启动子的分析和预测

一、摘要

  1. 加深对基因启动子的理解和认知；
  2. 学会如何获取已知基因的启动子序列数据；
  3. 熟悉不同启动子分析软件的使用及其适用范围；
  4. 学会设计启动子克隆引物。
  5. 熟悉EPD和TransFac数据库的使用；
  6. 学会使用已知的启动子和转录因子TransFac的HMM模型，并能够独立编程，利用该HMM模型来计算鉴别未知启动子

二、材料和方法

1、硬件平台

处理器:Intel（R） Core（TM）i7-4710MQ CPU @ 2.50GHz
安装内存(RAM)：16.0GB

2、系统平台

Windows 8.1、Ubuntu

3、软件平台

【1】Primer-BLAST
【2】Softberry系列工具
【3】Promoter 2.0
【4】BDGP
【5】Cister
【6】NEBcutter

4、数据库资源

NCBI数据库：https://www.ncbi.nlm.nih.gov/
UCSC数据库：http://genome.ucsc.edu/

5、研究对象

人类谷胱甘肽硫转移酶M1的promoter区域

三、结果

基因启动子序列的获取

选择基因：谷胱甘肽硫转移酶M1(GSTM1)
概况：当携带风险基因型时，对环境毒素和致癌物质的敏感性提高，易发生DNA突变和染色体畸变，患白血病的风险因而显著增加。
首先进入UCSC genome browser 查看GSTM1上游5kb范围内有无其他基因。发现该基因的上游存在同一家族的GSTM2，所以promoter大概只有3kb。
UCSC genome browser
图表 1UCSC genome browser
接下来进入Genbank，搜索GSTM1，查看该基因在基因组中的定位和基因结构。
查看基因定位和结构
图表 2查看基因定位和结构
打开该基因的序列信息，获取该基因的启动子序列（包含exon1）
查看基因定位和结构
查看基因定位和结构

Neural Network Promoter Prediction

进入BDGP: Neural Network Promoter Prediction网站http://www.fruitfly.org/seq_tools/promoter.html，进行启动子预测
BDGP启动子预测
图表 3 BDGP: Neural Network Promoter Prediction网站
一共预测出来3个启动子(这个网站预测出来的promoter都是50bp)
BDGP预测结果

Promoter 2.0 Prediction

使用Promoter 2.0 Prediction Server http://www.cbs.dtu.dk/services/Promoter/
进行启动子预测，也是一共预测出来3个启动子
Promoter 2.0预测结果
图表 5Promoter 2.0预测结果

Softberry预测

TSSW、TSSP、TSSG、FPROM都是softberry提供的启动子预测工具，进入
官网(http://www.softberry.com/)，然后点击service即可，启动子预测工具网址：
http://www.softberry.com/berry.phtml?topic=index&group=programs&subgroup=promoter

TSSW

TSSW具体网址如下(http://www.softberry.com/berry.phtml?topic=tssw&group=programs&subgroup=promoter)，输入序列进行预测即可。TSSW并没有预测出来promoter区域。
TSSW预测结果
图表 6TSSW预测结果

TSSP

TSSP具体网址如下(http://www.softberry.com/berry.phtml?topic=tssp&group=programs&subgroup=promoter)，输入序列进行预测即可。共计预测出来一个promoter区域。
TSSP预测结果
图表 7 TSSP预测结果

TSSG

TSSG具体网址如下(http://www.softberry.com/berry.phtml?topic=tssg&group=programs&subgroup=promoter)，输入序列进行预测即可。TSSG并没有预测出来promoter区域。
TSSG预测结果
图表 8TSSG预测结果

TSSW/ TSSP/ TSSB

根据一位网友"Janelight"的建议，TSSP、TSSG分别是预测植物和细菌的区域。我这里用的是谷胱甘肽硫转移酶M1(GSTM1) human，只需要使用TSSW预测就可以。 TSSW/ TSSP/ TSSB: Programs for predicting animal, plant and bacterial promoters and functional sites.

FPROM

FPROM具体网址如下(http://www.softberry.com/berry.phtml?topic=fprom&group=programs&subgroup=promoter)，输入序列进行预测即可。FPROM并没有预测出来promoter区域。
FPROM预测结果
图表 9FPROM预测结果

Cister

Transcription Elements预测平台：Cis-element Cluster Finder
https://zlab.bu.edu/~mfrith/cister.shtml
由于序列只有3kb，默认参数预测出来的转录元件太少，将average distance between clusters参数由默认的3w修改为3k，最有可能的结果还是NF-1
Cister预测结果
图表 10Cister预测结果

Match

转录因子预测集合网站http://gene-regulation.com/pub/programs.html (需要注册)
具体网址http://gene-regulation.com/cgi-bin/pub/programs/match/bin/match.cgi
Match预测结果
图表 11Match预测结果

AliBaba 2.1

转录因子预测集合网站http://gene-regulation.com/pub/programs.html (需要注册)
具体网址http://gene-regulation.com/pub/programs/alibaba2/index.html
预测出来一大堆，下面仅截取其中一部分。
AliBaba预测结果
图表 12AliBaba预测结果

基因结构绘图

虽然使用了6个promoter预测在线平台，但是只有3个平台预测出promoter。
利用在线平台processon绘制基因结构图
基因结构图
图表 13基因结构图
接下来大致将预测结果分为4个区域，将引物设计的范围同时绘制出来（箭头为引物）

PrimerBlast引物设计

引物结构
图表 14引物结构
先使用默认参数进行尝试，设置好Forward primer和Reverse primer的Range，再将PCR product size最大值调成整段序列的长度3005，同时# of primers to return参数调整为1，以方便截图。
引物位置引物位置引物位置引物位置
图表 15引物位置
初步设置参数
图表 16初步设置参数
然而由于有重复序列，经过repeat filtering，不会跑出来引物，只能将参数调宽松。
默认参数结果
图表 17默认参数结果
在Advanced parameters的Primer Parameters栏目，将Repeat filter关掉，同样可以看出来GC含量和TM值也筛选掉很多引物，在Internal hybridization oligo parameters栏目，将引物内杂交的参数调整宽松。
高级参数调整
图表 18高级参数调整

引物设计结果：

第一段
图表 19第一段
第二段
图表 20第二段
第三段
图表 21第三段
第四段
图表 22第四段
第一段：

·Sequence (5’->3’)Template strandLengthStartStopTmGC%Self complementaritySelf 3’ complementarity
Forward primerTCGTACCTACCCTCTGTTCGTPlus211641846052.3840
Reverse primerGGGCTGCACTCAGTAAGACTMinus202918289959.395553

第二段：

·Sequence (5’->3’)Template strandLengthStartStopTmGC%Self complementaritySelf 3’ complementarity
Forward primerCCAAGTGCCCCAACTTAGCAPlus2084986860.545540
Reverse primerGGGCTGCACTCAGTAAGACTMinus202918289959.395553

第三段：

·Sequence (5’->3’)Template strandLengthStartStopTmGC%Self complementaritySelf 3’ complementarity
Forward primerCCAGGCGTCACTAACACAGGPlus201522154160.676031
Reverse primerGTTCCGGGAGCGAAGTCAGMinus192874285660.4563.1651

第四段：

·Sequence (5’->3’)Template strandLengthStartStopTmGC%Self complementaritySelf 3’ complementarity
Forward primerCGAGGGCCCCTAACAGAAAAPlus202405242459.675570
Reverse primerCTGGGGCTGCACTCAGTAAGMinus202921290260.396053

NEBcutter酶切位点分析

使用NEBcutter分析该启动子序列，为了更加全面，查找全部的特异性位点Enzymes to use: All specificities
http://nc2.neb.com/NEBcutter2/
保存没有酶切位点“0 cutters”的核酸内切酶数据，见附录。
NEBcutter结果
图表 23NEBcutter结果

pGL4.17载体

查询pGL4.17的载体数据，获得酶切信息。查询关键词：promega pGL4.17。
pGL4.17载体信息
图表 24pGL4.17载体信息
其中SfiI、Acc65I、KpnI、SacI、NheI、XhoI、EcoRV、BglII、HindIII这九个酶都属于在promoter内部没有酶切位点的，这些都可以选用。

引物设计

从上面九个酶中随便选两个（真实情况要考虑到切割率等问题）
选择KpnI和SacI，下面是酶切位点和保护碱基对应表，KpnI选两个保护碱基。
引物设计
可以看出来酶切位点序列在反向互补以后和原序列相同，直接把这段序列加在引物前面就成。
最后按照“保护碱基+酶切序列+PCR引物”的顺序，设计用于可以转到pGL4.17载体的引物。

·164…184–2918…2899849…868–2918…28991522…1541–2874…28562405…2424–2921…2902
Forward PrimerCGAGCTCTCGTACCTACCCTCTGTTCGTCGAGCTCCCAAGTGCCCCAACTTAGCACGAGCTCCCAGGCGTCACTAACACAGGCGAGCTCCGAGGGCCCCTAACAGAAAA
Reverse PrimerGGGGTACCGGGCTGCACTCAGTAAGACTGGGGTACCGGGCTGCACTCAGTAAGACTGGGGTACCGTTCCGGGAGCGAAGTCAGGGGGTACCCTGGGGCTGCACTCAGTAAG

后续实验流程

接下来，用这四组引物，把四个promoter区域PCR出来，顺带PCR出来的还有保护碱基和酶切序列，导入pGL4.17，用双荧光素酶报告系统看看哪儿个promoter活性最高，大概会出来下面这种图，后面那张图明显说明promoter3活性最高。
后续实验流程后续实验流程
再接下来，还可以用TFSEARCH，TFBSs，TRED这样的转录因子预测软件（上面也做了几个预测），看看活性最高的那段区域和哪儿些转录因子相关，或者用pubmed查查看文献，ENCODE，TRANSFAC等数据库，查找这个基因启动子区域的转录因子信息。

接下来是编程练习部分

HMM模型

TransFac是转录因子数据库，但是好像需要注册才能下载模型的矩阵。
从EPD真核生物启动子数据库下载脊椎动物TATA-box的矩阵（共计12位碱基）。
网址http://epd.vital-it.ch/promoter_elements.php
利用该矩阵建立打分模型，对上面谷胱甘肽硫转移酶M1(GSTM1)的启动子序列进行分析，具体代码见附录。
打分值：每次取出12bp序列计算，依次计算每位碱基所占比例，再累乘得到分值（由于数值太小，分值皆除以最大分值）
打分值统计图
图表 25打分值统计图
P值计算：使用bootstrap方法，将12bp序列打乱1000次，再按照上述方法计算分值，如果1000次内有n次分值高于“打乱之前的分值”，则p值为n/1000
p值统计图
图表 26 p值统计图
看的出来，整段promoter区域大部分分值都为0，p值为1。之前在线预测软件中的200,400,1200,2570这四个位置，此处也能预测出来，效果还可以。

附录

”0 cutters”核酸内切酶

Col1Col2Col3
1AatIIGACGTC
2AbaCIIICTATCAV
3AbsICCTCGAGG
4Acc65IGGTACC
5Acc65VGACGCA
6AclIAACGTT
7AfeIAGCGCT
8AflIICTTAAG
9AflIIIACRYGT
10AhyRBAHIGCYYGAC
11AjuI(N)5(N)7GAA(N)7TTGG(N)6(N)5
12AleICACNNNNGTG
13AloI(N)5(N)7GAAC(N)6TCC(N)7(N)5
14AlwFIGAAAY(N)5RTG
15ApyPIATCGAC(N)18NN
16AscIGGCGCGCC
17AseIATTAAT
18AsiSIGCGATCGC
19AspDUT2VGNGCAAC
20Asu14238IVCGTRAC
21BaeI(N)5(N)10ACNNNNGTAYC(N)7(N)5
22BamHIGGATCC
23BarI(N)5(N)7GAAG(N)6TAC(N)7(N)5
24Bce3081ITAGGAG
25BceAIACGGC(N)12NN
26BcgINN(N)10CGA(N)6TGC(N)10NN
27BclITGATCA
28BdaINN(N)10TGA(N)6TCA(N)10NN
29BglIIAGATCT
30BlpIGCTNAGC
31BmgBICACGTC
32BmtIGCTAGC
33BpuJICCCGT
34BsaAIYACGTR
35BsbICAACAC(N)19NN
36BsiEICGRYCG
37BsiWICGTACG
38Bsp24I(N)5(N)8GAC(N)6TGG(N)7(N)5
39Bsp3004IVCCGCAT
40Bsp460IIICGCGCAG
41BspDIATCGAT
42BsrBICCGCTC
43BsrGITGTACA
44BssHIIGCGCGC
45BstAPIGCANNNNNTGC
46BstBITTCGAA
47BstEIIGGTNACC
48BstZ17IGTATAC
49Bsu3610IGACGAG
50BtgZIGCGATG(N)10NNNN
51Cal14237IGGTTAG
52CcrNAIIICGACCAG
53Cdi11397IGCGCAG
54Cdi81IIIGCMGAAG
55CdiICATCG
56Cgl13032IGGCGCA
57Cgl13032IIACGABGG
58ClaIATCGAT
59Cma23826ICGGAAG
60CstMIAAGGAG(N)18NN
61DrdIGACNNNNNNGTC
62EagICGGCCG
63EciIGGCGGA(N)9NN
64Eco53kIGAGCTC
65EcoRVGATATC
66Exi27195IGCCGAC
67FseIGGCCGGCC
68FspAIRTGCGCAY
69FspITGCGCA
70GauT27ICGCGCAGG
71GdiIICGGCCR
72HindIIIAAGCTT
73HpaIGTTAAC
74Hpy99ICGWCG
75HpyAXIVGCGTA
76Jma19592IGTATNAC
77Jma19592IIGRGCRAC
78Kor51IIRTCGAG
79KpnIGGTACC
80Lmo370IAGCGCCG
81Lsp6406VICRAGCAC
82Maf25IICACGCAG
83MaqICRTTGAC(N)19NN
84MauBICGCGCGCG
85MkaDIIGAGAYGT
86MluIACGCGT
87MreICGCCGGCG
88MslICAYNNNNRTG
89MteIGCGCNGCGC
90NaeIGCCGGC
91Nbr128IIACCGAC
92NgoMIVGCCGGC
93NhaXICAAGRAG
94NheIGCTAGC
95NotIGCGGCCGC
96NpeUS61IIGATCGAC
97NruITCGCGA
98PacITTAATTAA
99PaeR7ICTCGAG
100Pal408ICCRTGAG
101PciIACATGT
102PcsIWCGNNNNNNNCGW
103Pfl1108ITCGTAG
104PflFIGACNNNGTC
105PflMICCANNNNNTGG
106PlaDICATCAG(N)19NN
107PliMICGCCGAC
108PmeIGTTTAAAC
109PmlICACGTG
110PpiI(N)5(N)7GAAC(N)5CTC(N)8(N)5
111PshAIGACNNNNGTC
112PsiITTATAA
113PspXIVCTCGAGB
114PsrI(N)5(N)7GAAC(N)6TAC(N)7(N)5
115Pst273IGATCGAG
116PvuICGATCG
117RceICATCGAC(N)18NN
118RdeGBICCGCAG
119RpaB5ICGRGGAC(N)18NN
120RpaBICCCGCAG(N)18NN
121RpaIGTYGGAG(N)9NN
122RpaTIGRTGGAG
123Rsp008IVACGCAG
124RspPBTS2IIICTTCGAG
125RsrIICGGWCCG
126SacIGAGCTC
127Saf8902IIICAATNAG
128SalIGTCGAC
129SbfICCTGCAGG
130SexAIACCWGGT
131SfiIGGCCNNNNNGGCC
132SgrAICRCCGGYG
133SgrDICGTCGACG
134SnaBITACGTA
135SpeIACTAGT
136SphIGCATGC
137SpnRIITCGAG
138SrfIGCCCGGGC
139SsmICTGATG
140Ssp714IICGCAGCG
141SstE37ICGAAGAC(N)18NN
142Sth20745IIIGGACGAC
143SwaIATTTAAAT
144TaqIIICACCCA(N)9NN
145TspARh3IGRACGAC
146TssIGAGNNNCTC
147Tth111IGACNNNGTC
148UbaF12ICTACNNNGTC
149UbaF13IGAG(N)6CTGG
150UbaF14ICCA(N)5TCG
151UbaF9ITAC(N)5RTGT
152UbaPICGAACG
153Xca85IVTACGAG
154XhoICTCGAG
155ZraIGACGTC

模型矩阵

从EPD下载，保存为data.txt
http://epd.vital-it.ch/promoter_elements.php

Position123456789101112
A17.719.36.683.409572.394.253.329.317.722.7
C21.136.114.8000000932.533
G2936.46.800005.820.151.237.733.2
T32.28.271.816.6100527.7026.610.512.111.1

R代码

setwd("G:/AllShare/genomicsHomework/HMMmodel")
hmmmodel<- read.table("data.txt",header = TRUE)
rownames(hmmmodel) <- hmmmodel$Position
hmmmodel <- hmmmodel[,-1]
hmmmodel <- hmmmodel/100
hmmmodel <- t(hmmmodel)
library(seqinr)
promoter<- read.fasta(file = "promoter.fa")
seqmatrix<- as.matrix(promoter$`NC_000001.11:109684796-109687800`)
# 转成大写字母
seqmatrix<- toupper(seqmatrix)
maxseq<- strsplit("TGTATAAAAGGG",split = "")[[1]]
# 计算打分值
computeScore <- function(seq){
  score <- 1
  for(i in 1:length(seq)){
    score <- score*hmmmodel[i,seq[i]]
  }
  return(score)
}
# 使用bootstrap方法,计算p值
bootstrap<- function(seq){
  flag <- 0
  for(i in 1:1000){
    tmp <- sample(seq)
    score<- computeScore(tmp)
    if(score>=computeScore(seq)){
      flag <- flag+1
    }
  }
  return(flag/1000)
}
maxscore<- computeScore(maxseq)
bootstrap(maxseq)
scorevector <- c()
pvaluevector <- c()
for(i in 1:(length(seqmatrix)-11)){
  tmp<- seqmatrix[i:(i+11)]
  score <- computeScore(tmp)
  pvalue <- bootstrap(tmp)
  scorevector <- c(scorevector,score)
  pvaluevector <- c(pvaluevector,pvalue)
}
result <- data.frame(scorevector,pvaluevector)
result$position <- 1:(length(promoter$`NC_000001.11:109684796-109687800`)-11)
colnames(result) <- c("score","pvalue","position")
result$score <- result$score/maxscore
library(ggplot2)
ggplot(result, aes(x=position, y=score)) + 
  geom_line() + 
  geom_point(size=4, shape=20) +
  labs(title="score by HMM model")+
  theme(plot.title = element_text(hjust = 0.5))
ggsave("HMM模型打分图.pdf")

ggplot(result, aes(x=position, y=pvalue)) + 
  geom_line() + 
  geom_point(size=4, shape=20) +
  geom_hline(aes(yintercept = 0.05),colour="red",linetype="dashed")+
  labs(title="p value by HMM model")+
  scale_x_continuous(breaks = c(0,200,400,1030,1200,1632,2570,2700))+
  theme(plot.title = element_text(hjust = 0.5))
ggsave("HMM模型p值图.pdf")

序列

Promoter序列
>NC_000001.11:109684796-109687800 Homo sapiens chromosome 1, GRCh38.p7 Primary Assembly
TCTGCTCTTGAACCCTGTGTTCTGTTGTTTAAGATGTTTATCAAGACAATATGTGCACCACTGAACATAG
ACCCTTATCAGGAGTTCTACTTTTGCCTTTGTCCTGTTTCCTCAGAAGCATGTGATCTTTGTTCTGCTTT
TTGCCCTTTAAAGCATGTGATCTTCGTACCTACCCTCTGTTCGTACACCACCACCCCTTTTGCAATCCTT
AATAAAAACTTGCTGGTTTTGAGGCTCGGGCAGGCATCATGGTCCTACCGATATGTGATGTCACCCCTGG
CGGCCCAGCTGTAAAATTCTTCTCTTTGTACTCTTTCTCTTTATTTCTCAGCTGGCTGACACTTATGGAA
AATAGAAAGAACCTACGTTGAAATATTGGGGGCAGGTTCCCCAATAGCCTTGCTGAGGAAATTAAATTTA
TGTTCAAGTGCTATTTCTTTATGGCACCAAGGAACAAGTATTTCAAACAATACTAATGTAACAGTACTGG
TTCTATGTGTTTCAAAATTATTATTCTCATGAGTGTTAGCTTTCTTAAAAAATCGTTTTTTTTTTCAATT
GGATCTAGACATCTTATCTTTCACAGCTCAAGACGGATTAACTCAGAATCATAAACTCTTAATGCATAAT
GAGAAATATAATGTTTCCTAGGGCCAGGCACTTGTGTCTGTGCTGGTGCTATTGCCTCAATGCAGGAAAA
TCTATGTAAGAGTTCACTGTGAGGCCAAAACTGCTTCCTAAACATGGATACCTGCCAGGTATCTGAGCTG
GGAGTACTGCCCAGGTCTGGATGGGCGGGGAGTGTTTGCAACAAGGACTGTGCCTTGCCAGCCTCAGTGA
CACAGTGTCCAAGTGCCCCAACTTAGCAGCCACCTGCTGACCACCTGATTTCTGTGGCCTAATAGGGATG
TGATGAAGTCTACCTGTTTACTCAACCCCAAACCACACATTATCCAGGTGGTTTGAAACTTTTTTGATAT
ACTGGGTTCATCCTCTGGAGTCCTAACAATGTTTTAGCTAATTTACAAAAAACAAAACAAAACAAAACAA
AACAAAACAAAACAAAAAAACTACTTTTTTTGCAGCACAACAGCCTGGTTTACATTGCAAAATGATTTCT
CATTAAAGGTCTATCATCTATTTCCATATGTCCATTATTATTTGCAATATCCTTTAAAGCAGTCAACCCC
AGGCTAATCCATTGCACAACTCTTTTGAAAGTCTTCCTTCTACCTTGAAAGAAGAAAGTTGGCAGGTTGG
ACATTGTTCTCGTGGAGGTTGTACCATGGGTCACATATCACGGTGTGACTTCAAAGGCCACTGGAGCCAC
CGTCTCATACTGAAGAACACACATGGGTCAGGAGCCAGGTCCAGGTCCGGAATGGTGGATCTGGAGAGGG
GAGGGTCCCTGCCTGTGGTCCTGTGGGGAGCCCTCAGGCTCCTCTCTGGCCACCATCCTCTGACCTCCCT
CCTCAGCAGGACAGGGTTCTGGCTTCTCTGAGGGACAGGTTCTGTGGCAGGCCAGGCGTCACTAACACAG
GCCTCCATAACAACTGTTTCAGTACTGACTGAGTGGTGAAGTTAAATATTAAAAGCTGAAAAAAGCCAGT
ACCTTTATACAGAGGCTGGATGTAACAAAAGCCCACCAAGAGTTTTGCTTAGGCCTTTCCTGGGCCTTAA
AGCATGACAAAACAATGAAGGAATTCTTAACAGGACCTATTTAGAATTAAACAAGTTTTATTGTGAGTCT
GAAGAAACTCCCCAGGCCTCCACAAACAAGTTTATTGGGCGTCTGAAGGAACTCCCCAAACCTCCGTGAT
TTAGCAGGAGACAAGATAAGGGTAATCATCCCCCGCACCTGGACCCATTTAGATTAAATAAATAGACTGA
GGCTCCAGAATAAGGTCCTCAGGACCCAGACCTCAGTTACAGATTAAAGAAGTTAATCACTTATGTCTTT
AGATGAATGCACACTTACTTGTAGACATATACCTTAGAAGGTATATATGCTCTGGAAAACTTTGTAATAT
TGAGTTGGTCTGGTGGTAATTTCTAGGCCTTCTCCCTGTTACCGGTTGCAGAAATAAAACCTCTCTTCCT
CCCCATTTGATCTGCATCTCGTTATTGGGCCTAGAGAAATAGCAGCCGGACCCTCAGTTTGGTCCGGGAA
GTTCTTCCATCCTCCCTCGCCTGCTCTCTGTGGCCACTGCACTCACTGTTGCTGTTGCTGTTCCGGTCTC
TGTGAGGTTCACCTAGTGGACTGGCTGGACATTTCTAGGGGGCACCTCAGATACCTCACCAACTTGCTGG
ATCTGATCCTTGGATTTCGATTCATAAATTGTGCCAAAATACGAAGTGGCTAATTTACACAGTACTTAGC
CAGATGACCGAAGGACTCAGTACCCGAGGGCCCCTAACAGAAAACACAGACCACATTTCCTTTACTCTGG
CCCTTTTCCTGGGGGTCCTTCCTATACCACTGACACTGTTCCTGTGTAGGCGGGGCTAGAGGGGAGACTA
AGCCCTGGGAGTAGCTTTCGGATCAGAGGAAGTCCTGCTCTTACAGTGACAGGGGCTGAATTAAATTCCC
AGGTTGGGGCCACCACTTTTTAGTCTGACCCCTGCAGCCGGAGTCTCCCAGAGCCCTTGGGAACTCGGCA
GCGGAGAGAAGGCTGAGGGACACCGCGGGCAGGGAGGAGAAGGGAGAAGAGCTTTGCTCCGTTAGGATCT
GGCTGGTGTCTCAAGCGCACAGCCAAGTCGCTGTGGACCTAGCAAGGGCTGGATGGACTCGTGGAGCCTC
AGGGCTGGGTAGGGAAGCTGGCGAGGCCGAGCCCCGCCTTGGGCTTCTGGGCGCCCTGACTTCGCTCCCG
GAACCCTCGGGCCTGGGAGGCGGGAGGAAGTCTTACTGAGTGCAGCCCCAGGCGCCCTCTCCCGGGCCTC
CAGAATGGCGCCTTTCGGGTTGTGGCGGGCCGAGGGGCGGGGTCGCAGCAAGGCCCCGCCTGTCC
Logo
GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

[转载]在Windows环境下安装GNU Radio

转自：在Windows环境下安装GNURadio_恐弱智_新浪博客GNU Radio是用Python开发的，大部分开源的工程能够在Linux环境下运行良好，而Windows下却运行的很勉强，而且安装配置都很复杂。GNU Radio算是个例外了，不光提供了Windows的二进制安装，还有比较详细的说明。我是Python小白，所以折腾了好久才弄好，特意记录下来，免得以后再装还折腾。GNU Radio的

avatar GitCode 开源社区

centOS 8 使用dnf安装Docker

DNF是什么？CentOS 8使用YUM软件包管理器版本v4.0.4。现在，该版本使用DNF(已删除YUM)。DNF是软件包管理器。它会在Linux发行版上安装，执行更新并删除软件包。使用DNF安装Docker跳过具有损坏依赖性的程序包一个有效的解决方案是使您的CentOS 8系统使用以下--nobest命令安装最符合条件的版本：sudo dnf install docker...

avatar GitCode 开源社区

定时同步数据库表(mysql+linux+crontab)

sync.sh里面的参数需要改变，ip/username/password/database/tablesync.sh#!/bin/sh# Please change the IP and password of the data source db.# Then change the table name.filename=/home/nington/db/$(date +%Y-%m

avatar GitCode 开源社区