研究小分子(药物小分子和环境污染物)与生物大分子(蛋白质和DNA)之间的直接相互作用，有助于理解它们进入机体后的作用靶点、如何干扰生物大分子与其它小分子正常的相互作用、以及作为始发信号如何引发下游的分子生物学变化，这应该是各种生物学机制研究的根本。

以前试图用三维地形图可视化二维空间中任意点的取值，演示用。如同MATLAB中peak函数产生一个二维矩阵，用surf或者mesh可视化。但peak函数不能指定”峰”在什么位置，而手工设定某点为任意值时，该点与周围没有平滑的过度，特别是设置了任意多个点的值，计算很麻烦。今天突然想到了类似Photoshop高斯模糊的方法可能行。恰好MATLAB中有fspecial(设置滤波器)和imfilter(应用滤波器)函数，果然可以。

ChIP-seq数据分析时，可产生各种各样的Peak。四个例子:

1
2
3
4

CTCF: 			    sharp binding sites
RNA polymerase II:	a mixture of shapes
H3K36me3: 		    medium size broad peaks
H3K27me3.		     large domains

从NCBI上下载了dbSNP150 common的数据，vcf格式，解压后共8G。我只需要chr、start、end、rs id、ref、alt、type、frequency信息，并整理成bed格式。chr、start、end、rs id、ref、alt各自为一个字段，并通过tab隔开，而其它各种信息合并为一个字段，以;分隔。数据量小时，联合使用notepad++替换字符串和Excel处理格式，即可生成各种生信格式。但数据量太大(若是all版本，有20多G)，笔记本上不能打开，即便打开操作很卡。

本科毕业时报研究生专业，选择了Toxicology。初衷是Public Health各专业里，只有Toxicology才用到各种分子生物学和细胞生物学实验技术。那时还没接触科研，私以为Toxicology是一门“高大上”的专业，当时以为如此。

我们研究基因组时，在生物学上的研究对象是sequence，即ATGC序列。与sequence不同，genomic feature(在Bioconductor中对应GRange/IRange对象)不显示ATGC内容，而着重强调各种feature (如gene, transcript, UTR, promoter, exon, intron, SNV, INDEL等功能元件)在(特定版本)基因组上的位置，包括染色体、正负链、起止位置等。因此，feature是sequence的数字化表示；一个特定的feature与一段sequence是一一对应的。这样可以把一个自然现象加以数学化，便于统计分析。

计算生物学是重要的科研工具。在大数据时代，计算常辅以并行计算技术以加快计算速度。我一直认为数据处理最重要的步骤不在分析阶段，而在预分析，也就是数据探索阶段。掌握了并行计算方法，可以更自由地探索大数据。比如，在我们医学领域里，进行探索研究时会不断地形成各种假设，也会突然冒出新的想法，需要一一去探索。没有高效率的计算能力，繁琐的运算会让大部分人中途而止，研究得不到尽兴。数据越大，这种瓶颈越明显。

域名服务器(提供域名的服务商)和内容服务器(搭建www或mail等的服务商)可以分离(通常如阿里既是域名服务商又提供搭建www和mail的服务)

1.基因注释数据库(Gene Annotation Database)

基因注释数据库是描述基因组上gene、transcript、exon、intron等结构的染色体序号、正负链、起止位置、标准名称等信息的数据库。有三大注释库: RefSeq(refGene), UCSC(knownGene), Ensembl(ensGene)。另外，常用的GENCODE Annotation结合了Havana manual gene annotation和Ensembl automated gene annotation。Ensembl浏览器显示即是GENCODE Annotation，二者等同)。

1. 连锁不平衡(Linkage disequilibrium)度量