为什么有的基因组拼不出来？为什么有的突变二代测序永远看不见？答案可能藏在‘读长’里。

在生命科学领域，测序技术的发展就像计算机芯片一样日新月异。从最早的一代测序（Sanger），到广泛应用的二代测序（NGS），再到如今的第三代测序（long-read sequencing），每一次迭代都在推动基因组学和转录组学研究进入新阶段。

今天，我们将重点介绍三代测序技术，并深入探讨 PacBio 与 Nanopore 两大平台，同时对比二代测序，帮助你快速了解它们的优势与局限。

1.三代测序是什么

第三代测序指能对单个未扩增的 DNA 或 RNA 分子进行直接测序的技术，能够产生千到上万碱基甚至更长的连续读长，常见实现包括纳米孔测序（Oxford Nanopore Technologies，ONT）和单分子实时测序（Pacific Biosciences，PacBio）的 HiFi/SMRT。

三代测序与二代测序比较：

简单来说，二代测序擅长“大规模并行短读长测序”，而三代测序则擅长“单分子长读长测序”。

2.三代测序的两大主流平台

2.1 PacBio：高准确率的长读长

PacBio 的核心技术是 单分子实时测序（SMRT），由美国太平洋生物科学公司（Pacific Biosciences）开发。PacBio SMRT / HiFi（Circular Consensus Sequencing, CCS）：单个 DNA 分子被做成环状模板，在酶驱动下重复读多个循环，生成多次覆盖同一分子后合并成高精度的 HiFi 读（既长又高准）。HiFi 读的准确率可以达到短读长可比的水平（>99%）。

2.1.1 测序原理

PacBio 的测序过程可以形象地理解为“观察 DNA 聚合酶跳舞”：

• 零模波导孔（ZMW）：每个 ZMW 孔只允许单个 DNA 分子进入，背景噪音极低。
• 荧光标记的核苷酸：四种碱基（A、T、C、G）分别标记不同颜色的荧光。
• 实时监测：当聚合酶将荧光标记的碱基掺入 DNA 链时，会发出特定颜色的光信号，实时记录碱基序列。

2.1.2 特点

• 读长：可达 10 kb–100 kb
• 准确率：HiFi 模式下 >99.9%，和 Illumina 短读长相媲美
• 应用：基因组组装、结构变异检测、全长转录本测序

如果说三代测序曾经“长但不准”，PacBio HiFi 就是那个把“长 + 准”结合在一起的方案。

2.2 Nanopore：实时、超长、便携

Nanopore 测序由英国牛津纳米孔公司（Oxford Nanopore Technologies，ONT）开发，是另一种主流的三代测序技术。Oxford Nanopore (ONT)：分子被牵引通过蛋白或固态纳米孔，穿过孔时扰动离子电流产生“squiggle”信号，随后通过 base-calling 将信号转换成碱基序列。优点是实时产出、可做超长读（>100 kb 可达 Mb 级）和便携性强（如 MinION）。

2.2.1 测序原理

Nanopore 的核心是“让 DNA 分子穿过纳米孔，通过电流变化来识别碱基”：

• 纳米孔蛋白：固定在电阻膜上，形成纳米级孔道。
• 电信号检测：DNA 单链在电场驱动下穿过纳米孔，不同碱基（A、T、C、G）通过时产生独特的电流变化，实时识别碱基序列。

2.2.2 特点

• 读长：理论上无限，实践中可达 Mb 级
• 直接测序：能直接读 RNA 和碱基修饰（如甲基化）
• 便携实时：从 U 盘大小的 MinION 到 PromethION，都可以边测边出结果

这让 ONT 特别适合 现场测序（比如疫情期间快速检测病原体），也适合研究 超长重复区和端粒序列。

3.三代测序的优势

• 长读长能直接跨越重复序列与结构变异，极大提高基因组拼接与 SV（结构变异）检测的分辨率。

• 能读取完整转录本（full-length isoforms），无需复杂的拼接（imputation），利于 isoform 定量、TSS/TER 识别和可变剪接研究。

• 直接检测碱基修饰（如 5mC、6mA）：尤其是纳米孔测序对电流扰动敏感，可用于表观基因组学。

• 实时与便携（主要指 ONT）：适合现场、快速检测和应急监测（如病原体溯源）。

4.三代测序的局限与挑战

• 原始错误率差异：早期第三代读序列的错误率高于短读长；但经过技术进步（PacBio HiFi、改进的 ONT base-caller）后已大幅降低——HiFi 可达 ~99.9% 级，ONT 也通过模型和化学改进将错误率显著降低。实际分析中仍需针对性纠错或结合短读数据。
• 上游样本制备要求高：要得到超长读需要高完整性的超高分子量 DNA，抽提与保存方法对结果影响大。
• 成本与通量的权衡：虽然单条长读价值高，但在某些高深度短变异检测场景中，短读仍更经济/稳定。不同平台在通量、成本、运行维护上各有差异。
• 数据分析生态仍在成熟：长读特有的错误模式、修饰信号和更大的文件量对下游工具链提出了更高要求，需要合适的 aligner、纠错、拼接与可视化工具支持。

不过，随着 PacBio HiFi 和 ONT base-caller 的不断改进，这些问题正在逐步缓解。

5.应用场景

• 高质量基因组组装：尤其是复杂或重复丰富的植物、动物基因组。
• 结构变异（SV）检测：对大片段插入、缺失、易位和复杂重排更敏感。
• 全长转录组与 isoform 分析：识别新 isoform、完整 CDS、TSS/TER 使用情况（例如 R2C2 / Mandalorion 等长读法）。
• 表观基因组学：直接在测序信号中检测 DNA 和 RNA 修饰。
• 临床与快速检测：病原体测序、耐药性检测、核酸监测（得益于 ONT 的便携与实时）。

第三代测序在准确性、通量和成本上都在快速进步。想象一下，Illumina 给你的是“拼图碎片”，而 PacBio 和 ONT 给你的是“整张拼好的拼图”。这就是三代测序的魅力。PacBio 的 HiFi 路线把“长读 + 高准确”变为现实，ONT 在化学、孔道与 AI base-caller 的改进上持续推进，使得长期被视为“错误率高”的问题逐步缓解。未来，随着技术的不断进步，三代测序的准确性将进一步提高，成本也将逐渐降低，预计将在更多领域得到广泛应用。

如果你的研究问题涉及 异构转录本、结构变异、复杂基因组拼接或碱基修饰，第三代测序几乎是不可替代的工具。选择平台前请把研究目标、样本特性、预算与计算资源放在第一位，必要时考虑混合策略（长短结合）以兼顾准确率、成本与覆盖范围。

在基因表达调控的研究中，转录起始位点（Transcription Start Site, TSS） 的精确定位是理解基因如何被激活或抑制的关键。然而，传统的TSS注释往往存在分辨率低、组织特异性差等问题，难以满足日益精细的转录组学研究需求。

来自Riken的研究团队在《Journal of Molecular Biology》上发表了一篇重要论文，介绍了一个全新的数据库——refTSS， 一个面向人类和小鼠的 高质量 TSS 参考数据集，为TSS研究带来了突破性进展。

数据库最新版地址（建议收藏）： http://reftss.clst.riken.jp/

数据库初版地址：https://reftss.riken.jp/reftss-v3/Main_Page

论文链接：https://www.sciencedirect.com/science/article/pii/S0022283619302530

refTSS 是什么？

简言之，refTSS 是把大量公开的 TSS 资源再加工整合后得到的“参考 TSS 集”，覆盖人和小鼠。数据条目包括每个 TSS 的基因注释、峰位坐标、质量评估结果，以及在物种之间的保守性信息，是研究转录起始与启动子调控的实用基础资源。

refTSS数据来自哪里？它是如何构建的？

refTSS 并不是某一次实验的产物，而是把多个高质量来源汇聚、重处理并统一标准化得到的成果。主要来源包括（但不限于）：

• FANTOM5 的 CAGE 数据（高精度定位 5' cap，适合检测 TSS）；
• DBTSS、EPDnew、ENCODE 等已发表或公共资源的 TSS/启动子注释；
• 研究组对这些数据进行了峰识别、跨资源合并、质量过滤与物种间比对，最后生成可查询的 reference 集与可视化 track。

最终得到：

• Human TSS peaks：224,694
• Mouse TSS peaks：173,204

提供了哪些注释与质量信息？

每个 TSS 除了坐标外，还带有：

• 基因/转录注释（若有）
• QC 指标：TATA-box 富集、GC 含量分布、以及用 TomeTools 的“TSS-ness”分类
• 与 ENSEMBL Regulatory Build（ERB）的重叠类型（promoter、promoter-flanking、enhancer 等）
• 人鼠保守性（通过 liftOver 比对得到）

约 47–56% 的 TSS peaks 与 ERB 注释的 promoter/相关区域重叠；约 45% 的 TSS peaks 在人鼠间被识别为保守（不同类别按是否注释为 ortholog 等进一步细分）。

应用场景：

• 定位 TSS：当你用 RNA-seq、长读长测序或 CAGE 得到转录起始信息时，可用 refTSS 验证/注释 TSS。
• 研究启动子调控：将 ChIP-seq（TF、Pol II、H3K4me3/H3K27ac 等）与 refTSS 对齐，可以更精确地分析哪个启动子在什么时候活跃。
• 比较物种保守性：refTSS 包含人-鼠保守性信息，便于比较进化保守的启动子使用。
• 支持功能注释与新转录本鉴定：对新发现的转录本或 isoform，refTSS 可作为确认其起始位点的参考。

（在发育或刺激时间序列的转录调控研究中，refTSS 特别有用 —— 它可以帮助把“哪个启动子在什么时候开关”这个问题落到基因组坐标上。）

怎么使用这个数据资源？

• 网站（http://reftss.clst.riken.jp/）可直接搜索、下载TSS 文件（BED/GTF）、查看每个 TSS 的 QC 与注释，下载地址：http://reftss.clst.riken.jp/datafiles/；
• 提供 UCSC TrackHub（可直接加载到 Genome Browser）便于可视化比对 ChIP-seq、ATAC-seq、RNA-seq 等数据；
• 推荐把 refTSS 当成“TSS 参考集”来做 promoter-level 定量、启动子注释或把 epigenome 数据与具体 TSS 关联分析。

小结

如果你的研究涉及启动子使用、转录起始调控或需要精确定义 TSS，refTSS 是一份高价值的参考资源：它把多种高质量证据整合，提供坐标、QC、基因注释与保守性信息，便于在基因组水平做跨数据整合分析。只是要注意：对低丰度或细胞类型特异的 ncRNAs，目前覆盖仍然有限——需要结合你自己的实验数据或等待后续更新。

ROSE（Rank Ordering of Super-Enhancers）由 MIT Richard A. Young 实验室开发，是目前引用率最高的超级增强子预测工具。

rose软件下载地址：https://bitbucket.org/young_computation/rose/

软件分析原理：

1. 先用 H3K27ac（或 MED1/BRD4 等）ChIP-seq peaks 定义“增强子”区间；

2. 将彼此 ≤12.5 kb 的增强子“缝合”（stitched）成连续区域；

3. 根据信号强度排序，拐点（inflection point）以上即为超级增强子，以下为普通增强子（typical enhancer）。

   

二、安装步骤与环境依赖

• 安装系统：Linux（CentOS/Ubuntu）
• 环境依赖：
  • Python 2.7（注：不可使用 Python3环境，会报错！）
  • R ≥ 3.6（用于绘图）
  • SAMtools 0.1.18（新旧版亦可，需支持 sort -o）

一键下载：

cd ~ #回到Home
wget https://bitbucket.org/young_computation/rose/get/feb35cb1d955.zip  #下载
unzip feb35cb1d955.zip  #解压
mv young_computation-rose-* ROSE  #重命名文件夹
export PATH=$PWD/ROSE/bin:$PATH  ##写入环境

三、输入文件准备

注意：软件默认支持人（hg19 / hg38）和鼠（mm9 / mm10）的参考基因组。

四、一条命令跑完 SE 鉴定

python ROSE_main.py \
  -g hg38 \
  -i sample_peaks.gff \
  -r sample.bam \ #需鉴定的样本
  -c input.bam \ #control bam
  -o ROSE_out \ #输出文件名
  -s 12500 \
  -t 2500

• 常用参数：
  • -g：基因组版本（内置 hg19/hg38/mm9/mm10）
  • -s：缝合距离，默认 12.5 kb
  • -t：排除 TSS ±2–3 kb，避免启动子干扰

主要输出：

1. *_SuperEnhancers.table.txt —— 超级增强子列表
2. *_AllEnhancers.table.txt —— 所有增强子（含 TE/SE 标签）
3. *_Enhancers_withSuper.bed —— 可直接导入 UCSC/IGV 浏览器
4. *_Plot_points.png —— rank-plot 拐点图

五、SE 靶基因注释

使用ROSE_geneMapper.py对上一步生成的*_SuperEnhancers.table.txt进行基因注释，代码如下：

python ROSE_geneMapper.py \
  -g hg38 \ #参考基因组版本号
  -i sample_SuperEnhancers.table.txt \ #输入文件
  -o geneMapper  #输出文件夹

得到：

• TO_GENE.txt —— 每个 SE 邻近基因（50 kb 窗口）
• GENE_TO_ENHANCER.txt —— 基因 ←→ SE 反向索引

后续即可对 SE 关联基因做 GO/KEGG、GSEA、转录因子 motif 富集等分析。

六、非模式物种/自定义基因组

非模式物种/自定义基因组可参考以下步骤：

1. 准备 refGene.txt（UCSC genePred 格式）。
2. 改名为 mySpecies_refseq.ucsc 放入 annotation/。
3. 修改 ROSE_main.py 内 GENOME_DICT，添加新基因组键值。
4. 其余步骤同上。

七、常见问题

• 染色体命名 —— bam、gff 必须统一带或不带 chr(需要注意参考基因组信息！)。
• Python2 环境 —— 若系统默认 Python3，可通过 conda 创建Python2环境：
  conda create -n rose_py2 python=2.7

八、小结

ROSE 以“缝合-排序-拐点”三步法，把 ChIP-seq 峰直接转换成生物学意义明确的超级增强子列表。参考使用上述代码可快速完成从原始 bam 到SE鉴定及注释的全过程。

超级增强子的概念于2013年由美国学者Richard A. Young及其团队首次提出。与调控范围通常在200-300个碱基对（bp）的普通增强子相比，超级增强子的显著特征在于其巨大的基因组跨度，通常可达8至20千碱基对（kb）甚至更长。 超级增强子区域结合多种转录因子，调控转录状态。

1.1 定义与发现

发现历程：从普通增强子到超级增强子

超级增强子的发现源于对胚胎干细胞（ESCs）中关键基因调控机制的深入研究。在2013年发表于《Cell》杂志的两篇开创性论文中，Young团队系统地分析了小鼠胚胎干细胞中多种主转录因子（如Oct4, Sox2, Nanog）和关键共激活因子（如Mediator复合物的Med1亚基）的基因组结合位点。通过全基因组染色质免疫沉淀测序（ChIP-seq）技术，他们发现这些调控因子的结合位点在某些关键细胞身份基因附近呈现出异常密集的聚集现象。

1.2 超级增强子 vs. 普通增强子

1.2.1 结构差异

在小鼠胚胎干细胞中，典型增强子的中位长度约为703 bp，而超级增强子的中位长度则达到了8.7 kb，是普通增强子的十倍以上。这种结构差异反映了调控元件在三维空间上的高度组织化。

1.2.2 功能差异

与超级增强子相关联的基因，其表达水平通常显著高于由普通增强子调控的基因。这种超强的激活能力源于其独特的结构和分子组成。

1.2.3 分子特征对比

1.3 生物学功能与意义

1.3.1 决定细胞身份与命运

超级增强子在决定和维持细胞身份方面扮演着至关重要的角色。它们通常与那些定义细胞类型和功能的关键基因（即细胞身份基因）紧密关联。例如，在胚胎干细胞中，与多能性维持相关的基因（如Oct4, Sox2, Nanog）附近就存在着强大的超级增强子。

1.3.2 驱动关键基因表达

超级增强子驱动的基因表达水平通常比普通增强子驱动的基因高出数倍甚至数十倍。这种高效的调控机制确保了细胞在特定生理或病理条件下能够快速、足量地产生所需的关键蛋白质。

1.3.3 与疾病的关联

越来越多的证据表明，超级增强子的异常与多种人类疾病，特别是癌症的发生发展密切相关。在肿瘤细胞中，基因组的重排、扩增或突变等事件可能导致新的超级增强子在原癌基因附近形成，驱动原癌基因的过量表达。

2. 超级增强子的鉴定方法

超级增强子的鉴定主要依赖于染色质免疫沉淀测序（ChIP-seq）或更灵敏的CUT&Tag技术，通过检测H3K27ac等标志物的富集信号，并利用ROSE算法等生物信息学工具进行识别和分析。

2.1 实验技术

2.1.1 ChIP-seq技术

染色质免疫共沉淀测序是目前鉴定超级增强子最常用和最经典的技术手段。利用抗体特异性地"捕获"与特定蛋白质结合的DNA片段，在全基因组范围内定位蛋白质结合位点。

关键步骤

1. 细胞交联（Cross-linking）
2. 染色质片段化（Chromatin Shearing）
3. 免疫沉淀（Immunoprecipitation）
4. 解交联和DNA纯化
5. 文库构建和高通量测序

2.1.2 CUT&Tag技术

CUT&Tag（Cleavage Under Targets and Tagmentation）是一种新兴技术，巧妙结合了抗体靶向和Tn5转座酶的活性，无需甲醛交联和免疫沉淀等繁琐步骤。

优势特点

• 极高灵敏度：可低至几十个细胞
• 高信噪比：避免非特异性结合
• 实验周期短：一天内完成
• 操作简单：降低技术门槛

技术对比

2.2 关键指标

H3K27ac：活性增强子的标志

H3K27ac（组蛋白H3第27位赖氨酸的乙酰化）被广泛认为是活性增强子最可靠的标志物之一。超级增强子由于其强大的转录激活能力，其区域内会聚集大量的转录因子和辅因子，导致H3K27ac的修饰水平远高于普通增强子，表现为更宽、更高的信号峰。

Mediator蛋白结合：转录机器的"桥梁"

Mediator复合物是连接转录因子和RNA聚合酶II的关键桥梁。在超级增强子区域，由于聚集了大量的细胞类型特异性转录因子，Mediator复合物也会被大量招募至此。[在最初的超级增强子研究中，Richard A. Young实验室正是通过分析Med1的ChIP-seq信号，首次定义了超级增强子这一概念。

2.3 数据分析方法

ROSE算法

ROSE（Rank Ordering of Super-Enhancers）算法是目前鉴定超级增强子最主流、最权威的生物信息学工具，由Richard A. Young实验室开发。其核心思想是基于一个关键观察：增强子调控元件的信号强度分布是不均匀的，存在一小部分增强子，其信号强度远高于其他大部分增强子。

算法将所有增强子按信号强度从低到高排序，绘制强度-排名曲线。曲线上的拐点将普通增强子与超级增强子分开。

3. 总结与展望

超级增强子作为近年来基因调控领域的研究热点，正在逐步揭开细胞命运决定与疾病发生发展的“黑匣子”。它们不仅为我们理解生命活动的基本规律提供了新的视角，也为肿瘤学、再生医学以及药物研发等方向带来了潜在的应用价值。随着单细胞组学、空间组学和人工智能算法的发展，未来我们将能够更精确地绘制超级增强子网络图谱，甚至有望通过靶向超级增强子实现疾病的精准干预。

打开浏览器，输入 https://www.ensembl.org

1. 什么是 Ensembl？

Ensembl 是由 欧洲生物信息学研究所（EBI）和惠康基金会桑格研究所（Sanger Institute） 共同开发和维护的基因组数据库与浏览平台。自 2000 年发布以来，它已经成为科研人员查询、对比和下载基因组数据的重要工具。

目前，Ensembl 主库已收录超过 300 种物种 的基因组（目前348物种），包括人类、小鼠、斑马鱼、果蝇、拟南芥等经典模式生物，还不断增加医学及农业相关物种。

除了主库，Ensembl 还提供多个分库，覆盖更广泛的物种：

🌱Ensembl Plants （植物数据库，如拟南芥、水稻、小麦、大豆，https://plants.ensembl.org）

🦋Ensembl Metazoa（无脊椎动物数据库，如果蝇、蜜蜂、蚊子，https://metazoa.ensembl.org）

🍄Ensembl Fungi（真菌数据库，https://fungi.ensembl.org）

🧫Ensembl Protists（原生生物数据库，https://protists.ensembl.org）

🧬Ensembl Bacteria（细菌数据库，https://bacteria.ensembl.org）。

Ensembl 不仅是一个基因组数据库，而是一整套 跨物种的综合基因组学平台。

2. Ensembl 的核心功能

1. 可视化浏览： 这是Ensembl最直观的核心功能。通过交互式基因组浏览器，你可以像在地图上浏览城市一样，在染色体上自由缩放、平移，查看选定区域的基因、转录本、调控元件、变异位点等所有注释信息，并且叠加显示多种数据轨道（如表达量、保守性、表观遗传标记等）。直观清晰，一目了然！
2. 精准注释信息： 提供关于基因、转录本、蛋白质、调控区域、变异位点等最权威、最全面的注释信息。这是进行任何基因组学研究的基石。
3. 强大的检索工具： 无论是用基因名（如BRCA1）、数据库ID（如ENSG00000012048）、变异ID（如rs123456）、基因组位置（如chr17:41,196,312-41,277,500），甚至是序列片段，都能快速精准地找到目标。
4. 数据导出与下载： 方便地下载基因序列、蛋白质序列、注释文件（GTF/GFF3）、变异数据等，用于本地分析。
5. 生物信息学工具： 提供BLAST序列比对、变异效应预测（VEP）、ID转换、批量检索等多种实用在线工具。
6. 多物种覆盖： 支持数百种脊椎动物、模式生物乃至重要农作物和病原体的基因组，满足广泛的比较基因组学研究需求。
7. 免费开放！ 由欧洲生物信息学研究所（EBI）和英国Sanger研究所等机构维护，完全免费开放访问和使用，是公益性的科研基础设施。

3. Ensembl的使用

3.1 检索基因

以 人类 BRCA2 基因 为例，在首页搜索框选择 Human 并输入 BRCA2，即可获得所有相关信息（基因、转录本、变异等）。

搜索结果中给出了所有有关BRCA2基因的相关信息，包括基因、转录本、变异等信息，即使使用一些基因的同义名在页面右侧也会有相关最佳匹配的提示。

点击搜索到的最匹配的结果，在基因详细信息页面可以看到基因基本信息（位置、基因ID、基因类型等）还可以看到转录本信息、还可以获取序列信息、比较基因组信息、进化信息、变异信息、基因表达、基因通路、分子互作等信息，十分全面。

3.2下载参考基因组

在首页点击任意物种（如 Human），即可进入下载页面，获取该物种的参考基因组序列及注释文件。

以上是两个较为常用的功能，Ensembl 数据库还有很多功能大家可以探索~

小结

Ensembl 就像一部 基因组百科全书，不仅整合了丰富的基因组与功能注释信息，还提供强大的可视化与分析工具。无论你是科研新手，还是资深研究人员，Ensembl 都是探索基因与生命规律的得力助手。

Ensembl 入口：https://www.ensembl.org

很多同学一听到 Conda，就会想到庞大的 Anaconda。但其实，如果你不需要自带几百个包的「全家桶」，更推荐安装轻量级的 Miniconda。它只提供最基础的 Python 与 Conda 环境，剩下的库可以按需安装，既节省空间，又减少版本冲突。此外国内用户常被官方源的低速折磨到崩溃。今天分享保姆级安装配置教程，让你科研效率提升！

一、Miniconda官方下载安装

Tips:网速不好的同学可以看第二部分国内镜像下载方式。

官方下载地址

https://www.anaconda.com/docs/getting-started/miniconda/install

对于 Linux 64 位系统，可以直接使用官方提供的命令行方式下载安装：

### 下载与安装
mkdir -p ~/miniconda3
wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm ~/miniconda3/miniconda.sh

### 刷新环境
source ~/miniconda3/bin/activate

### 初始化conda
conda init --all

安装完成后，就可以直接使用 conda 命令啦，同时会出现conda的（base）的环境提示！

二、国内镜像下载方式（推荐）

由于网络原因，很多时候从官方源下载会比较慢甚至中断。
推荐国内使用 清华大学开源软件镜像站 提供的 Miniconda 镜像，更稳定更快，以下是全部代码：

### 下载与安装
mkdir -p ~/miniconda3
wget -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh  -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm ~/miniconda3/miniconda.sh

### 刷新环境
source ~/miniconda3/bin/activate

### 初始化conda
conda init --all

这样你就能在国内快速安装 Miniconda，避免下载失败的烦恼。

三、配置国内镜像源

为了后续顺利安装各种包（尤其是生物信息分析常用的 bioconda 包），我们需要在 Conda 中配置镜像源。这里建议使用清华大学镜像源。

修改配置文件

输入以下命令打开配置文件：

vi ~/.condarc

进入编辑模式（按 A），然后粘贴以下内容：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

保存方式：粘贴好后，按 Esc → 输入 :wq → 回车即可。

通过命令行添加源（可选方式）

如果你不想手动编辑文件，也可以用命令行添加：

conda config --set custom_channels.bioconda https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

执行后，可以用以下命令查看：

cat ~/.condarc

如果能看到 bioconda 的地址，就说明配置成功啦。

四、更多镜像源

清华镜像站提供了详细的 Anaconda 镜像帮助文档：
👉 https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

根据需求，你还可以添加更多第三方源，方法与上面类似。

五、总结

到这里，我们就完成了 Miniconda 的安装 + 国内镜像源配置。
这样一来，不管是做 Python 数据分析，还是安装各种生物信息学软件包（bioconda），都会更快更稳定。

✨ 小贴士：

• 定期更新conda：conda update -n base conda
• 清理缓存：conda clean -a
• 查看环境：conda env list

配置好镜像源后，你会惊讶地发现环境搭建效率提升10倍不止！再也不用盯着进度条发呆了~

🔍 一、公开访客地图：你的全球化名片

在网站挂载地图插件后，所有访客都能点击查看流量分布（国家/城市级精度）。

Tips: 默认不显示IP信息。

📊 二、管理员专属：数据后台

接着我们可以回到clustrmaps.com官网，在My Websites中可以查看已配置的网站信息。
链接：https://clustrmaps.com/profile/

点开后直观提供了网站的实时的今日/昨日/本月流量信息。

点击Project中的网站地址可显示完整仪表盘，支持最近7天，过去30天，总计流量等信息，还可以通过选择查看周期了解统计信息，相较于非管理者，在这里管理员（您）可以看到访客IP。

网站地同类访客来源国家，浏览器，操作系统，IP等信息。

⚙️ 三、高级设置：隐私保护与个性化

🔐 隐私开关

在统计页面或My Websites的Settings中可以设置IP信息是否对所有人展示，设置IP排除名单（如屏蔽公司内网流量），该功能默认关闭，统计信息里访客不会看到IP信息。

🔄 挂件类型切换

在Widget的Code中的设置，与之前安装插件的第三步一致，可以选择展示类型获取对应代码，包括动态地球仪（🌍 Globe Widget）和经典世界地图（🗺️ Map Widget）。

🎨 地图样式定制

在Widget的Customize中的设置，可以设置Map图的大小、颜色等信息，并获取对应代码。

以上就是ClustrMaps的页面和设置，值得深度使用。

🔍 什么是ClustrMaps？

ClustrMaps 是一款实时可视化访客地理追踪工具，通过动态地球仪（Globe Widget）或经典世界地图（Map Widget），直观展示网站访问者的全球分布。无论是个人博客、企业官网还是作品集，挂上它瞬间提升专业感！

✅ 核心优势

零门槛：邮箱注册即用

轻量级：加载速度超快，不影响网站性能

隐私合规：仅显示国家/城市级位置，不追踪个人数据

🚀 3步快速安装（附详细图解）

Tips: 建议提前注册账号，注册账号非常简单，邮箱注册即可。

1. 打开申请链接：https://clustrmaps.com/add

申请第一步：输入您的网站地址，然后点击Next。

2. 选择Widget类型

   支持两种高颜值展示形式：

   • 🌍 Globe Widget（动态3D地球仪）
   • 🗺️ Map Widget（经典世界地图）

Tips: 第二步的账号验证，因为已经提前登陆了，直接跳过了。

接下来直接到第三步，可以选择需要使用的Widget小挂件的类型。

个人感觉Globe Widget的比较酷，Map widget比较经典。Globe Widget只提供JS代码，Map widget提供JS代码和图片统计代码，如果使用的不是自己完全搭建的博客，可能只能用Map widget的图片统计代码。

3. 获取统计代码

选择好类型后，系统就会给出对应的专属统计代码。

只需将对应代码复制到剪贴板并将其粘贴到您的网站中即可成功安装网站统计代码。

✅ 安装成功后，就开始记录统计访客数。

它是MDPI旗下的一本多学科、开放获取的高效期刊，专注于解决当今人类面临的重大挑战，比如能源、食品、水资源、气候和健康等问题。

期刊概况

• 期刊名称：Sci（ISSN 2413-4155）
• 开放获取：文章开放获取，版权归作者所有，遵循Creative Commons Attribution License（CC BY）。
• 学科范围广泛：生命与物理科学、临床医学、体育科学、材料科学、计算机科学与数学、环境与地球科学、工程学、社会科学与心理学、自然与社会科学的交叉学科 （几乎涵盖各个方面）

Sci期刊的目标与宗旨

Sci旨在为生命科学、物理科学、医学、工程、材料科学以及社会科学等领域的研究人员提供一个高水平的学术交流平台，鼓励科学家详细发布实验和理论研究结果，以确保研究的可重复性和高效共享。

• 支持多种稿件类型：综述、研究论文、通讯、案例报告、短篇论文，以及特别专题（Special Issues）。
• 快速共享研究成果：投稿通过初审后，将发布在Preprints上供同行评议，从而促进研究者之间的互动交流，推动科学发展。

期刊亮点

• 快速发表：
  • 投稿到首次审稿意见的平均周期为27.4天（2024年上半年数据）。
  • 接受后到在线发表仅需6.8天！
• 高可见性：被Scopus等多个权威数据库收录，提升文章影响力。
• 支持长论文：不设论文篇幅限制，要求提供完整实验细节，支持结果重现。
• 审稿奖励：优秀审稿人可获得下一次投稿的APC折扣券。

出版伦理与原创性

• 严格的出版伦理：MDPI是COPE（出版伦理委员会）成员，严格执行同行评审和出版伦理政策，零容忍学术不端行为（如剽窃、数据造假、不当署名等）。
• 原创性检查：通过iThenticate工具检测稿件的原创性，确保学术成果的真实性和可信度。

Sci期刊帮助每一位科研人轻松实现SCI文章！不过目前还没有被中科院和科睿唯安JCR收录，所以基本上是花大钱还没用的期刊，只能满足一下SCI的梦想。

相信会安装R包的小伙伴一定听说过BiocManager包，之前我们也有提到过。本次我们详细讲解一下提供BiocManager包的Bioconductor网站及BiocManager包的用法。

什么是 Bioconductor？

Bioconductor 是一个专注于组学数据分析的开源项目，成立于 2001 年，旨在为生物信息学研究提供一系列高效且实用的工具。它基于 R 语言开发，汇集了数千种软件包，覆盖从基因组、转录组到表观遗传组等多组学数据的分析需求。

无论你是初学者Users，还是生物信息学领域的资深专家Developers，Bioconductor 都能为你提供超强支持。

特点及亮点功能

1. 丰富的软件包资源
   Bioconductor 包含 4000+ 个经过同行评审的软件包，涵盖数据预处理、差异表达分析、可视化等多方面需求。之前我们安装R包的教程中经常使用BiocManager包来安装软件。其中包括：

   • DESeq2：广泛用于 RNA-Seq 差异表达分析。

   • edgeR：处理低表达基因的数据分析神器。

   • ChIPseeker：轻松注释和可视化 ChIP-Seq 数据。

     除此之外，我们在其官网 https://www.bioconductor.org/packages/release/BiocViews.html#___Software 可以看到4000+款生物信息相关R包，并且它们已经按功能分类，便于快速查找！总有一款适合你的！

     

2. 全面的学习支持
   网站提供详尽的用户手册和教程，无论你是初学者，还是希望学习高阶用法，都能找到适合的资源。每个软件包的文档详细介绍了安装、使用以及示例代码，让学习过程更加高效。

   

   我们可以打开 https://www.bioconductor.org/packages/release/bioc/html/DESeq2.html 进入DESeq2的介绍页面，在介绍页面中我们可以看到软件文献、作者、如何安装、帮助文档、安装环境需求等十分全面的信息，方便大家高效使用R包。

3. 活跃的社区与定期更新

   Bioconductor 社区由全球数千名研究者组成，用户可以通过论坛和 GitHub 提问或参与开发。此外，Bioconductor 每年发布两个新版本，确保资源库始终保持技术前沿。

开始使用 Bioconductor！

我们一起来实践下载Bioconductor提供的生物信息学R包！

第一步：安装 BiocManager包

Bioconductor 网站内的R包的安装和管理通过 BiocManager 包完成，这是使用 Bioconductor 软件包的关键工具。

以下是安装和使用 BiocManager的基本步骤：

1. 安装 BiocManager包
   参考官网教程https://www.bioconductor.org/install/，在 R 环境中运行以下代码：

   if (!require("BiocManager", quietly = TRUE))
      install.packages("BiocManager")
   BiocManager::install(version = "3.20")
   #可至https://www.bioconductor.org/install/官网查看最新代码

2. 安装 Bioconductor 提供的R包
   使用 BiocManager::install() 函数安装所需的 Bioconductor 软件包。例如：

BiocManager::install("DESeq2")  # 安装 DESeq2 软件包

Tips: 检查和修复包依赖

在安装和使用Bioconductor提供的一些包时，包之间的依赖性可能会出现问题。使用 BiocManager::valid() 可以检查你的环境中是否有任何不一致或任何冲突问题。

至此，您已经掌握如何通过命令行安装 Bioconductor 提供的生物信息学R包。

总结

Bioconductor 是生物信息学研究者的必备工具，它结合了开源、强大的社区支持以及便捷的安装和使用体验。如果你希望对生物数据进行严谨、可重复的分析，Bioconductor 将成为你的得力助手。