gaoxiangxu @gaoxiangxu

read_traj_single_frames.py.get_cluster_hierachical: # fcluster 返回的簇编号从 1 开始（maxclust 模式下） for i in range(num): # ❌ 这里 i 从 0 开始循环 li = np.where(cluster == i)[0] # 实际永远找不到 label=0 的簇 # 当 cluster

python filter.py --tcga-root /home/databank/gxxu/TCGA/ --manifest /home/databank/gxxu/tool/Manifest/ > filter/20240714.txt python validate.py ../PAAD/Source/Norm/ -o validate/validate_paad_norm.csv >

研究背景：表型的差异对应实体不一定就是致病的核心，即靶点。因此才会有富集分析扩大范围找到真正的致病点。但是尽管这一过程很好实现，但是由于数据的缺省、异质性、批次效应等等等，能够进行的分析工作十分局限。因此，近些年多组学整合成为一个热点，旨在利用有效的算法弥补数据上的不足，以顺利推进下游的分析。本研究提出了一种通过可逆模型捕捉组学实体之间依赖关系，进行多组学整合与靶点发现的方法。 核心思路解读：1）

多组学数据处理方案

前言：TVM，即Topological Variation on Multiscale 用途：可用于广泛的优化和临界点发现，TVM要求在领域内要严格凹凸性 简化原理： #该算法即模型利用的算法的严格与推广版本，在N维欧空间中，算法与遗传算法和贪心算法类似，可用于不涉及梯度的优化，平替梯度下降/牛顿/拟牛顿法。经测试，N=2时，算法将测试值可以很好的收敛于全局最小值。N=3时，还没经过测试，理论上可

2025-6-12：完成drugprotai的部署和使用方法的总结，75.3上创建环境drugprotai供测试。 75.3好像不能从uniprot中获取信息 2025-6-14：原来能，是/Domain/extract中代码的问题，已经修正,然后能跑了第一个程序 2025-6-16: /Domain/topK 也有问题，这都是什么bullshit，topK运行不了一点，直接到特征提取的那一步/

从已有的Drugprotai出发，一步步往前推进，整体框架如下 图。 初步构思：

对等性信息：强约束对等与弱约束对等 信息对等：给定一个信息集M1，M2，如果存在一个（可逆）映射T，使得T(m1 )->m2，m1为M1子集，m2为M2子集。则称m1同m1对等。其中m1|size(mi)min对应的T称之为对m2的强约束对等，其他的为若约束对等。 拓扑变分可用于强约束对等：