数据即可：

BiocManager::install("HGNChelper")
lapply(c("dplyr", "HGNChelper", "openxlsx"), library, character.only = T)
## [[1]]
## [1] "dplyr"     "stats"     "graphics"  "grDevices" "utils"     "datasets" 
## [7] "methods"   "base"     
## 
## [[2]]
## [1] "HGNChelper" "dplyr"      "stats"      "graphics"   "grDevices" 
## [6] "utils"      "datasets"   "methods"    "base"      
## 
## [[3]]
##  [1] "openxlsx"   "HGNChelper" "dplyr"      "stats"      "graphics"  
##  [6] "grDevices"  "utils"      "datasets"   "methods"    "base"
# BiocManager::install('HGNChelper')
library(knitr)
library(Seurat)
options(Seurat.object.assay.version = "v5")
source("./sc-type-master/R/gene_sets_prepare.R")
source("./sc-type-master/R/sctype_score_.R")

b13ab461dcab04716eabc7b0cc598dd9.png

数据读取

数据读取很简单一个就是scRNAD-SEQ测序的原始数据，一个就是软件包的建好的数据库，用于注释的细胞类型和数据比较。

# get cell-type-specific gene sets from our in-built database (DB)
gs_list = gene_sets_prepare("./sc-type-master/ScTypeDB_short.xlsx", "Immune system") # e.g. Immune system, Liver, Pancreas, Kidney, Eye, Brain

# assign cell types
scRNAseqData = readRDS('./sc-type-master/exampleData.RDS'); #load example scRNA-seq matrix
kable(scRNAseqData[1:5,1:5])

AAACATACAACCAC-1AAACATTGAGCTAC-1AAACATTGATCAGC-1AAACCGTGCTTCCG-1AAACCGTGTATGCG-1
PPBP-0.1429670-0.1429670-0.14296702.9146182-0.1429670
S100A9-0.6451891-0.6451891-0.64518911.4654437-0.6451891
IGLL5-0.1842098-0.1842098-0.1842098-0.1842098-0.1842098
LYZ-0.11033110.06193810.07916761.4103825-0.9725269
GNLY-0.4072929-0.40729290.7591113-0.40729292.4101548

实例操作

快速启动

若我们有准备好的scRNAseqData就可以快速计算，若没有就看参看下面的方式一步一步进行分析。

es.max = sctype_score(scRNAseqData = scRNAseqData, scaled = TRUE, gs = gs_list$gs_positive,
    gs2 = gs_list$gs_negative)

# View results, cell-type by cell matrix. See the complete example below
kable(es.max[1:5, 1:5])

AAACATACAACCAC-1AAACATTGAGCTAC-1AAACATTGATCAGC-1AAACCGTGCTTCCG-1AAACCGTGTATGCG-1
Pro-B cells-0.83486171.584958-0.83486170.2924729-0.8348617
Pre-B cells-0.83948491.774219-0.83948490.3781757-0.8394849
Immature B cells-0.91723712.177044-0.85981320.5378010-1.1785085
Naive B cells-1.03755022.540720-1.0375502-0.0433344-1.0375502
Memory B cells-1.03755022.540720-1.0375502-0.0433344-1.0375502

细胞类型注释

加载数据并行性整理

首先，让加载一个PBMC3k示例数据集(有关如何使用Seurat加载数据集的更多细节，请参阅Seurat教程，https://satijalab.org/seurat/articles/pbmc3k_tutorial.html)。

原始数据可以在这里找到　https://cf.10xgenomics.com/samples/cell/pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz

接下来，让我们对数据进行规范化和聚类。

# Load the PBMC dataset
pbmc.data <- Read10X(data.dir = "./sc-type-master/filtered_gene_bc_matrices/hg19/")
# Initialize the Seurat object with the raw (non-normalized data).
pbmc <- CreateSeuratObject(counts = pbmc.data, project = "pbmc3k", min.cells = 3,
    min.features = 200)

# normalize data
pbmc[["percent.mt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")
# pbmc <- subset(pbmc, subset = nFeature_RNA > 200 & nFeature_RNA < 2500 &
# percent.mt < 5) # make some filtering based on QC metrics visualizations, see
# Seurat tutorial: https://satijalab.org/seurat/articles/pbmc3k_tutorial.html
pbmc <- NormalizeData(pbmc, normalization.method = "LogNormalize", scale.factor = 10000)
pbmc <- FindVariableFeatures(pbmc, selection.method = "vst", nfeatures = 2000)

# scale and run PCA
pbmc <- ScaleData(pbmc, features = rownames(pbmc))
pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))

# Check number of PC components (we selected 10 PCs for downstream analysis,
# based on Elbow plot)
ElbowPlot(pbmc)

c63c79d7843aff31bcade55b1b0b7701.png

# cluster and visualize
pbmc <- FindNeighbors(pbmc, dims = 1:10)
pbmc <- FindClusters(pbmc, resolution = 0.8)
## Modularity Optimizer version 1.3.0 by Ludo Waltman and Nees Jan van Eck
## 
## Number of nodes: 2700
## Number of edges: 97892
## 
## Running Louvain algorithm...
## Maximum modularity in 10 random starts: 0.8314
## Number of communities: 11
## Elapsed time: 0 seconds
pbmc <- RunUMAP(pbmc, dims = 1:10)
DimPlot(pbmc, reduction = "umap")

236b9c2d3d857e7d6f744c6bc2a3cbdc.png

细胞类型比对

接下来，让我们从输入细胞标记文件中准备基因集。默认情况下，我们使用内置的单细胞标记DB，但是，您可以随意使用自己的数据。只需准备一个与DB文件格式相同的输入XLSX文件。DB文件应包含四列(tissueType -组织类型，cellName -细胞类型，geneSymbolmore1 -阳性标记基因，geneSymbolmore2 -不期望由细胞类型表达的标记基因)

# DB file
db_ = "./sc-type-master/ScTypeDB_full.xlsx"
tissue = "Immune system"  # e.g. Immune system,Pancreas,Liver,Eye,Kidney,Brain,Lung,Adrenal,Heart,Intestine,Muscle,Placenta,Spleen,Stomach,Thymus 

# prepare gene sets
gs_list = gene_sets_prepare(db_, tissue)

最后，让我们为每个集群分配细胞类型: 这里需要注意一下，因为我是用library(Seurat)　options(Seurat.object.assay.version = 'v5')，因此再提前ｐｂｍｃ的数据时稍有变化原始使用的是“pbmc[["RNA"]]＠scale.data”　，现在改为　pbmc[["RNA"]]$scale.data就不报错，如有保存的都类似改过来即可。

# get cell-type by cell matrix
es.max = sctype_score(scRNAseqData = pbmc[["RNA"]]$scale.data, scaled = TRUE, gs = gs_list$gs_positive,
    gs2 = gs_list$gs_negative)

# NOTE: scRNAseqData parameter should correspond to your input scRNA-seq
# matrix.  In case Seurat is used, it is either pbmc[['RNA']]$scale.data
# (default), pbmc[['SCT']]$scale.data, in case sctransform is used for
# normalization, or pbmc[['integrated']]$scale.data, in case a joint analysis
# of multiple single-cell datasets is performed.

# merge by cluster
cL_resutls = do.call("rbind", lapply(unique(pbmc@meta.data$seurat_clusters), function(cl) {
    es.max.cl = sort(rowSums(es.max[, rownames(pbmc@meta.data[pbmc@meta.data$seurat_clusters ==
        cl, ])]), decreasing = !0)
    head(data.frame(cluster = cl, type = names(es.max.cl), scores = es.max.cl, ncells = sum(pbmc@meta.data$seurat_clusters ==
        cl)), 10)
}))
sctype_scores = cL_resutls %>%
    group_by(cluster) %>%
    top_n(n = 1, wt = scores)

# set low-confident (low ScType score) clusters to 'unknown'
sctype_scores$type[as.numeric(as.character(sctype_scores$scores)) < sctype_scores$ncells/4] = "Unknown"
print(sctype_scores[, 1:3])
## # A tibble: 11 × 3
## # Groups:   cluster [11]
##    cluster type                    scores
##    <fct>   <chr>                    <dbl>
##  1 1       Memory CD4+ T cells      498. 
##  2 2       Naive B cells           1172. 
##  3 7       Non-classical monocytes  532. 
##  4 8       Natural killer  cells    631. 
##  5 3       CD8+ NKT-like cells      573. 
##  6 6       Naive CD8+ T cells        72.8
##  7 0       Naive CD8+ T cells       444. 
##  8 4       Classical Monocytes      680. 
##  9 5       Classical Monocytes      574. 
## 10 9       Myeloid Dendritic cells  181. 
## 11 10      Platelets                284.

我们还可以将识别的细胞类型叠加在UMAP图上:

pbmc@meta.data$customclassif = ""
for (j in unique(sctype_scores$cluster)) {
    cl_type = sctype_scores[sctype_scores$cluster == j, ]
    pbmc@meta.data$customclassif[pbmc@meta.data$seurat_clusters == j] = as.character(cl_type$type[1])
}

DimPlot(pbmc, reduction = "umap", label = TRUE, repel = TRUE, group.by = "customclassif")

45f59bbee93e13ce598f0db00fc981ef.png

绘制气泡图

此外，还可以看到一个气泡图，显示ScType为集群注释考虑的所有单细胞类型。外部(灰色)气泡对应于每个簇(气泡越大，簇中的细胞越多)，而内部气泡对应于每个簇考虑的细胞类型，最大的气泡对应于指定的细胞类型。

# load libraries
lapply(c("ggraph", "igraph", "tidyverse", "data.tree"), library, character.only = T)
## [[1]]
##  [1] "ggraph"       "ggplot2"      "Seurat"       "SeuratObject" "sp"          
##  [6] "knitr"        "openxlsx"     "HGNChelper"   "dplyr"        "stats"       
## [11] "graphics"     "grDevices"    "utils"        "datasets"     "methods"     
## [16] "base"        
## 
## [[2]]
##  [1] "igraph"       "ggraph"       "ggplot2"      "Seurat"       "SeuratObject"
##  [6] "sp"           "knitr"        "openxlsx"     "HGNChelper"   "dplyr"       
## [11] "stats"        "graphics"     "grDevices"    "utils"        "datasets"    
## [16] "methods"      "base"        
## 
## [[3]]
##  [1] "lubridate"    "forcats"      "stringr"      "purrr"        "readr"       
##  [6] "tidyr"        "tibble"       "tidyverse"    "igraph"       "ggraph"      
## [11] "ggplot2"      "Seurat"       "SeuratObject" "sp"           "knitr"       
## [16] "openxlsx"     "HGNChelper"   "dplyr"        "stats"        "graphics"    
## [21] "grDevices"    "utils"        "datasets"     "methods"      "base"        
## 
## [[4]]
##  [1] "data.tree"    "lubridate"    "forcats"      "stringr"      "purrr"       
##  [6] "readr"        "tidyr"        "tibble"       "tidyverse"    "igraph"      
## [11] "ggraph"       "ggplot2"      "Seurat"       "SeuratObject" "sp"          
## [16] "knitr"        "openxlsx"     "HGNChelper"   "dplyr"        "stats"       
## [21] "graphics"     "grDevices"    "utils"        "datasets"     "methods"     
## [26] "base"

# prepare edges
cL_resutls = cL_resutls[order(cL_resutls$cluster), ]
edges = cL_resutls
edges$type = paste0(edges$type, "_", edges$cluster)
edges$cluster = paste0("cluster ", edges$cluster)
edges = edges[, c("cluster", "type")]
colnames(edges) = c("from", "to")
rownames(edges) <- NULL

# prepare nodes
nodes_lvl1 = sctype_scores[, c("cluster", "ncells")]
nodes_lvl1$cluster = paste0("cluster ", nodes_lvl1$cluster)
nodes_lvl1$Colour = "#f1f1ef"
nodes_lvl1$ord = 1
nodes_lvl1$realname = nodes_lvl1$cluster
nodes_lvl1 = as.data.frame(nodes_lvl1)
nodes_lvl2 = c()
ccolss = c("#5f75ae", "#92bbb8", "#64a841", "#e5486e", "#de8e06", "#eccf5a", "#b5aa0f",
    "#e4b680", "#7ba39d", "#b15928", "#ffff99", "#6a3d9a", "#cab2d6", "#ff7f00",
    "#fdbf6f", "#e31a1c", "#fb9a99", "#33a02c", "#b2df8a", "#1f78b4", "#a6cee3")
for (i in 1:length(unique(cL_resutls$cluster))) {
    dt_tmp = cL_resutls[cL_resutls$cluster == unique(cL_resutls$cluster)[i], ]
    nodes_lvl2 = rbind(nodes_lvl2, data.frame(cluster = paste0(dt_tmp$type, "_",
        dt_tmp$cluster), ncells = dt_tmp$scores, Colour = ccolss[i], ord = 2, realname = dt_tmp$type))
}
nodes = rbind(nodes_lvl1, nodes_lvl2)
nodes$ncells[nodes$ncells < 1] = 1
files_db = openxlsx::read.xlsx(db_)[, c("cellName", "shortName")]
files_db = unique(files_db)
nodes = merge(nodes, files_db, all.x = T, all.y = F, by.x = "realname", by.y = "cellName",
    sort = F)
nodes$shortName[is.na(nodes$shortName)] = nodes$realname[is.na(nodes$shortName)]
nodes = nodes[, c("cluster", "ncells", "Colour", "ord", "shortName", "realname")]

mygraph <- graph_from_data_frame(edges, vertices = nodes)

# Make the graph
gggr <- ggraph(mygraph, layout = "circlepack", weight = I(ncells)) + geom_node_circle(aes(filter = ord ==
    1, fill = I("#F5F5F5"), colour = I("#D3D3D3")), alpha = 0.9) + geom_node_circle(aes(filter = ord ==
    2, fill = I(Colour), colour = I("#D3D3D3")), alpha = 0.9) + theme_void() + geom_node_text(aes(filter = ord ==
    2, label = shortName, colour = I("#ffffff"), fill = "white", repel = !1, parse = T,
    size = I(log(ncells, 25) * 1.5))) + geom_node_label(aes(filter = ord == 1, label = shortName,
    colour = I("#000000"), size = I(3), fill = "white", parse = T), repel = !0, segment.linetype = "dotted")
gggr

f6f8e0d801ab3b3722508a0e1d443850.png

绘制聚类图

DimPlot(pbmc, reduction = "umap", label = TRUE, repel = TRUE, cols = ccolss)

35ffe867fb70655dae5133cbc9e038e7.png

Automatically detect a tissue type of the dataset

此外，如果输入数据集的组织类型未知，ScType提供了自动猜测组织类型的功能。

# load auto-detection function
source("./sc-type-master/R/auto_detect_tissue_type.R")
db_ = "./sc-type-master/ScTypeDB_full.xlsx"

# guess a tissue type
tissue_guess = auto_detect_tissue_type(path_to_db_file = db_, seuratObject = pbmc,
    scaled = TRUE, assay = "RNA")  # if saled = TRUE, make sure the data is scaled, as seuratObject[[assay]]@scale.data is used. If you just created a Seurat object, without any scaling and normalization, set scaled = FALSE, seuratObject[[assay]]@counts will be used         
## [1] "Checking...Immune system"
## [1] "Checking...Pancreas"
## [1] "Checking...Liver"
## [1] "Checking...Eye"
## [1] "Checking...Kidney"
## [1] "Checking...Brain"
## [1] "Checking...Lung"
## [1] "Checking...Adrenal"
## [1] "Checking...Heart"
## [1] "Checking...Intestine"
## [1] "Checking...Muscle"
## [1] "Checking...Placenta"
## [1] "Checking...Spleen"
## [1] "Checking...Stomach"
## [1] "Checking...Thymus"

62144ddd6208c1a38d4f598719a2eff1.png

还有在线的方式，很简单，这个使用方法可以关注桓峰基因视频号，抖音，B站，搜索“桓峰基因”即可找到相应教程。

Reference

  1. Ianevski, A., Giri, A.K. & Aittokallio, T. Fully-automated and ultra-fast cell-type identification using specific marker combinations from single-cell transcriptomic data. Nat Commun 13, 1246 (2022). https://doi.org/10.1038/s41467-022-28803-w

利用这个软件包实现了全自动化快速很快细胞类型注释，但是从rowdata开始做还是要求有一定生信分析基础的，有需求的老师可以联系桓峰基因，关注桓峰基因公众号，轻松学生信，高效发文章！

桓峰基因，铸造成功的您！

未来桓峰基因公众号将不间断的推出单细胞系列生信分析教程，

敬请期待！！

桓峰基因官网正式上线，请大家多多关注，还有很多不足之处，大家多多指正！

http://www.kyohogene.com/

桓峰基因和投必得合作，文章润色优惠85折，需要文章润色的老师可以直接到网站输入领取桓峰基因专属优惠券码：KYOHOGENE，然后上传，付款时选择桓峰基因优惠券即可享受85折优惠哦！https://www.topeditsci.com/

0feb625e949a7fba73c600420ce4e059.png

‍

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/973610.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

Windows中多线程的基础知识——1互斥对象

Windows中多线程的基础知识——1互斥对象

目录 1 多线程的基本概念1.1 进程一、程序和进程的概念二、进程组成三、进程地址空间 1.2 线程一、线程组成二、线程运行三、线程创建函数 1.3 多进程与多线程并发一、多进程并发二、多线程并发 2 线程同步2.1 一个经典的线程同步问题2.2 利用互斥对象实现线程同步一、创建互斥…
阅读更多...
【英文文章总结】数据管理指南系列：渐进式数据库设计

【英文文章总结】数据管理指南系列：渐进式数据库设计

原文连接&#xff1a;系列https://martinfowler.com/data/https://martinfowler.com/data/ Evolutionary Database Design (martinfowler.com) 架构的进化。如何允许更改架构并轻松迁移现有数据&#xff1f; 如何应对项目的变动 迭代开发&#xff1a;很长一段时间人们把数据…
阅读更多...
《人生苦短——我学Python》条件判断-＞双向选择（if--else）

《人生苦短——我学Python》条件判断-＞双向选择（if--else）

今天我们来学习双向选择判断。顾名思义&#xff0c;双向就是两种选择选其一&#xff0c;即if----else。如果If的条件不成立&#xff0c;则执行else下的语句&#xff0c;否则执行if下面的语句。显然&#xff0c;它们是互斥的&#xff01;下面就让我们来详细看看吧&#xff01; 文…
阅读更多...
FastViT实战：使用FastViT实现图像分类任务（一）

FastViT实战：使用FastViT实现图像分类任务（一）

文章目录 摘要安装包安装timm安装 grad-cam安装mmcv 数据增强Cutout和MixupEMA项目结构计算mean和std生成数据集补充一个知识点&#xff1a;torch.jit两种保存方式 摘要 论文翻译&#xff1a;https://wanghao.blog.csdn.net/article/details/132407722?spm1001.2014.3001.550…
阅读更多...
国内 11 家通过备案的 AI 大模型产品

国内 11 家通过备案的 AI 大模型产品

国内 11 家通过《生成式人工智能服务管理暂行办法》备案的 AI 大模型产品将陆续上线。 一、北京5家 1、百度的 “文心一言”https://yiyan.baidu.com 2、抖音的 “云雀”&#xff0c;基于云雀大模型开发的 AI 机器人 “豆包” 开始小范围邀请测试。用户可通过手机号、抖音或…
阅读更多...
数据结构:栈的实现

数据结构:栈的实现

1. 栈(Stack) 1.1 栈的概念 栈(Stack)是只允许在一端进行插入或删除操作的线性表.首先栈是一种线性表,但限定这种线性表只能在某一端进行插入和删除操作.进行数据插入和删除操作的一端叫栈顶,另一端称为栈底.栈中的元素遵循后进先出LIFO(Last In First Out)的原则 压栈:栈的插…
阅读更多...
【论文投稿】图形学论文投稿去向

【论文投稿】图形学论文投稿去向

如果您想投稿关于网格几何处理的论文&#xff0c;以下是一些知名的学术会议和期刊&#xff0c;您可以考虑将您的研究成果提交到这些地方&#xff1a; 学术会议&#xff1a; SIGGRAPH&#xff1a;SIGGRAPH会议是计算机图形学领域最重要的会议之一&#xff0c;接收与图形学和交互…
阅读更多...
力扣：86. 分隔链表（Python3）

力扣：86. 分隔链表（Python3）

题目&#xff1a; 给你一个链表的头节点 head 和一个特定值 x &#xff0c;请你对链表进行分隔&#xff0c;使得所有 小于 x 的节点都出现在 大于或等于 x 的节点之前。 你应当 保留 两个分区中每个节点的初始相对位置。 来源&#xff1a;力扣&#xff08;LeetCode&#xff09;…
阅读更多...
2023-9-4 快速幂

2023-9-4 快速幂

题目链接&#xff1a;快速幂 #include <iostream> #include <algorithm>using namespace std;typedef long long LL;LL qmi(int a, int k, int p) {LL res 1;while(k){if(k & 1) res (LL) res * a % p;k >> 1;a (LL) a * a % p;}return res; }int mai…
阅读更多...
羊城杯2023 部分wp

羊城杯2023 部分wp

目录 D0nt pl4y g4m3!!!(php7.4.21源码泄露&pop链构造) Serpent(pickle反序列化&python提权) ArkNights(环境变量泄露) Ez_misc(win10sinpping_tools恢复) D0nt pl4y g4m3!!!(php7.4.21源码泄露&pop链构造) 访问/p0p.php 跳转到了游戏界面 应该是存在302跳转…
阅读更多...
如何高效的解析Json？

如何高效的解析Json？

Json介绍 Json是一种数据格式&#xff0c;广泛应用在需要数据交互的场景Json由键值对组成每一个键值对的key是字符串类型每一个键值对的value是值类型(boo1值数字值字符串值)Array类型object类型Json灵活性他可以不断嵌套&#xff0c;数组的每个元素还可以是数组或者键值对键值…
阅读更多...
Kubernetes v1.25.0集群搭建实战案例(新版本含Docker容器运行时)

Kubernetes v1.25.0集群搭建实战案例(新版本含Docker容器运行时)

k8s 1.24之后弃用了docker容器运行时&#xff0c;安装方式上有所不同&#xff0c;网上找到的大多数都是1.24之前的版本。所以把自己搭建的完整过程记录下来供大家参考。 一、前言 k8s的部署方式有多种kubeadm、kind、minikube、Kubespray、kops等本文介绍官方推荐的kubeadm的…
阅读更多...
Python入门学习12

Python入门学习12

一、Python包 什么是Python包 从物理上看&#xff0c;包就是一个文件夹&#xff0c;在该文件夹下包含了一个 __init__.py 文件&#xff0c;该文件夹可用于包含多个模块文件。从逻辑上看&#xff0c;包的本质依然是模块 包的作用: 当我们的模块文件越来越多时,包可以帮助我们管…
阅读更多...
arco-design-vue的tree组件实现右击事件

arco-design-vue的tree组件实现右击事件

arco-design-vue的tree组件实现右击事件 业务中需要使用到tree组件&#xff0c;并且还要对tree实现自定义鼠标右击事件。在arco-design-vue的文档中&#xff0c;可以明确的看到&#xff0c;tree组件并没有右击事件的相关回调&#xff0c;那要如何实现呢&#xff1f;&#xff1f…
阅读更多...
10 和为K的子数组

10 和为K的子数组

和为K的子数组 题解1 前缀和&#xff08;哈希表&#xff09;题解2 暴力枚举(没过) 给你一个整数数组 nums 和一个整数 k &#xff0c;请你统计并返回 该数组中和为 k 的 连续子数组的个数 。 示例 1&#xff1a; 输入&#xff1a;nums [1,1,1], k 2 输出&#xff1a;2示例…
阅读更多...
字节二面：如果高性能渲染十万条数据？

字节二面：如果高性能渲染十万条数据？

前言 最近博主在字节面试中遇到这样一个面试题&#xff0c;这个问题也是前端面试的高频问题&#xff0c;作为一名前端开发工程师&#xff0c;我们虽然可能很少会遇到后端返回十万条数据的情况&#xff0c;但是了解掌握如何处理这种情况&#xff0c;能让你对前端性能优化有更深的…
阅读更多...
【力扣每日一题】2023.9.4 序列化和反序列化二叉搜索树

【力扣每日一题】2023.9.4 序列化和反序列化二叉搜索树

目录 题目&#xff1a; 示例&#xff1a; 分析&#xff1a; 代码&#xff1a; 题目&#xff1a; 示例&#xff1a; 分析&#xff1a; 题目给我们一棵搜索二叉树&#xff0c;要我们将这棵二叉树转变为字符串&#xff0c;同时我们需要根据字符串再变回二叉树&#xff0c;具体…
阅读更多...
外贸开发信这么写，效果更好

外贸开发信这么写，效果更好

很多小伙伴说好像现在无论是精准的发送开发信还是群发邮件&#xff0c;似乎效果都没有以往那么好&#xff0c; 虽然现在的开信已经从简单的纯文字书写改到了图文并茂&#xff0c;也从只介绍自己公司的产品实力晋升到对目标客户的分析探寻&#xff0c; 虽然找到了很多对口的邮…
阅读更多...
智慧农旅数字农旅

智慧农旅数字农旅

智慧农旅|数字农旅|智慧文旅|智慧农旅平台|数字农旅平台|产业大脑|农业产业大脑|智慧农业|农业可视化|高标准农田|高标准产业园|数字农业大脑|大棚可视化|大棚物联管控|大棚数字孪生管控|大田物联管控|数字农业|数字乡村|数字乡村可视化|数字农业研学|数字大棚|智慧大棚|农业数…
阅读更多...
RHCA之路---EX280(6)

RHCA之路---EX280(6)

RHCA之路—EX280(6) 1. 题目 Create an application greeter in the project samples which uses the Docker image registry.lab.example.com/openshift/hello-openshift so that it is reachable at the following address only: https://greeter.apps.lab.example.com (Not…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023