Monthly Archives: July 2026

法兰克福创伤外科与骨科

Leave a reply

https://unfallchirurgie-orthopaedie-frankfurt.de/forschung-lehre/team.html

https://www.vava8.com/index.php?app=index&act=view&id=83725 (抗衰主食找到了!他们吃了一个月“高质量碳水” 身体年轻4岁 )

这份高质量碳水清单，请收好

高质量碳水，又被称为“优质碳水”“好碳水”，不仅能提供热量，还能提供维生素、矿物质和其他有益成分。四川大学华西广安医院临床营养科临床营养师蒋文静2024年在华西医生公号刊文介绍，高质量碳水主要有以下这些：

  1. 全谷物：糙米、玉米、黑米、薏米、莜麦、燕麦、荞麦等，含有丰富的膳食纤维和其他营养素。

  2. 薯类：土豆、红薯、紫薯、木薯、芋头、山药等，膳食纤维含量较高。

  3. 豆类：红豆、芸豆、绿豆、豌豆、鹰嘴豆等杂豆，蛋白质占比大，饱腹感强。

  4. 高淀粉蔬菜：南瓜、藕等，含有大量有益健康的多糖。

  5. 低糖水果：苹果、蓝莓、猕猴桃、桃子等，含有丰富的维生素、膳食纤维等营养成分。

欢迎来到法兰克福创伤外科与骨科——您的创新研究与卓越教学中心！

本实验室团队由 [姓名] 教授/博士领导，副负责人为 [姓名] 博士（理学博士，特许任教资格）。[姓名] 博士和 [姓名] 博士负责科研管理工作。[姓名] 博士和 [姓名] 博士正在德国研究基金会（DFG）资助的骨再生与多发性创伤研究项目（研究组 FOR 5417）框架内开展研究。[姓名] 博士致力于研究电刺激对骨再生和免疫过程的影响。

在骨关节炎研究领域（由 [姓名] 教授负责），实验研究实验室正在多个层面上分析与疾病相关的病理过程。在德国研究基金会（DFG）资助的研究组 2722 和 2407 的子项目中，[姓名] 教授负责研究成骨不全症（Osteogenesis imperfecta）的病理机制，而 [姓名] 博士（特许任教资格）则研究自主神经系统对骨关节炎发病机制的影响。此外，在欧盟资助的玛丽·斯克沃多夫斯卡-居里（Marie Skłodowska-Curie）CHANGE 网络项目框架内，两人还共同研究衰老在肌肉骨骼疾病中的作用。[姓名] 博士在运动分析实验室中，依托 DFG 资助的 HOBBID (GEPRIS) 项目，探索改善髋关节骨关节炎手术治疗效果的方法。

此外，创伤外科与骨科的临床医生（Clinical Scientists，临床科学家）也加入了实验室团队，壮大了团队力量。他们在科研轮转（Forschungsrotation）期间，会开展独立的科研项目，以作为其获取特许任教资格（Habilitation）的基础。

[姓名] 女士负责医学数据记录（医疗文档）工作。[姓名] 女士、[姓名] 女士以及 [姓名] 女士（理学学士）作为医学技术助理（MTA），共同组成了完整的实验室团队。

https://www.dfg-for5417.de/

德国研究基金会（DFG）延长 FOR5417 研究组资助：细胞外囊泡成为核心研究重点

FOR5417 研究组成员
FOR5417/2 研究组第二资助期首席研究员（Principal Investigators）团队 © D. Henrich

多发性创伤（Polytrauma）尤其是年轻人群发病率和死亡率的主要原因。尽管医学取得了巨大进步，但创伤后免疫反应的潜在机制及其后果尚未被完全阐明。为了更好地解密这些复杂的过程并开发新的治疗方法，德国三个领先的创伤中心（法兰克福、乌尔姆和亚琛）在一个多学科研究联盟中展开了紧密合作。在德国研究基金会（DFG）约 540 万欧元的总资助下，FOR5417 研究组将于 2026 年 5 月进入新的资助阶段。

随着未来四年的持续资助，DFG 研究组 FOR5417 将进入其第二个资助期，并继续推进其跨学科的多发性创伤研究。在“转化性多发性创伤研究：为改善预后提供诊断和治疗工具”（Translational Polytrauma Research to Provide Diagnostic and Therapeutic Tools for Improving Outcomes）的主题下，开发新的诊断和治疗方法以改善患者护理仍然是核心目标。该研究组的协调人（发言人）由 Ingo Marzi 教授/博士（法兰克福大学医院）担任，副协调人为 Frank Hildebrand 教授/博士（亚琛）。总体而言，来自多个大学所在地（亚琛、乌尔姆和法兰克福）的 16 名从事临床和实验研究的科学家在这一研究倡议中相互合作。创伤外科和麻醉学作为临床学科在其中发挥着主导作用。

聚焦青年人才培养与现代架构
第二个资助期的一个显著特征是对青年科研人才的持续培养。通过设立 7 名女性首席研究员（Principal Investigators），以及 6 名作为独立项目负责人的定向吸纳的青年科研人员，团队建立了一种现代、均衡且面向未来的结构。青年科研人员的早期学术独立性得到了有意识的加强和凸显。作为补充，与第一个资助期一样，团队计划举办两届暑期学校（Summer Schools），专门致力于为年轻科研人员提供结构化的培训和建立学术网络。

贯穿整个医疗链条的转化研究
自 2026 年 5 月 1 日起，DFG 将以约 540 万欧元（含项目统筹管理费共计 660 万欧元）的总资助额支持该研究工作。目标是进一步扩大贯穿整个医疗链条的转化研究：从细胞培养，到已建立的临床前多发性创伤模型，再到多发性创伤患者的临床应用。

在内容上，第二资助期延续了第一资助期的核心发现。尽管取得了显著进展，但预测严重创伤后个体的疾病进程仍然是一项重大挑战。系统性机制正日益成为关注的焦点，特别是跨器官通讯（Organ-Crosstalk）以及作为核心介导者的细胞外囊泡（EVs）。

以生物样本库和登记系统为研究基础
中心项目依托创伤研究网络（NTF）的血清/血浆或细胞外囊泡（EV）生物样本库，以及包含创伤性颅脑损伤模块的德国创伤登记系统（TraumaRegister DGU®）的扩展血清数据库，提供了全面的基础设施。在此基础上，各子项目深入研究了多发性创伤中的器官间串扰，包括心脏功能障碍（法兰克福，FA-1）、神经炎症过程（法兰克福，F-2），以及肺、肠道、胰腺和肾-骨相互作用（亚琛：A-1, UA-3；乌尔姆：U-1）。

同时，研究也在体内（in vivo）评估基于 EV 及其他创新的疗法，包括吸入性、巨噬细胞和细胞衍生的 EV，以及具有抗炎潜力的功能修饰 EV（亚琛 A-1/A-2，法兰克福 F-3）。补充项目（乌尔姆 U-2，亚琛 AU-3）则针对个体化治疗方法展开研究，例如在酒精中毒和免疫介导并发症方面的应用。

通过将所有子项目与组学（Omics）和生物信息学分析紧密结合，形成了一种整合性方法，以更好地阐明系统性创伤的后果，并开发针对多发性创伤的个性化疗法。德国创伤外科学院（AUC – Akademie der Unfallchirurgie）深度参与了创伤登记系统的模块建设。将生物样本库和登记系统扩展至更多创伤外科诊所，将开启巨大的额外研究潜力——我们期待您的联系。

作者：Birte Weber 博士, Rald Groven 博士, Frank Hildebrand 教授/博士, Ingo Marzi 教授/博士
更多信息：FOR5417 官方网站

以下是关于 多发性创伤（Polytrauma /ˈtrɔːmə/） 的详细医学解析。为了契合您的科研与临床背景，本解析涵盖了定义、病理生理机制、临床评估、治疗原则以及与现代前沿研究（如您之前提到的细胞外囊泡研究）的联系。

1. 核心定义 (Definition)

多发性创伤（Polytrauma） 是指由同一致伤因素（通常为高能量损伤）导致人体两个或两个以上解剖部位或脏器系统受到严重损伤，且其中至少有一处损伤是危及生命的，或者这些损伤的综合效应会引发全身性的病理生理紊乱。

  • 量化标准：临床上通常使用 损伤严重度评分（Injury Severity Score, ISS） 来界定，ISS ≥ 16 分 被广泛接受为多发性创伤的阈值。

2. 致伤机制 (Mechanism of Injury)

主要由高能量创伤（High-energy trauma） 引起，常见原因包括：

  • 高速交通事故（机动车、摩托车碰撞）
  • 高处坠落伤（通常 > 3 米）
  • 严重的挤压伤或重物砸伤
  • 爆炸伤或枪弹伤

3. 病理生理学核心 (Pathophysiology)

多发性创伤的致命性往往不在于单一的解剖损伤，而在于其引发的全身性级联反应。

  • SIRS 与 CARS 的失衡：创伤初期会引发强烈的全身炎症反应综合征（SIRS），随后机体可能转入代偿性抗炎反应综合征（CARS）。若两者失衡，极易导致免疫麻痹和继发感染，最终发展为多器官功能障碍综合征（MODS）。
  • “死亡三联征”（Lethal Triad）：这是严重创伤患者最危险的病理生理恶性循环，包括：
    1. 低体温（Hypothermia）：休克、大量输液及暴露导致体温下降，抑制凝血酶活性。
    2. 酸中毒（Acidosis）：组织低灌注导致无氧代谢，产生大量乳酸。
    3. 凝血功能障碍（Coagulopathy）：即创伤性凝血病（TIC），由组织因子释放、血小板消耗及上述低温和酸中毒共同加剧。
  • 器官间串扰（Organ Crosstalk）：这是当前研究的热点。例如，严重的创伤性脑损伤（TBI）会释放大量损伤相关分子模式（DAMPs），通过血液循环引发远端器官（如肺部）的炎症，导致急性呼吸窘迫综合征（ARDS），即所谓的“脑-肺轴”相互作用。

4. 临床评估与诊断 (Clinical Assessment)

遵循 高级创伤生命支持（ATLS, Advanced Trauma Life Support） 协议：

  • 初级评估（Primary Survey, ABCDE）：
    • Airway (气道)：保持通畅并保护颈椎。
    • Breathing (呼吸)：评估通气与氧合。
    • Circulation (循环)：控制出血，液体复苏。
    • Disability (神经功能障碍)：快速评估格拉斯哥昏迷评分（GCS）。
    • Exposure/Environment (暴露与环境控制)：完全暴露患者以检查隐匿损伤，同时防止低体温。
  • 辅助检查：床旁 FAST 超声（快速评估腹腔/心包积液）、全身 CT 扫描（Pan-scan，现代创伤中心的标配）。

5. 治疗原则：损伤控制 (Treatment Principles)

现代创伤外科的核心理念已从“一期完美修复”转变为 “损伤控制”（Damage Control）：

  • 损伤控制复苏（DCR）：早期使用平衡输血策略（红细胞:血浆:血小板 ≈ 1:1:1），限制晶体液输入，尽早使用氨甲环酸（TXA）抗纤溶。
  • 损伤控制外科（DCS, Damage Control Surgery）：对于生理状态极不稳定的患者，手术目的仅为“保命”：快速控制出血（如填塞、结扎）和控制污染（如肠道造瘘），然后迅速将患者转入 ICU 纠正“死亡三联征”。待生理指标稳定后（通常在 24-48 小时后），再进行确定性手术（Definitive Surgery）。
  • 时间窗概念：“白金十分钟”（现场急救与转运）与“黄金一小时”（院内确定性干预）。

6. 与前沿研究的联系（结合您提到的 DFG FOR5417）

正如您之前翻译的文献所述，现代多发性创伤研究的重心正在发生转移：

  • 传统研究侧重于解剖损伤的修复和血流动力学稳定。
  • 当前前沿（如 FOR5417 项目） 聚焦于系统性机制和转化医学。特别是 细胞外囊泡（Extracellular Vesicles, EVs），它们作为细胞间通讯的关键介质，携带蛋白质、脂质和核酸（如 miRNA），在创伤后调节免疫反应、介导器官间串扰（如骨-免疫轴、脑-器官轴）以及引发或缓解凝血病中扮演着核心角色。
  • 通过建立大型创伤生物样本库（Biobanks）和登记系统（如 TraumaRegister DGU®），研究人员正在寻找基于 EVs 的新型生物标志物，以期实现创伤后并发症的早期预测和个性化靶向治疗。

💡 总结： 在德语/欧洲医学语境中，Polytrauma 不仅仅是一个描述“多处受伤”的词汇，它是一个具有特定病理生理学内涵的临床综合征。理解它，必须从局部解剖损伤上升到全身系统性炎症、免疫调节和器官网络相互作用的层面。这也正是您所在科室（创伤外科与骨科）将“多发性创伤研究”作为 DFG 重点资助方向的核心原因。

lageplan_ukf

lageplan_ukf

综合评估这四篇文章的期刊影响力、研究主题的前沿性以及发表时效，第4篇文章（《Extracellular vesicles epitopes as potential biomarker candidates in patients with traumatic spinal cord injury》）的学术“含金量”最高。

以下是这四篇文章的详细对比分析（包含发表日期、期刊及含金量评估）：

1. 🥇 含金量最高：Extracellular vesicles epitopes as potential biomarker candidates in patients with traumatic spinal cord injury

  • 发表期刊：Frontiers in Immunology [[24]]
  • 发表日期：2024年11月27日 [[24]]
  • 含金量分析：
    • 期刊质量：Frontiers in Immunology 是免疫学领域的知名 Q1 区期刊，近年来影响因子（Impact Factor）稳定在 7.0 左右，学术认可度较高 [[24]]。
    • 研究前沿性：细胞外囊泡（Extracellular vesicles, EVs）作为疾病生物标志物是当前转化医学和再生医学中极度热门的研究方向。该研究聚焦于创伤性脊髓损伤，具有明确的临床转化潜力和较高的被引预期。
    • 时效性：发表于2024年底，属于非常新的前沿成果，当前关注度极高。

2. 🥈 含金量较高：Cell Supported Single Membrane Technique for the Treatment of Large Bone Defects: Depletion of CD8 Cells Enhances Bone Healing Mechanisms During the Early Bone Healing Phase

  • 发表期刊：Cells (MDPI) [[78]]
  • 发表日期：2026年1月23日 (Vol. 15, Issue 3) [[78]]
  • 含金量分析：
    • 期刊质量：Cells 是一本稳定的 Q2 区期刊，影响因子通常在 5.0 左右，学术规范性较好，但整体声誉略逊于 Frontiers in Immunology 等老牌顶刊 [[47]]。
    • 研究前沿性：探讨 CD8+ T 细胞耗竭对大段骨缺损早期愈合机制的促进作用，机制研究较为深入，具有较好的基础医学价值。
    • 时效性：为2026年最新发表的研究，时效性极强。

3. 🥉 含金量中等（垂直领域）：Development and biological validation of a dexamethasone-loaded, PLA-based 3D-printable composite filament for bone tissue engineering

  • 发表期刊：International Journal of Bioprinting [[55]]
  • 发表日期：Online First（在线优先发表），部分数据库标记为 2025/2026 年卷期 [[88]], [[90]]。
  • 含金量分析：
    • 期刊质量：这是一本相对新兴的垂直领域专业期刊，影响因子通常在 3.5–4.0 之间（Q2/Q3 区），受众面较窄 [[14]]。
    • 研究前沿性：3D打印载药（地塞米松）PLA复合丝材用于骨组织工程，属于材料学与生物医学交叉的实用型研究，应用价值明确，但理论突破性相对有限。

4. 📉 含金量相对较低（因年代久远）：Simvastatin modulates the adhesion and growth of hepatocellular carcinoma cells via decrease of integrin expression and ROCK

  • 发表期刊：International Journal of Oncology [[15]]
  • 发表日期：2011年3月 [[15]]
  • 含金量分析：
    • 期刊质量：该期刊影响因子常年在 3.0–4.0 左右徘徊，属于中等水平 [[67]]。
    • 研究前沿性：虽然该文章探讨了辛伐他汀通过降低整合素和 ROCK 表达来调节肝癌细胞黏附与生长的机制，且经过多年积累有一定被引量（如被引60余次）[[15]]，但作为一篇 2011年 的文献，其研究手段和结论在当今肿瘤学领域已缺乏新颖性和前沿竞争力。

💡 总结建议

如果您是在进行文献调研、课题申报或寻找高质量参考文献，第4篇（Frontiers in Immunology, 2024）在期刊分区、研究热点（细胞外囊泡+脊髓损伤）和学术影响力上综合表现最佳，含金量最高。第1篇（Cells, 2026）可作为骨免疫学（Osteoimmunology）领域的优秀最新参考。

Departments of Trauma Surgery and Urology, Johann Wolfgang Goethe University, Frankfurt am Main, Germany Goethe University Frankfurt, University Hospital, Department of Trauma Surgery and Orthopedics, Frankfurt, Germany

Qwen3.7-Max、Claude Opus 4.6、Claude Opus 4.8 和 Claude Sonnet 5 的详细性能对比

Leave a reply

IMPORTANT: the default model is Qwen3.7-Plus. We should manually choose Qwen3.7-Max after each startup!

Qwen3.7-Max 和 Qwen3.7-Plus 是阿里云通义千问 3.7 系列中的两款核心模型，它们并非简单的上下级关系，而是在核心定位、能力侧重点和适用场景上有明确划分。简单来说，Max 是“纯文本的旗舰大脑”，而 Plus 是“能看会动的多模态全能选手”。

🎯 核心定位差异

对比维度 Qwen3.7-Max Qwen3.7-Plus
核心定位 纯文本旗舰推理模型，追求极致的文本逻辑与代码能力。 高性价比多模态模型，在文本基础上增加了视觉理解与交互能力。
模态支持 仅支持纯文本输入输出，无法直接处理图片、视频。 支持文本、图像、视频输入，可以“看懂”截图、图表和设计稿。
核心优势 更强的复杂推理、编程能力（如 SWE-Pro 得分 60.6%），适合深度文本任务。 多模态理解与 GUI 操作能力（如 ScreenSpot Pro 得分 79.0），能看图写代码、操作界面。
响应速度 为追求推理精度，响应时间相对较长。 速度约为 Max 的 3倍，更适合需要快速反馈的场景。

💰 价格与性价比

Plus 在成本上具有碾压性优势，是绝大多数场景下的“性价比之王”。

  • Qwen3.7-Max (折后价)：输入 6元 / 百万 tokens，输出 18元 / 百万 tokens。
  • Qwen3.7-Plus (折后价)：输入 1.6元 / 百万 tokens (256K内)，输出 6.4元 / 百万 tokens。

Plus 的调用成本仅为 Max 的六分之一左右。此外，两款模型在夜间错峰时段（22:00-08:00）还有额外折扣，Max 折后倍率可达 0.1x，Plus 可达 0.04x，能进一步节省成本。

💡 场景选择建议

你可以根据实际需求来做决定：

  • 选 Qwen3.7-Max 的场景：

    • 纯文本重度任务：如大型代码库重构、复杂算法实现、法律合同审核、金融深度分析等。
    • 不计较成本，只求最强文本能力：对逻辑推理和输出质量有最极致的要求。

  • 选 Qwen3.7-Plus 的场景（绝大多数情况）：

    • 任何需要处理图片、视频的任务：如根据 UI 设计稿写前端代码、图表信息提取、截屏 Bug 分析等。
    • 追求性价比的综合业务：日常办公、内容创作、绝大多数企业级应用和中小型开发项目。
    • 构建视觉 Agent：模型能“看”屏幕并操作 GUI，适用于自动化流程。

总结一下：如果任务纯文本且追求极致，选 Max；其他所有情况，特别是涉及图像或追求高性价比时，Plus 是更明智的默认选择。

以下是 Qwen3.7-Max、Claude Opus 4.6、Claude Opus 4.8 和 Claude Sonnet 5 的详细性能对比。

关于模型名称的说明：你提到的“Sonnet 4.8”在Anthropic官方命名中为 Claude Sonnet 5。同时，在本次对比中，Claude Opus 4.8 是性能标杆，而 Claude Sonnet 5 是其高性价比“平替”。

🚀 核心性能与评测基准

能力维度 评测基准 Qwen3.7-Max Claude Opus 4.6 Claude Opus 4.8 Claude Sonnet 5 结果分析
编程智能体 SWE-bench Pro 60.6% 57.3% 69.2% 63.2% Opus 4.8 绝对领先。Sonnet 5 进步明显，而 Qwen3.7-Max 超越了 Opus 4.6。
编程智能体 Terminal-Bench 2.0/2.1 69.7% (v2.0) 65.4% (v2.0) 74.6% – 82.7% (v2.1) 80.4% (v2.1) Sonnet 5 表现突出，甚至在某些版本上超过 Opus 4.8。
推理能力 GPQA Diamond 92.4% 91.3% 93.6% 未明确公布 Opus 4.8 微弱领先。所有模型都达到了顶尖水平。
科学知识 ScienceQA 70.8% 未明确公布 76.4% (登顶) 未明确公布 Opus 4.8 优势显著，是该榜单首个突破75分的模型。
知识工作 GDPval-AA v2 未明确公布 未明确公布 1615 分 1618 分 Sonnet 5 与 Opus 4.8 基本持平，互有胜负。

💰 成本与性价比

Qwen3.7-Max 拥有最高的账面性价比，但需注意其“啰嗦”带来的隐藏成本。Sonnet 5 则在性能接近 Opus 4.8 的同时，提供了显著的价格优势。

  • Qwen3.7-Max：官方输入/输出定价为 $2.50 / $7.50 (每百万token)，远低于所有 Claude 模型。但需注意，在基准测试中它平均生成的 token 数是其他模型的 4倍，可能导致实际任务总成本接近 Opus 4.8。
  • Claude Opus 4.8：标准定价为输入 $5 / 输出 $25 (每百万token)，是性能最强但最贵的选项。
  • Claude Sonnet 5：标准定价为输入 $3 / 输出 $15 (每百万token)，约为 Opus 4.8 的 60%。但在2026年8月31日后的标准期，由于其新分词器会将文本切分成多约 30% 的 token，实际使用成本可能比旧模型更高。

⚙️ 核心特性与定位

特性 Qwen3.7-Max Claude Opus 4.6 Claude Opus 4.8 Claude Sonnet 5
核心定位 长周期自主执行的智能体 上一代旗舰通用模型 当前最强旗舰，复杂推理与编码 高性价比智能体，日常高频工作流
长上下文 100万 token 100万 token 100万 token 100万 token (但新tokenizer下实际容量缩水约23%)
多模态 不支持 (纯文本) 支持 (视觉) 支持 (视觉，但能力非优势项) 支持 (视觉)
关键优势 极强的自主执行与成本效益；兼容 Anthropic API – 编程、推理、数学能力顶峰 接近旗舰的能力，价格仅为其60%，智能体能力强
主要短板 生成内容冗长，“啰嗦”有隐藏成本 已被新模型超越 价格昂贵；有“作弊”和“降智”争议 标准期后实际成本可能高于账面；使用新tokenizer需适配

💡 总结与选择建议

  1. 追求极限性能，预算充足：选 Claude Opus 4.8。它在最难的编程、推理和数学任务上表现最佳。
  2. 平衡性能与成本，用于大规模部署：Claude Sonnet 5 是最佳选择。它以 Opus 4.8 约60%的价格提供了其85-90%的能力，是当前“性价比之王”。
  3. 专注长周期自主任务，且成本敏感：Qwen3.7-Max 值得考虑。它在编程和智能体基准上超越了 Opus 4.6，价格极具竞争力，但务必注意“啰嗦”带来的真实成本。
  4. 不推荐：在大多数场景下，Claude Opus 4.6 已被后面三个模型全面超越，不再是优选。

Taxonomic and Functional Divergence in Soil Microbial Communities: A MetaPhlAn and HUMAnN-Based Comparative Analysis of Two Distinct Locations (Data_Tam_Metagenomics_2026_Soil)

Leave a reply

https://huttenhower.sph.harvard.edu/biobakery_workflows/

Whole metagenome shotgun sequencing data can be processed through read-level quality control (KneadData), taxonomic profiling (MetaPhlAn), functional profiling (HUMAnN), and strain profiling (StrainPhlAn) to generate a report with publication-ready figures with two workflow commands.

  1. Prepare the toy datasets

     jhuang@WS-2290C:/mnt/md1/DATA/Data_Tam_Metagenomics_2026_Soil$ find . -name "*.fastq.gz"
 #./biobakery_input/Soil_Loc4_2.fastq.gz
 #./biobakery_input/Soil_Loc4_1.fastq.gz
 #./biobakery_input/Soil_Loc1_1.fastq.gz
 #./biobakery_input/Soil_Loc1_2.fastq.gz

  2. Create Pseudo-replicates for Testing Pipelines by creating subsampled replicates

     # For Soil_Loc1 - create two pseudo-replicates by random subsampling
 # Install seqtk if not already installed
 #conda install -c bioconda seqtk

 # Create replicate 1 (50% of reads)
 seqtk sample -s100 Soil_Loc1_1.fastq.gz 0.5 > Soil_Loc1_rep1_1.fastq
 seqtk sample -s100 Soil_Loc1_2.fastq.gz 0.5 > Soil_Loc1_rep1_2.fastq

 # Create replicate 2 (different 50% using different seed)
 seqtk sample -s200 Soil_Loc1_1.fastq.gz 0.5 > Soil_Loc1_rep2_1.fastq
 seqtk sample -s200 Soil_Loc1_2.fastq.gz 0.5 > Soil_Loc1_rep2_2.fastq

 # Compress them
 gzip Soil_Loc1_rep*_*.fastq

 # Repeat for Soil_Loc4
 seqtk sample -s100 Soil_Loc4_1.fastq.gz 0.5 > Soil_Loc4_rep1_1.fastq
 seqtk sample -s100 Soil_Loc4_2.fastq.gz 0.5 > Soil_Loc4_rep1_2.fastq
 seqtk sample -s200 Soil_Loc4_1.fastq.gz 0.5 > Soil_Loc4_rep2_1.fastq
 seqtk sample -s200 Soil_Loc4_2.fastq.gz 0.5 > Soil_Loc4_rep2_2.fastq
 gzip Soil_Loc4_rep*_*.fastq

  3. Run docker

     docker run -it \
     -v /mnt/nvme4n1p1/biobakery_db:/biobakery_databases \
     -v /mnt/md1/DATA/Data_Tam_Metagenomics_2026_Soil/biobakery_input_rep:/data \
     biobakery/workflows:fixed \
     /bin/bash

 export BIOBAKERY_WORKFLOWS_DATABASES=/biobakery_databases

 # ---- Configure databases (read-level quality control (1_KneadData), taxonomic profiling (2_MetaPhlAn), functional profiling (3_HUMAnN), and strain profiling (4_StrainPhlAn)) ----

 # By default in the environment: 1_KneadData_databases 路径: /biobakery_databases/kneaddata_db_human_genome

 # Check 2_MetaPhlAn_databases if correct
 python3 -c "import metaphlan, os; print(os.path.join(os.path.dirname(metaphlan.__file__), 'metaphlan_databases'))"
 #/usr/local/lib/python3.6/dist-packages/metaphlan/metaphlan_databases
 ls -lh $(python3 -c "import metaphlan, os; print(os.path.join(os.path.dirname(metaphlan.__file__), 'metaphlan_databases'))")

 # Check 3_HUMAnN
 humann_config --print
 #If not configured, using the following commands configuring them.
 humann_config --update database_folders nucleotide /biobakery_databases/humann/chocophlan
 humann_config --update database_folders protein /biobakery_databases/humann/uniref
 humann_config --update database_folders utility_mapping /biobakery_databases/humann/utility_mapping

 # By default in the environment: 4_StrainPhlAn_databases 路径: strainphlan_db_reference(empty) and strainphlan_db_markers (1.4G)

 # If new running, optimally clean up the partial results from the failed run.
 rm -rf /data/results/
 rm -rf /data/results/*fastqc.zip _fastqc    #IMPORTANT, so that no fastqc-related files existing under /data/results/
 rm -rf /data/results/humann

 # Run the workflow
 biobakery_workflows wmgx \
   --input /data \
   --output /data/results \
   --threads 64 \
   --pair-identifier "_1"

 biobakery_workflows wmgx_vis \
   --input /data/results \
   --output /data/results_vis \
   --project-name wastewater_2026

  4. Analyze metagenomics data from biobakery output using R (WITH REPLICATES) Project: Soil Metagenomics 2026 — Loc1 vs Loc4 comparison (Pseudo-replicates)

     (r_env) Rscript analyze_biobakery_output.R

analyze_biobakery_output.R

Key Updates Made:

  1. Metadata Parsing: Updated to automatically detect the new pseudo-replicate naming convention (e.g., Soil_Loc1_rep1, Soil_Loc4_rep2) and extract both Location and Replicate information.
  2. Dynamic Excel Exports: Removed hardcoded sample names (Soil_Loc1, Soil_Loc4). The script now dynamically calculates the mean abundance across replicates for each location to compute Diff and Log2FC.
  3. MaAsLin2 Setup: Removed all the leftover code from the hospital wastewater experiment (Treatment/TimePoint). Set up clean MaAsLin2 models to test the Location effect for both species and pathways.
  4. Beta Diversity PCoA: Added a Principal Coordinates Analysis (PCoA) plot, which is the standard and most informative way to visualize beta diversity when you have replicates.
  5. Pathway File Path: Updated the HUMAnN pathway file path to point to the new biobakery_input_rep directory.

⚠️ Important Statistical Note on Pseudo-Replicates

Pseudo-replicates created by subsampling FASTQ files are technical replicates, not biological replicates. They help you understand the technical variance of your sequencing pipeline and allow statistical models to run, but they do not capture true biological variance between different soil cores. Therefore, while MaAsLin2 and PERMANOVA will run and likely yield highly significant p-values, you should interpret these results as “technically distinct” rather than “biologically significant” until you sequence true biological replicates.

Yes, exactly! The qval is the FDR-adjusted p-value (specifically using the Benjamini-Hochberg procedure, since you set correction = "BH").

A qval < 0.05 means that after accounting for the fact that you are testing thousands of species/pathways simultaneously (multiple testing correction), this result has a False Discovery Rate of less than 5%. In other words, it is statistically significant.

Here is a breakdown of how to read your MaAsLin2 output table, along with an interpretation of your specific results.

📖 Glossary of Your Output Columns

Column Meaning
feature The species or pathway being tested (e.g., Bradyrhizobium.diazoefficiens).
metadata The variable you are testing (in this case, Location).
value The group being compared to the reference. Since your reference was Loc1, Loc4 means “Loc4 compared to Loc1”.
coef The Coefficient (Effect Size). A negative value means the feature is less abundant in Loc4 than Loc1. A positive value means it is more abundant in Loc4 than Loc1.
stderr The standard error of the coefficient.
pval The raw, unadjusted p-value.
qval The FDR-adjusted p-value. This is the most important metric for significance.
N Total number of samples in the model (4 in your case: 2 reps per location).
N.not.zero How many samples actually contained this feature. If N=4 and N.not.zero=2, it means the species was only detected in 2 of the 4 samples (e.g., present in Loc1, but completely absent in Loc4).

🔬 Interpreting Your Top Hits

Because you set transform = "NONE", the coef represents the raw difference in mean relative abundance between Loc4 and Loc1.

1. Bradyrhizobium.diazoefficiens

  • coef: -0.0475
  • qval: 0.021 (Significant!)
  • N.not.zero: 2
  • Interpretation: This nitrogen-fixing bacterium is significantly depleted in Location 4 compared to Location 1. It was likely only detected in your Loc1 replicates (hence N.not.zero = 2).

2. Candidatus Nitrosocosmicus oleophilus

  • coef: +0.7463
  • qval: 0.021 (Significant!)
  • N.not.zero: 4
  • Interpretation: This ammonia-oxidizing archaeon is significantly enriched in Location 4 compared to Location 1. It was detected across all 4 of your pseudo-replicates, but its abundance is substantially higher in Loc4.

3. Dyella marensis

  • coef: -0.2885
  • qval: 0.053 (Marginally non-significant)
  • Interpretation: It is less abundant in Loc4, but because the qval is just over 0.05, it does not strictly pass the 5% FDR threshold. It is a “trend” but you should not claim it as definitively different.

⚠️ A Crucial Reminder on “Pseudo-Replicates” for Publishing

When you write your methods or results section, you must be transparent about how these replicates were generated.

Because your replicates were created by computationally splitting the same FASTQ file (using seqtk) rather than sequencing independent soil cores, your statistical models (MaAsLin2) are calculating “technical variance,” not “biological variance.”

  • What this means: The qval proves that the differences between Loc1 and Loc4 are much larger than the sequencing noise/technical variance of the machine. It proves the differences are technically real and robustly detectable by your pipeline.
  • What it doesn’t mean: It does not prove that every square foot of soil in Loc1 differs from Loc4, because you only sampled one physical soil core per location.

How to phrase this in a publication:

“To evaluate the technical robustness of differential abundance between the two sampling sites, in silico pseudo-replicates were generated via random subsampling of sequencing reads. Differential abundance testing was performed using MaAsLin2. While these models successfully control for technical and sequencing variance (yielding significant FDR-adjusted q-values < 0.05), the lack of independent biological replicates means these results reflect localized, site-specific differences rather than broad population-level biological variance."

Staphylococcus epidermidis small basic protein（表皮葡萄球菌小分子碱性蛋白，简称 **Sbp**）

Leave a reply

1. 基本定义

Sbp 是表皮葡萄球菌分泌的一种分子量约为 18 kDa 的胞外蛋白 [[5]]。由于其分子量较小且等电点（pI）较高（约为 9.8，呈碱性），因此被命名为“小分子碱性蛋白”（Small basic protein） [[7]]。其编码基因通常为 sbp（如在参考菌株中注释为 SERP0270）。

2. 核心功能：生物被膜的关键“支架蛋白”

表皮葡萄球菌致病的关键在于其能够形成生物被膜（biofilm），而 Sbp 是生物被膜细胞外基质中的关键支架蛋白（scaffolding protein） [[1]]。

  • 促进表面定植：Sbp 优先沉积在生物被膜与基底（如人工导管、植入物表面）的交界处，形成连续的薄膜状结构，帮助细菌在定植后期稳固、持久地附着在非生物表面上 [[12]]。
  • 辅助细胞聚集：Sbp 本身不直接引起细菌聚集，而是作为关键的辅助因子，显著促进另外两种已知机制——多糖细胞间黏附素（PIA）和积聚相关蛋白（Aap）介导的细胞间聚集和多层生物被膜的组装 [[5]]。特别是，它能与 Aap 的 Domain-B 区域发生相互作用，从而招募 Sbp 到细菌细胞表面 [[12]]。

3. 结构与物理化学特性

  • 部分折叠与富含 β-折叠：在生理条件下的溶液中，Sbp 以单体形式存在，呈部分折叠状态，且富含 β-折叠（β-sheet）结构 [[1]]。
  • 形成淀粉样纤维（Amyloid fibrils）：近年来的结构生物学研究（如 SAXS、NMR 和电镜分析）发现，Sbp 具有在体外和体内自我组装形成“功能性淀粉样纤维”的特性 [[1]]。这种淀粉样纤维的形成，正是 Sbp 能够作为坚固的物理支架来支撑整个生物被膜三维架构的核心分子机制 [[1]]。

4. 临床与致病意义

表皮葡萄球菌是人体皮肤的常见共生菌，但也是医院内感染（尤其是导管、人工关节等植入物相关感染）的重要条件致病菌 [[5]]。生物被膜的形成使其能够抵抗宿主免疫系统和抗生素的杀伤。Sbp 作为生物被膜基质的关键结构成分，在细菌定植人工表面和引发慢性感染中扮演着重要角色 [[12]]。因此，Sbp 及其介导的淀粉样纤维形成机制，已成为潜在的新型抗生物被膜药物或涂层研发的靶点。

💡 针对本人研究的延伸建议： 如果本人正在对表皮葡萄球菌的 DNA-seq 数据进行变异分析（如本人之前关注的突变位点），在分析 sbp 基因时，可以重点关注：

  1. 基因缺失或移码突变：由于 Sbp 是生物被膜形成的辅助因子，sbp 基因的失活突变可能导致菌株在体外生物被膜形成能力显著下降（约降低 60%） [[12]]。
  2. 分泌信号肽区域：Sbp 的 N 端含有一个分泌信号肽（约前 28-29 个氨基酸），若该区域发生突变，可能会影响蛋白的正常胞外分泌和定位 [[7]]。

TODO： 需要提取特定菌株中 sbp 基因的序列、进行多序列比对或分析特定突变（如错义突变）对其淀粉样纤维形成能力的潜在影响。

Chess 候选人赛冠军击败卫冕王者的成功率

Leave a reply

以下是国际象棋历史上公开组（Open） 所有公认的世界冠军完整名单。国际象棋界通常以 1886年 威廉·斯坦尼茨与约翰内斯·祖克托特的比赛作为第一位“正式”世界冠军的起点 [[3]]。

截至2024年底，历史上共产生了 18位 正式的国际象棋世界冠军 [[1]] [[107]]。名单按历史时期划分如下：

一、 无争议世界冠军时期（1886年 – 1993年）

这一时期，冠军通过在挑战者筹集奖金后进行的对抗赛中击败卫冕冠军来产生。

  1. 威廉·斯坦尼茨 (Wilhelm Steinitz) ｜ 奥地利/美国 ｜ 1886 – 1894
  2. 埃马纽埃尔·拉斯克 (Emanuel Lasker) ｜ 德国 ｜ 1894 – 1921（在位27年，史上最长）
  3. 何塞·劳尔·卡帕布兰卡 (José Raúl Capablanca) ｜ 古巴 ｜ 1921 – 1927
  4. 亚历山大·阿廖欣 (Alexander Alekhine) ｜ 俄罗斯/法国 ｜ 1927 – 1935，1937 – 1946（唯一一位在任期内去世的冠军）
  5. 马克斯·尤伟 (Max Euwe) ｜ 荷兰 ｜ 1935 – 1937
  6. 米哈伊尔·鲍特维尼克 (Mikhail Botvinnik) ｜ 苏联 ｜ 1948 – 1957，1958 – 1960，1961 – 1963（国际棋联接管后的首位冠军）
  7. 瓦西里·斯梅斯洛夫 (Vasily Smyslov) ｜ 苏联 ｜ 1957 – 1958
  8. 米哈伊尔·塔尔 (Mikhail Tal) ｜ 苏联 ｜ 1960 – 1961
  9. 提格兰·彼得罗辛 (Tigran Petrosian) ｜ 苏联 ｜ 1963 – 1969
  10. 鲍里斯·斯帕斯基 (Boris Spassky) ｜ 苏联 ｜ 1969 – 1972
  11. 鲍比·菲舍尔 (Bobby Fischer) ｜ 美国 ｜ 1972 – 1975
  12. 阿纳托利·卡尔波夫 (Anatoly Karpov) ｜ 苏联/俄罗斯 ｜ 1975 – 1985
  13. 加里·卡斯帕罗夫 (Garry Kasparov) ｜ 苏联/俄罗斯 ｜ 1985 – 1993

二、 头衔分裂时期（1993年 – 2006年）

1993年，卡斯帕罗夫与挑战者肖特脱离国际棋联（FIDE），成立了职业国际象棋协会（PCA），导致世界冠军头衔分裂为两个平行体系，直到2006年才重新统一。

【国际棋联 (FIDE) 体系冠军】

  • 阿纳托利·卡尔波夫 (Anatoly Karpov) ｜ 1993 – 1999
  • 亚历山大·哈利夫曼 (Alexander Khalifman) ｜ 1999 – 2000
  • 维斯瓦纳坦·阿南德 (Viswanathan Anand) ｜ 2000 – 2002
  • 鲁斯兰·波诺马廖夫 (Ruslan Ponomariov) ｜ 2002 – 2004
  • 鲁斯塔姆·卡西姆扎诺夫 (Rustam Kasimdzhanov) ｜ 2004 – 2005
  • 维塞林·托帕洛夫 (Veselin Topalov) ｜ 2005 – 2006

【职业棋协 (PCA) / 经典赛体系冠军】

  • 加里·卡斯帕罗夫 (Garry Kasparov) ｜ 1993 – 2000
  • 弗拉基米尔·克拉姆尼克 (Vladimir Kramnik) ｜ 2000 – 2006

三、 头衔统一后的无争议世界冠军（2006年 – 至今）

2006年，克拉姆尼克与托帕洛夫进行统一赛，此后所有世界冠军赛均由国际棋联（FIDE）统一管理，并通常定为每两年举办一次。

  1. 弗拉基米尔·克拉姆尼克 (Vladimir Kramnik) ｜ 俄罗斯 ｜ 2006 – 2007
  2. 维斯瓦纳坦·阿南德 (Viswanathan Anand) ｜ 印度 ｜ 2007 – 2013
  3. 马格努斯·卡尔森 (Magnus Carlsen) ｜ 挪威 ｜ 2013 – 2023
  4. 丁立人 (Ding Liren) ｜ 中国 ｜ 2023 – 2024（中国首位国际象棋男子世界冠军，也是历史上第17位世界冠军）[[104]]
  5. 多曼拉朱·古克什 (Gukesh Dommaraju) ｜ 印度 ｜ 2024 – 至今（在2024年底击败丁立人，成为历史上最年轻的世界冠军）[[107]]

补充说明：

  1. 早期非正式“世界冠军”：在1886年之前，如菲利多尔（Philidor）、拉布多内（La Bourdonnais）、霍华德·斯汤顿（Howard Staunton）、阿道夫·安德森（Adolf Anderssen）和保罗·摩菲（Paul Morphy）等人曾被同时代人公认为“世界最强棋手”，但现代国际象棋界通常不将他们计入正式的世界冠军序列。
  2. 女子世界冠军：国际象棋设有独立的女子世界冠军赛事（如谢军、诸宸、许昱华、侯逸凡、居文君等均曾夺冠），上述名单仅针对公开组（Open） 世界冠军。
  3. 其他项目：除传统慢棋外，国际棋联还单独举办世界快棋（Rapid）、超快棋（Blitz）、通讯棋（Correspondence）和菲舍尔任意制（Chess960）的世界冠军赛。

以下是国际象棋历史上女子世界冠军（Women’s World Chess Champion） 的完整名单。女子世界冠军的历史始于 1927年，由国际棋联（FIDE）认证和管理。

截至2024年底，历史上共有 17位 不同的女性曾加冕女子世界冠军。按历史时期划分如下：

一、 早期与苏联统治时期（1927年 – 1991年）

这一时期主要通过循环赛或对抗赛决出冠军，苏联（及后来的独联体/格鲁吉亚）棋手展现了绝对的统治力。

  1. 维拉·明契克 (Vera Menchik) ｜ 俄罗斯/捷克斯洛伐克/英国 ｜ 1927 – 1944
    （首位女子世界冠军，不幸在1944年二战伦敦空袭中遇难，头衔在其任内中断）
  2. 柳德米拉·鲁坚科 (Lyudmila Rudenko) ｜ 苏联 ｜ 1950 – 1953
  3. 叶丽萨维塔·贝科娃 (Elisaveta Bykova) ｜ 苏联 ｜ 1953 – 1956，1958 – 1962
  4. 奥尔加·鲁布佐娃 (Olga Rubtsova) ｜ 苏联 ｜ 1956 – 1958
  5. 诺娜·加普林达什维利 (Nona Gaprindashvili) ｜ 苏联/格鲁吉亚 ｜ 1962 – 1978
    （统治棋坛16年，后成为历史上首位获得国际象棋“特级大师”称号的女性）
  6. 玛雅·齐布尔达尼泽 (Maia Chiburdanidze) ｜ 苏联/格鲁吉亚 ｜ 1978 – 1991

二、 中国崛起与赛制变革时期（1991年 – 2017年）

1991年，中国棋手打破了苏联/东欧对该头衔长达41年的垄断。此期间，国际棋联曾一度将世锦赛改为淘汰赛制（Knockout），导致冠军更迭较为频繁。

  1. 谢军 (Xie Jun) ｜ 中国 ｜ 1991 – 1996，1999 – 2001
    （中国乃至亚洲首位女子世界冠军） [[4]]
  2. 苏珊·波尔加 (Susan Polgar) ｜ 匈牙利 ｜ 1996 – 1999
  3. 诸宸 (Zhu Chen) ｜ 中国 ｜ 2001 – 2004
  4. 安托阿内塔·斯坦芳诺娃 (Antoaneta Stefanova) ｜ 保加利亚 ｜ 2004 – 2006
  5. 许昱华 (Xu Yuhua) ｜ 中国 ｜ 2006 – 2008
  6. 亚历山德拉·科斯坚纽克 (Alexandra Kosteniuk) ｜ 俄罗斯 ｜ 2008 – 2010
  7. 侯逸凡 (Hou Yifan) ｜ 中国 ｜ 2010 – 2012，2013 – 2015，2016 – 2017
    （共4次夺冠，是历史上最年轻的女子世界冠军） [[32]]
  8. 安娜·乌什尼娜 (Anna Ushenina) ｜ 乌克兰 ｜ 2012 – 2013
  9. 玛丽亚·穆兹丘克 (Mariya Muzychuk) ｜ 乌克兰 ｜ 2015 – 2016
  10. 谭中怡 (Tan Zhongyi) ｜ 中国 ｜ 2017 – 2018

三、 传统对抗赛制回归与“居文君时代”（2018年 – 至今）

国际棋联重新确立了“大奖赛/候选人赛 + 冠军对抗赛”的传统模式，冠军头衔的含金量与稳定性大幅提升。

  1. 居文君 (Ju Wenjun) ｜ 中国 ｜ 2018 – 至今
    （已4次加冕：2018年击败谭中怡首夺冠军，2020年卫冕，2023年在对抗赛中击败雷挺婕成功卫冕 [[43]]。她将在2025年接受2024年女子候选人赛冠军谭中怡的挑战 [[47]]）

💡 补充说明：

  1. 中国的辉煌成就：自1991年谢军首夺冠军以来，中国共产生了 6位 女子世界冠军（谢军、诸宸、许昱华、侯逸凡、谭中怡、居文君），是历史上产生女子世界冠军最多的国家，形成了著名的“国象女队集团优势”。
  2. 赛制区别：与公开组（男子）不同，女子世界冠军赛在2000年至2010年代中期曾采用64人单败淘汰赛制，这使得一些等级分并非最高的棋手也有机会爆冷夺冠（如乌什尼娜、穆兹丘克）。
  3. 其他项目：国际棋联同样设有独立的女子快棋（Rapid）和超快棋（Blitz）世界冠军赛。例如，印度名将科内鲁（Humpy Koneru）和中国的居文君都曾获得过女子快棋/超快棋世界冠军头衔 [[45]]。

在国际象棋历史上，通过候选人赛拿到挑战权，并最终在世界冠军对抗赛中击败卫冕冠军登顶的，共有10届（涉及8位棋手）。 需要注意的是，像丁立人（2023年夺冠，卡尔森退赛）、卡尔波夫（1975年因菲舍尔退赛直接继位）等，属于通过候选人赛获得资格，但未能在棋盘上直接击败卫冕冠军的情况，因此不计入内。 以下是直接在头衔战中“挑落”现任世界冠军的历届候选人赛冠军名单（按时间倒序排列）：

1. 2024年候选人赛冠军：多马拉朱·古凯什 (Gukesh D) 🇮🇳

  • 结果：在2024年底的新加坡世界冠军对抗赛中，击败了中国卫冕冠军丁立人，成为第18位世界冠军。 [1]

2. 2013年候选人赛冠军：马格努斯·卡尔森 (Magnus Carlsen) 🇳🇴

  • 结果：在2013年世界冠军赛中，击辟了印度本土作战的卫冕冠军阿南德，开启了属于他的卡尔森时代。 [1]

3. 1993年PCA候选人赛冠军：加里·卡斯帕罗夫 (Garry Kasparov) 俄罗斯/苏联

  • 注：此处特指1983年候选人赛。
  • 结果：1983年卡斯帕罗夫赢得候选人赛，并在旷日持久的1984–1985年对抗赛中，最终击败了卫冕冠军阿纳托利·卡尔波夫，成为当时历史上最年轻的世界冠军。

4. 1977年 & 1980年候选人赛冠军：维克多·科尔奇诺伊 (Viktor Korchnoi) （未成功）

  • 特别提及：他连续两届杀出候选人赛，但均在世界冠军对抗赛中败给了卡尔波夫。

5. 1971年候选人赛冠军：鲍比·菲舍尔 (Bobby Fischer) 🇺🇸

  • 结果：在1972年被称为“世纪大战”的雷克雅未克对抗赛中，大比分击败苏联卫冕冠军鲍里斯·斯帕斯基，打破了苏联对国象王座数十年的垄断。

6. 1968年候选人赛冠军：鲍里斯·斯帕斯基 (Boris Spassky) 苏联

  • 结果：在1969年世界冠军赛中，击败了铁防大师蒂格兰·彼得罗西扬（他在1965年夺得候选人赛挑战彼得罗西扬时曾失败过一次）。

7. 1962年候选人赛冠军：蒂格兰·彼得罗西扬 (Tigran Petrosian) 苏联

  • 结果：在1963年世界冠军对抗赛中，击败了苏联国象教父米哈伊尔·鲍特维尼克。

8. 1959年候选人赛冠军：米哈伊尔·塔尔 (Mikhail Tal) 苏联

  • 结果：在1960年对抗赛中，凭借狂暴的进攻风格击败了鲍特维尼克，成为当时最年轻的世界冠军（不过次年复赛被鲍特维尼克夺回）。 [2]

9. 1956年候选人赛冠军：瓦西里·斯梅斯洛夫 (Vasily Smyslov) 苏联

  • 结果：在1957年世界冠军赛中，击败了鲍特维尼克（他曾获得1953年候选人赛冠军，但在1954年挑战时与鲍特维尼克打平，未能夺冠）。 [2]

📊 总结：候选人赛冠军击败卫冕王者的成功率

历史上，能够从地狱级难度的候选人赛中杀出、并最终直接掀翻王座的只有： 斯梅斯洛夫 (1957) ➔ 塔尔 (1960) ➔ 彼得罗西扬 (1963) ➔ 斯帕斯基 (1969) ➔ 菲舍尔 (1972) ➔ 卡斯帕罗夫 (1985) ➔ 卡尔森 (2013) ➔ 古凯什 (2024)。 在最近一届的 2026年世界冠军对抗赛（预计于2026年11月至12月举行）中，新一届候选人赛冠军、乌兹别克斯坦的贾沃希尔·辛达罗夫 (Javokhir Sindarov) 将向现任世界冠军多马拉朱·古凯什发起挑战。 [3] 如果你感兴趣，我们可以继续聊聊：

  • 这几场史诗级对决中，哪一场的对局内容或历史背景（例如1972美苏世纪大战）让你最想了解？
  • 你是否想预测一下2026年底古凯什 vs 辛达罗夫的强强对话？ [3, 4]

[1] https://baike.baidu.com [2] https://www.reddit.com [3] https://en.wikipedia.org [4] https://kheladesk.com

丁立人在2023年夺得世界冠军的历史进程，堪称国际象棋史上最具戏剧性、最跌宕起伏的“逆袭”神话。他从最初几乎无缘候选人赛，到最终加冕第17位世界冠军，中间经历了数次惊人的转折： [1, 2, 3]

1. 戏剧性的晋级之路（一波三折）

丁立人之所以能参加2023年的世界冠军赛，本身就是一系列小概率事件叠加的结果：

  • 递补进入候选人赛：2022年，原本获得候选人赛资格的俄罗斯棋手卡尔亚金因政治言论被国际棋联禁赛。当时丁立人是等级分最高的非参赛棋手，但因疫情缺少比赛对局数。为了帮他刷满法定的30盘棋，中国国象协会在1个月内赶办了三场比赛，丁立人凭借惊人的毅力打满对局，压哨夺回候选人赛资格。 [1]
  • 最后一轮惊险拿亚军：在2022年候选人赛中，俄罗斯棋手伊恩·涅波姆尼亚奇提前夺冠。当时大家都以为只有第一名有用，但在收官轮（第14轮）中，丁立人执白死磕并击败了积分暂列第二的美国名将中村光，硬生生抢下了候选人赛亚军。 [4]

2. 卡尔森退赛送来“天赐良机”

执掌国际象棋王座长达10年的挪威棋王马格努斯·卡尔森（Magnus Carlsen）在2022年7月正式宣布：由于缺乏动力，他将放弃卫冕古典棋世界冠军头衔。 [5, 6]

  • 根据国际棋联规则，现任冠军退赛后，世界冠军赛将由候选人赛的前两名直接对决。
  • 丁立人凭借此前最后一轮拼下的亚军，顺理成章地递补获得了与涅波姆尼亚奇争夺世界冠军王座的资格！ [4, 5, 7]

3. 2023年阿斯塔纳对决：惊天逆转

2023年4月，哈萨克斯坦阿斯塔纳世界冠军对抗赛打响。整场比赛的心理战和跌宕程度历史罕见： [2, 8, 9]

  • 慢棋阶段（落后-追平的循环）：在14盘古典慢棋中，由于巨大的心理压力，双方失误频频，比赛演变成惨烈的对攻战。涅波姆尼亚奇在比赛中先后三次取得比分领先，而丁立人展现了极强的韧性，顶住压力三次将比分顽强扳平。最终，双方在慢棋阶段打成 7:7 平。 [2, 3, 4, 10]
  • 快棋加赛：史诗般的第4局：比赛进入4盘25分钟的快棋加赛。前3局双方全部弈和。 [1, 3, 11]
  • 在第4局中，丁立人执黑，在局势看似无法避免和棋、全场都以为要进入超快棋加赛时，他展现了极其推崇的胜负师精神：在时间所剩无几的情况下，丁立人拒绝长将和棋，毅然选择“自捆（Self-pin）”国王进行绝地反击！ 这一极其冒险却充满勇气的选择彻底震撼了涅波姆尼亚奇，导致后者在重压下连续犯错。 [2]

最终，涅波姆尼亚奇在第68步见大势已去，痛苦投子认输。丁立人以快棋加赛 2.5 : 1.5 的比分绝杀对手，成为了国际象棋历史上第17位世界冠军，也是中国棋王第一人。 [2, 3] 如果你对这段历史感兴趣，我们还可以聊聊：

  • 丁立人在那场比赛中的幕后助手（Seconds）拉波特对他的怪招帮助？
  • 丁立人夺冠后经历的心理低谷，以及他在2024年底对阵古凯什的卫冕战战况？ [12, 13]

[1] https://en.wikipedia.org [2] https://www.theguardian.com [3] https://www.chess.com [4] https://en.wikipedia.org [5] https://en.wikipedia.org [6] https://www.firstpost.com [7] https://www.fide.com [8] https://www.fide.com [9] https://lichess.org [10] https://en.chessbase.com [11] https://www.chessgames.com [12] https://www.reddit.com [13] https://en.wikipedia.org

Streamlining TraDIS Analysis: Updating Circos Visualizations and Functional Clustering of Essential Genes in Yersinia (Data_Jiline_Transposon)

Leave a reply

Main story: Motivation → Visualization Update → Annotation Strategy → Functional Clustering.

circos_4rings.conf

tn5_essential_cog_profiler.py

circos

  • COG_groups_barchart_absolute
  • COG_groups_barchart_percent

R、W、Z、Y、B、A 这些 COG 类别在所有条件下确实都显示为零或接近零。这与之前我解释的情况不同，让我为您解释为什么在您的实验数据中这些类别会是零：

可能的原因：

1. 技术/方法学原因

  • Tn5 转座子饱和度的限制：某些必需基因可能因为序列特征（如 GC 含量、二级结构）而难以被 Tn5 转座子插入，导致这些基因在筛选中未被识别
  • 基因注释的局限性：使用的 COG 数据库版本或注释工具可能没有将某些基因正确分类到这些类别

2. 生物学原因

Y (核结构) 和 B (染色质结构)：

  • 细菌没有真正的细胞核，这些类别在细菌中本来就很少见
  • 细菌的染色体相关蛋白（如 HU、H-NS）可能被注释到了其他类别（如 L – 复制、重组和修复）

A (RNA 加工和修饰)：

  • 细菌的 RNA 加工机制相对简单
  • 相关基因可能被归类到了其他类别（如 J – 翻译相关）

Z (细胞骨架)：

  • 虽然细菌有 FtsZ 等细胞骨架蛋白，但在某些菌株中这些基因可能不是绝对必需的
  • 或者这些基因被注释到了其他类别（如 D – 细胞周期控制）

W (细胞外结构)：

  • 在实验室培养条件下，某些细胞外结构基因可能不是必需的
  • 这些基因通常在特定环境（如感染、生物膜形成）中才变得重要

R (一般功能预测)：

  • 这个类别通常是”未知功能”的暂存区
  • 如果您的基因组注释质量很高，大多数基因都有了明确的功能分类，R 类就会很少

3. 验证步骤

  1. 检查原始数据：查看是否真的有基因被注释到这些类别，但在筛选必需基因时被排除了
  2. 手动检查关键基因：例如 FtsZ（应该在 Z 类）、SMC 蛋白（可能在 Y 或 B 类）的实际注释情况
  3. 重新运行 COG 注释：使用最新的数据库（如 eggNOG-mapper）重新注释，看结果是否一致
  • COG_letters_barchart_absolute
  • COG_letters_barchart_percent

Pipeline Update: Refining TraDIS Visualizations and Functionally Clustering Essential Genes in Non-Model Organisms

Context & Motivation: Following a review of our TraDIS data visualization, we received feedback to make two key updates for our upcoming manuscript:

  1. Remove the extracellular bacteria sample (green outer ring) from the Circos plot to reduce visual clutter.
  2. Generate a comprehensive functional clustering table of all identified essential genes (e.g., ribosome-associated, DNA-associated) to replace vague references to “confirmed essential genes” in the methods section.

Below is the adapted pipeline to achieve both goals, specifically tailored for a non-model organism where standard R annotation packages (e.g., org.Hs.eg.db) do not apply. Instead, we derive functional annotations directly from protein sequences using EggNOG-mapper.

Part 1: Updating the Circos Visualization

To remove the extracellular sample, we must adjust the circos.conf file by removing its corresponding plot block and re-balancing the radii (r1 and r0) of the remaining rings. This ensures the 4 remaining conditions and the essential genes heatmap evenly distribute and fill the space left by the removed outer ring.

Action: Replace the plots section in your configuration file and run:

circos -conf circos_4rings.conf

Part 2: Functional Annotation Strategy (EggNOG-mapper)

Since standard organism-specific databases are unavailable, we use EggNOG-mapper to generate robust functional annotations (COG categories, KEGG pathways, GO terms) directly from the protein FASTA sequences.

2A) Environment Setup

mamba create -n eggnog_env python=3.8 eggnog-mapper -c conda-forge -c bioconda   # Installs eggnog-mapper 2.1.12
mamba activate eggnog_env

2B) Database Preparation

mkdir -p /home/jhuang/mambaforge/envs/eggnog_env/lib/python3.8/site-packages/data/
download_eggnog_data.py --dbname eggnog.db -y \
  --data_dir /home/jhuang/mambaforge/envs/eggnog_env/lib/python3.8/site-packages/data/

2C) Input Preparation & Execution

(Note: Step 2C.1 is optional and used primarily for RNA-seq integration baseline, but good practice for header standardization).

1. Clean Reference FASTA Headers (Optional):

mv ~/Downloads/sequence\(12\).txt CP009367_protein_.fasta
python ~/Scripts/update_fasta_header.py CP009367_protein_.fasta CP009367_protein.fasta
  • Input: Downloaded GenBank protein FASTA (CP009367_protein_.fasta)
  • Output: Cleaned FASTA headers (CP009367_protein.fasta)

2. Run EggNOG-mapper:

emapper.py -i CP009367_protein.fasta -o eggnog_out --cpu 60
# Add --resume if the process was interrupted
  • Output: eggnog_out.emapper.annotations (Contains all functional mappings for downstream clustering).

Part 3: Essential Gene Functional Clustering & Reporting

To answer the request for a table showing all essential genes and their involved pathways, we cross-reference the TraDIS essentiality calls with the EggNOG annotations using a custom Python profiler.

3A) Execute the Clustering Pipeline

Run the adapted profiling script, which strictly filters for genes marked as "Essential" in the final column of the Tn5Gaps.xls sheets, maps them to their COG categories, and generates both summary statistics and manuscript-ready tables.

cd /mnt/md1/DATA/Data_Jiline_Transposon/
./tn5_essential_cog_profiler.py

3B) Finalize the Manuscript Excel Output

The script generates Tn5_Essential_COG_Summary.xlsx. Before sharing with collaborators or inserting into the manuscript supplementary materials, perform these final cleanup steps in Excel:

  1. Rename the primary sheet: Change the name of the main detailed sheet to Essential_Genes_Functional_Groups.
  2. Clean up the Summary sheet: In the final summary tab, delete the Unassigned and R+S_Percent columns to keep the focus strictly on the assigned functional distributions.

Final Deliverables:

  • Updated Circos plots (.png / .svg) with 4 rings.
  • Tn5_Essential_COG_Summary.xlsx containing the complete, filtered table of essential genes mapped to their specific COG letters and broader functional groups (Information Storage, Cellular Processes, Metabolism, etc.).

Generating Pseudo-Replicates for ONT Methylation Analysis: Splitting POD5 Files vs. BAM Subsampling for nf-core/methylong (Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans)

Leave a reply

To create pseudo-replicates for statistical analysis, splitting the POD5 files is the best approach. This ensures that each replicate is processed independently from basecalling to alignment, which better simulates technical variability and avoids biases introduced by splitting already-aligned BAM files (which might have mapping dependencies).

Here is the strategy:

  1. Split POD5s: For each sample, split the original pod5_pass directory into two subsets (Replicate 1 and Replicate 2).To create pseudo-replicates for statistical analysis, splitting the POD5 files is the best approach. This ensures that each replicate is processed independently from basecalling to alignment, which better simulates technical variability and avoids biases introduced by splitting already-aligned BAM files (which might have mapping dependencies).

Here is the strategy:

  1. Split POD5s: For each sample, split the original pod5_pass directory into two subsets (Replicate 1 and Replicate 2). We will use a simple script to randomly assign ~50% of reads to each replicate.
  2. Adapt generate_mapped_modbam.sh: Modify the script to process these split POD5 directories.
  3. Update Samplesheets: Create new samplesheets that list the pseudo-replicates.

Step 1: Script to Split POD5 Files

First, let’s create a helper script to split your POD5 files. Save this as split_pod5.sh.

#!/bin/bash
# split_pod5.sh - Splits POD5 files into two pseudo-replicates
set -euo pipefail

# Configuration
BASE_DIR="/home/jhuang/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans"
POD5_BASE="${BASE_DIR}/X101SC26036392-Z01-J004/Release-X101SC26036392-Z01-J004-20260625_01/Data-X101SC26036392-Z01-J004"

# List of sample folders relative to POD5_BASE
SAMPLES=("S2_Light" "S2_Dark" "T" "O" "WT_Trans" "O_Trans" "WT")

for SAMPLE in "${SAMPLES[@]}"; do
    echo "Processing ${SAMPLE}..."

    # Define source directory
    SRC_DIR="${POD5_BASE}/${SAMPLE}/1732_2B_PBK77125_17f5982a/${SAMPLE}_pod5_pass"

    # Define output directories for replicates
    REP1_DIR="${SRC_DIR}_rep1"
    REP2_DIR="${SRC_DIR}_rep2"

    # Create output dirs if they don't exist
    mkdir -p "${REP1_DIR}" "${REP2_DIR}"

    # Get all pod5 files
    FILES=("${SRC_DIR}"/*.pod5)
    TOTAL=${#FILES[@]}

    if [ "$TOTAL" -eq 0 ]; then
        echo "No POD5 files found for ${SAMPLE}. Skipping."
        continue
    fi

    echo "Found ${TOTAL} POD5 files. Splitting..."

    # Shuffle and split
    # Note: shuf is part of coreutils on Linux
    SHUFFLED=($(shuf -e "${FILES[@]}"))

    MID=$((TOTAL / 2))

    # Copy first half to rep1, second half to rep2
    for i in "${!SHUFFLED[@]}"; do
        FILE="${SHUFFLED[$i]}"
        BASENAME=$(basename "${FILE}")

        if [ "$i" -lt "$MID" ]; then
            cp "${FILE}" "${REP1_DIR}/${BASENAME}"
        else
            cp "${FILE}" "${REP2_DIR}/${BASENAME}"
        fi
    done

    echo "✅ ${SAMPLE} split complete: ${MID} files in rep1, $((TOTAL - MID)) files in rep2"
done

echo "🎉 All POD5 files split successfully!"

Run this script once:

chmod +x split_pod5.sh
./split_pod5.sh

Step 2: Adapted generate_mapped_modbam_rep.sh

This updated script now processes the _rep1 and _rep2 directories created above. It generates separate BAM files for each replicate.

#!/bin/bash
#===============================================================================
# generate_mapped_modbam_pseudo_reps_rep.sh - Local Dorado generation for pseudo-replicates
#===============================================================================
set -euo pipefail

# === Configuration ===
DORADO="/home/jhuang/Tools/dorado-2.0.0-linux-x64/bin/dorado"  # Your local Dorado path
BASE_DIR="/home/jhuang/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans"
OUTDIR="${BASE_DIR}"

# Reference genome paths
REF_S2_LIGHT="${BASE_DIR}/S2_Light-trycycler-medaka_polished_genome.fa"
REF_S2_DARK="${BASE_DIR}/S2_Dark-trycycler-medaka_polished_genome.fa"
REF_T="${BASE_DIR}/T-trycycler-medaka_polished_genome.fa"
REF_O="${BASE_DIR}/O-trycycler-medaka_polished_genome.fa"
REF_WT_TRANS="${BASE_DIR}/WT_Trans-trycycler-medaka_polished_genome.fa"
REF_O_TRANS="${BASE_DIR}/O_Trans-trycycler-medaka_polished_genome.fa"
REF_WT="${BASE_DIR}/WT-trycycler-medaka_polished_genome.fa"

# POD5 data paths (Updated to point to split replicas)
POD5_BASE="${BASE_DIR}/X101SC26036392-Z01-J004/Release-X101SC26036392-Z01-J004-20260625_01/Data-X101SC26036392-Z01-J004"

# Helper function to get pod5 path
get_pod5_path() {
    local SAMPLE=$1
    local REP=$2
    echo "${POD5_BASE}/${SAMPLE}/1732_2B_PBK77125_17f5982a/${SAMPLE}_pod5_pass_${REP}"
}

# Dorado model
MODEL="dna_r10.4.1_e8.2_400bps_sup@v5.0.0"

# Ensure all reference genomes are indexed
echo "📚 Indexing reference genomes..."
for REF in "${REF_S2_LIGHT}" "${REF_S2_DARK}" "${REF_T}" "${REF_O}" "${REF_WT_TRANS}" "${REF_O_TRANS}" "${REF_WT}"; do
    if [ ! -f "${REF}.fai" ]; then
        echo "   Indexing: $(basename ${REF})"
        samtools faidx "${REF}"
    fi
done

# === Function: Generate modBAM ===
generate_modbam() {
    local SAMPLE_NAME=$1
    local REF=$2
    local POD5_DIR=$3
    local MOD_BASES=$4

    echo "🚀 Generating ${SAMPLE_NAME} ${MOD_BASES} modBAM (aligned)..."

    # Check if pod5 dir exists
    if [ ! -d "${POD5_DIR}" ]; then
        echo "❌ Error: POD5 directory not found: ${POD5_DIR}"
        return 1
    fi

    "${DORADO}" basecaller \
        --modified-bases "${MOD_BASES}" \
        --emit-moves \
        --device cuda:0 \
        --reference "${REF}" \
        "${MODEL}" \
        "${POD5_DIR}" | samtools view -b - > "${OUTDIR}/${SAMPLE_NAME}_${MOD_BASES//\//_}_mapped.mod.bam"
}

# === Process all samples and replicates ===
SAMPLES=("S2_Light" "S2_Dark" "T" "O" "WT_Trans" "O_Trans" "WT")
REPS=("rep1" "rep2")
MOD_TYPES=("6mA" "4mC_5mC")

# Associative array for references
declare -A REFS
REFS["S2_Light"]="${REF_S2_LIGHT}"
REFS["S2_Dark"]="${REF_S2_DARK}"
REFS["T"]="${REF_T}"
REFS["O"]="${REF_O}"
REFS["WT_Trans"]="${REF_WT_TRANS}"
REFS["O_Trans"]="${REF_O_TRANS}"
REFS["WT"]="${REF_WT}"

for SAMPLE in "${SAMPLES[@]}"; do
    REF="${REFS[$SAMPLE]}"

    for REP in "${REPS[@]}"; do
        POD5_DIR=$(get_pod5_path "${SAMPLE}" "${REP}")
        SAMPLE_TAG="${SAMPLE}_${REP}"

        for MOD in "${MOD_TYPES[@]}"; do
            generate_modbam "${SAMPLE_TAG}" "${REF}" "${POD5_DIR}" "${MOD}"
        done
    done
done

# === Verify Output ===
echo ""
echo "🔍 Verifying BAM files..."
for BAM in "${OUTDIR}"/*_rep[12]_*_mapped.mod.bam; do
    if [ -f "${BAM}" ]; then
        if samtools quickcheck "${BAM}" 2>/dev/null; then
            READS=$(samtools view -c "${BAM}")
            echo "✅ $(basename "${BAM}"): ${READS} reads"
        else
            echo "❌ $(basename "${BAM}"): Corrupted or invalid format"
        fi
    fi
done

echo ""
echo "🎉 Pseudo-replicate modBAM generation complete!"
echo "📁 Output directory: ${OUTDIR}"

Step 3: Updated Samplesheets

You need to update your CSV files to include the pseudo-replicates. The group column should remain the same (e.g., “WT”) so that downstream tools know they belong to the same biological condition, but the sample name must be unique (e.g., “WT_rep1”).

samplesheet_6mA_rep.csv

group,sample,path,ref,method
WT,WT_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT-trycycler-medaka_polished_genome.fa,ont
WT,WT_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT-trycycler-medaka_polished_genome.fa,ont
T,T_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T-trycycler-medaka_polished_genome.fa,ont
T,T_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T-trycycler-medaka_polished_genome.fa,ont
O,O_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O-trycycler-medaka_polished_genome.fa,ont
O,O_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O-trycycler-medaka_polished_genome.fa,ont
WT_Trans,WT_Trans_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans-trycycler-medaka_polished_genome.fa,ont
WT_Trans,WT_Trans_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans-trycycler-medaka_polished_genome.fa,ont
O_Trans,O_Trans_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans-trycycler-medaka_polished_genome.fa,ont
O_Trans,O_Trans_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans-trycycler-medaka_polished_genome.fa,ont
S2_Light,S2_Light_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light-trycycler-medaka_polished_genome.fa,ont
S2_Light,S2_Light_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light-trycycler-medaka_polished_genome.fa,ont
S2_Dark,S2_Dark_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark_rep1_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark-trycycler-medaka_polished_genome.fa,ont
S2_Dark,S2_Dark_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark_rep2_6mA_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark-trycycler-medaka_polished_genome.fa,ont

samplesheet_4mC_5mC_rep.csv

group,sample,path,ref,method
WT,WT_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT-trycycler-medaka_polished_genome.fa,ont
WT,WT_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT-trycycler-medaka_polished_genome.fa,ont
T,T_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T-trycycler-medaka_polished_genome.fa,ont
T,T_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/T-trycycler-medaka_polished_genome.fa,ont
O,O_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O-trycycler-medaka_polished_genome.fa,ont
O,O_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O-trycycler-medaka_polished_genome.fa,ont
WT_Trans,WT_Trans_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans-trycycler-medaka_polished_genome.fa,ont
WT_Trans,WT_Trans_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/WT_Trans-trycycler-medaka_polished_genome.fa,ont
O_Trans,O_Trans_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans-trycycler-medaka_polished_genome.fa,ont
O_Trans,O_Trans_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/O_Trans-trycycler-medaka_polished_genome.fa,ont
S2_Light,S2_Light_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light-trycycler-medaka_polished_genome.fa,ont
S2_Light,S2_Light_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Light-trycycler-medaka_polished_genome.fa,ont
S2_Dark,S2_Dark_rep1,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark_rep1_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark-trycycler-medaka_polished_genome.fa,ont
S2_Dark,S2_Dark_rep2,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark_rep2_4mC_5mC_mapped.mod.bam,/mnt/md1/DATA/Data_Tam_Methylation_2026_WT_T_O_T_Trans_O_Trans/S2_Dark-trycycler-medaka_polished_genome.fa,ont

Next Steps

  1. Run split_pod5.sh to create the replicated POD5 directories.
  2. Run the new generate_mapped_modbam.sh to create the BAM files. Note: This will take roughly twice as long as before since you are processing all reads again.
  3. Use the new CSV files with nf-core/methylong.
  4. When running modkit pileup manually afterwards, ensure you update the loop to iterate over the new replicate names (e.g., WT_rep1, WT_rep2, etc.) if you wish to generate per-replicate BED files, or keep the original logic if nf-core/methylong handles the aggregation correctly. Usually, for differential methylation analysis later, having per-replicate BEDs or counts is beneficial.