寫在前面
蛋白質(zhì)組學(xué)網(wǎng)絡(luò)大課堂第四講，講到了很多小伙伴非常關(guān)心的問題：如何針對高通量蛋白質(zhì)譜數(shù)據(jù)進(jìn)行搜庫和鑒定。這么重要的課程，當(dāng)然不容錯過，小編也按以往慣例，整理了詳細(xì)的聽課筆記，分享給大家。
授課老師
這次課程的授課老師沈誠頻博士，2005年畢業(yè)于復(fù)旦大學(xué)化學(xué)系，獲得理學(xué)學(xué)士學(xué)位；同年保送至復(fù)旦大學(xué)生物醫(yī)學(xué)研究院攻讀博士學(xué)位，師從復(fù)旦大學(xué)生物醫(yī)學(xué)研究院常務(wù)副院長楊芃原教授，2011年獲得理學(xué)博士學(xué)位，攻讀博士學(xué)位期間，作為訪問學(xué)者于2009年-2011年前往美國麻省理工大學(xué)生物工程系交流學(xué)習(xí)。主要開展的工作包括：人肝蛋白質(zhì)組學(xué)，蛋白質(zhì)組學(xué)信息學(xué)，糖蛋白質(zhì)組學(xué)。于2011年作為應(yīng)用科學(xué)家加盟康昱盛信息科技有限公司生物信息學(xué)部，主要負(fù)責(zé)蛋白質(zhì)組學(xué)及生物通路分析軟件和方法的技術(shù)支持及方案咨詢。后創(chuàng)立上海易算生物科技有限公司，任CEO。
（文中所有圖片均來自沈誠頻老師的講義，并獲得發(fā)表授權(quán)。）
DIA數(shù)據(jù)非依賴采集
在上一篇推文，小編不止一次提到了DIA技術(shù)。那么，到底什么是DIA技術(shù)呢？我們來簡單地介紹一下吧。
DIA，就是指數(shù)據(jù)非依賴性采集。與DDA（數(shù)據(jù)依賴性采集）相對應(yīng)。
你肯定很想知道，到底是怎么個非依賴呢？
我們先說DDA模式，就是數(shù)據(jù)依賴性采集，它有一個質(zhì)譜內(nèi)部的選擇過程。當(dāng)前掃描到的一堆母離子，哪一個會被選擇進(jìn)入后面的二級碎裂，是根據(jù)它的信息強(qiáng)度，通常是以從強(qiáng)到弱的順序去解析，并動態(tài)排除時間，也就是判斷這張譜圖在前一秒鐘或者前十秒鐘有沒有解析過，如果解析過，那么就跳過，去解析沒有解析過的。這就是DDA大致的原理。
想像一下，如果我們的樣品非常復(fù)雜，一個峰一個峰去選擇的話，很可能會漏掉一些有用的信息，造成我們譜圖解析的不完整，而且質(zhì)譜不可能在重復(fù)實驗里選擇完全一樣的離子順序，于是又會造成結(jié)果重復(fù)性不夠高的問題。于是，DIA方法被發(fā)明出來，用于解決DDA原理的部分缺陷。
DIA模式就是在MS1掃描時，對碎裂的母離子不做任何篩選，而是傻瓜化地直接開一個非常大的窗口，讓落在這個范圍內(nèi)的母離子全部進(jìn)入二級碎裂。這個窗口開多大，是根據(jù)儀器和軟件的設(shè)置會有不同，比如說10或15個道爾頓。
由于DIA是一次性放了一堆母離子進(jìn)來，同時碎裂，所以對于DIA來說，不是一張譜圖對應(yīng)一個母離子，而是一堆譜圖對應(yīng)一堆來自多個母離子的碎片離子混合物。因此，我們不可能通過對二級譜圖的解析來得到一個一個的母離子。
那我們應(yīng)該如何解析呢？我們用DIA二級譜圖與平均實驗中的DDA的二級譜圖進(jìn)行比對，從中抽取出相同的二級信號，拿這些數(shù)據(jù)來進(jìn)行DIA數(shù)據(jù)的定性以及相應(yīng)的定量，而這個定量就是依賴于MS2的信號強(qiáng)度。
Tips
平行的DDA實驗需要前期色譜分離做得很好，并且用高精度高通量的質(zhì)譜儀來完成。
搜庫原理
我們再回到質(zhì)譜數(shù)據(jù)分析的流程上。下圖是一個簡單的搜庫過程，左邊是wet lab實驗，右邊是計算機(jī)處理的過程，
蛋白樣品酶解后得到復(fù)雜的肽段混合物，經(jīng)過色譜分離，進(jìn)入質(zhì)譜，得到一級及二級離子信息。我們在搜庫時，輸入的是上萬張二級譜圖，以及相應(yīng)的一級譜圖信號，和母離子的精確質(zhì)荷比。
那么，我們軟件主要干哪些事情呢？
首先我們需要準(zhǔn)備一個數(shù)據(jù)庫（如果是de novo從頭預(yù)測蛋白序列，則不需要準(zhǔn)備）。
比如我們拿到人類的數(shù)據(jù)庫，軟件會根據(jù)我們設(shè)定的參數(shù)進(jìn)行理論酶切。比如我們告訴軟件此次試驗用的是trypsin酶切，那么軟件也會對每條蛋白序列的trypsin酶切位點進(jìn)行斷裂，與實驗中的被處理的蛋白序列保持一致。
假設(shè)，我們將人的兩萬個蛋白進(jìn)行理論酶切，會生成兩百萬個理論肽，這些理論肽又會生成理論b-y離子，得到理論的譜圖。
下圖右下角就是一個理論b-y離子譜圖，可以看到，這樣一個譜圖，里面每一個離子的信號強(qiáng)度是很高的，而且是相同的。雖然有一些比較新的軟件嘗試進(jìn)行理論強(qiáng)度的預(yù)測，但目前來講還不算非常主流。
接下來，將理論的b-y離子譜圖和通過質(zhì)譜實際得到的譜圖進(jìn)行比對。
比對過程相對而言比較復(fù)雜。簡單來說，類似于給你一堆照片，然后一堆真人，讓你來判斷哪張照片是哪個人的，軟件做的就是類似的一個過程。
因此，生成理論酶切庫，以及選擇一個合適的肽段庫，就跟我們識別照片去認(rèn)人是一樣的。選擇的庫越準(zhǔn)確，篩選的速度和準(zhǔn)確性就越高。也就是說要選擇一個合適的搜庫空間。
確定好合適的搜庫空間后，我們會拿到與質(zhì)譜數(shù)據(jù)相對比較貼近的理論肽段的數(shù)據(jù)列表，這些理論肽段的原子量都是可以預(yù)測出來的，一般來說根據(jù)肽段強(qiáng)度從幾百到幾千都會有一個列表。
質(zhì)譜的原始譜圖也會有相應(yīng)的質(zhì)荷比的列表，我們將這些質(zhì)荷比按其電荷數(shù)還原成道爾頓，也會拿到一張表。將這兩張表進(jìn)行比對，這就是我們搜庫軟件做的核心工作，這也是設(shè)置母離子的容差，即MS1的tolerance非常重要的原因。
以O(shè)rbitrap舉例，它的MS1的分辨率可以達(dá)到十幾萬或者二三十萬，那么相應(yīng)的母離子的質(zhì)量容差就可以是5ppm甚至更小，所以，高分辨的好處就是可以把理論候選肽段的質(zhì)量范圍縮小到一個非常窄的范圍，讓匹配更加準(zhǔn)確。
舉例來說，如果母離子是1000Da±3ppm，那么理論候選肽就可能從上百種縮小到十種或者幾種，再去進(jìn)行比對，這樣做的速度和靈敏度就會提高很多。但是如果你縮減到一個不太合理的范圍，比如你的質(zhì)譜分辨率是±10ppm，但是你卻用1ppm去搜，那么很有可能正確的候選肽段都沒有能夠落到這個范圍供你篩選，所得到的都是一堆錯誤的結(jié)果。軟件是無法判斷選進(jìn)來的是否包含正確的序列，它仍然會進(jìn)行打分給出結(jié)果，這就會造成一定的假陽性。
我們知道，搜庫軟件會對鑒定到的結(jié)果進(jìn)行打分。那么這個分?jǐn)?shù)是怎么來的呢？我們主要介紹一種常用的打分算法，即基于概率的打分。
為什么大多數(shù)搜庫軟件都要將搜庫的比對過程用概率的算法進(jìn)行匹配呢？這是因為，無論軟件或者儀器，都不是上帝，我們無從知道所得到的譜圖是不是是一個真正的肽段，或者說一定是來自于這個數(shù)據(jù)庫中的某一個肽段。就算我們用BSA標(biāo)準(zhǔn)蛋白去做，也可能有一些雜峰或者錯誤匹配。所以這不是一個絕對的準(zhǔn)確的答案。
因此軟件需要對結(jié)果進(jìn)行評價，來評估什么樣的譜圖更可能的是一個正確的肽段匹配，這就是基于概率打分的基本原理，即，將我們的實驗測量值與候選多肽序列的理論值進(jìn)行匹配。
實驗測量值只有一張譜圖，而候選多肽序列可能有10張甚至100張譜圖，只要我們把道爾頓或ppm設(shè)置的足夠小（因為氨基酸只有20種），那么其排列組合都會落到一個差不多的范圍之內(nèi)。因此理論候選多肽序列一般來說不止一種，而是會有十幾種或者二三十種。軟件會對各個結(jié)果進(jìn)行比對，根據(jù)打分給出一個排列組合。
然而，得分值并不能準(zhǔn)確地反映這個結(jié)果是不是一個正確的。所以我們會將它進(jìn)行一個概率的轉(zhuǎn)換，不同的軟件用不同的算法會進(jìn)行正確概率的計算，然后設(shè)定一個隨機(jī)匹配的閾值，通常我們認(rèn)為低于這個概率閾值的匹配，才是正確的匹配。
比如說p-value或者expectation-value小于0.05，或者說更嚴(yán)格的0.01，我們才認(rèn)為這個結(jié)果是可靠的。也就是說現(xiàn)在的軟件都會去計算相應(yīng)的統(tǒng)計值。原理類似于高考考試，100人參加，我們認(rèn)為考試分?jǐn)?shù)得第一名的，且與第二名有相當(dāng)大的分?jǐn)?shù)差距的人，才是我們要尋找的那個人。
Tips
關(guān)于p值等統(tǒng)計學(xué)參數(shù)的含義，感興趣的小伙伴們可以參考以下的推文：
在質(zhì)譜鑒定的過程中，以下圖來舉例。大家會發(fā)現(xiàn)高強(qiáng)度的b-y離子譜峰都匹配上了，那么你覺得這張譜圖的氨基酸序列vvllatgenk是不是一個正確匹配呢？
絕大多數(shù)人都會覺得此結(jié)果不錯，應(yīng)該是一個正確匹配。在Mascot軟件中，這個結(jié)果的得分是35分，很多人認(rèn)為25或者30分以上就是一個準(zhǔn)確的結(jié)果。那這個結(jié)果到底是不是對的呢？
我們再來看下圖的另外一個結(jié)果。下面這張譜圖中，vvligdsgvgk這個肽段對于b-y離子的匹配更加豐富，看上去更加完整準(zhǔn)確。事實上也是如此，它的得分達(dá)到了80分（Ions score），e-value是3.1X10-5！
真是不比不知道，一比嚇一跳，先前的35分可以說是一個很差的匹配了，而這個80分的結(jié)果才是一個真正準(zhǔn)確的匹配。
從上面這個例子，大家應(yīng)該能直觀地感受到，在搜庫軟件中，即便得到一個得分看上去還不錯的結(jié)果，也并不表示就是正確的匹配，而是需要進(jìn)行可信度評估，才可能找出真正正確的匹配。
對于如何計算出一個匹配是正確匹配的概率，我們使用基于probability原理的算法。這個算法絕大多數(shù)的搜庫軟件中都會使用，比如Mascot。那么，它的基本思路是怎樣的呢？
分兩種情況。
首先，如果有一個標(biāo)準(zhǔn)品，并且我知道它的絕對成分，也就是說它不存在任何雜質(zhì)的時候，我們可以說這樣一個匹配是確定一定及肯定正確的！但是如果說樣品的組成相對比較復(fù)雜，無法完全知道里面是什么東西，那么如何定義結(jié)果的準(zhǔn)確性，就需要用到更加穩(wěn)妥的參數(shù)或者實驗設(shè)計，并且要更加穩(wěn)妥的去定義正確的閾值到底是多少。
有的小伙伴可能會問這樣的問題：是否可以建立一個目標(biāo)蛋白的序列數(shù)據(jù)庫來提高鑒定靈敏度呢？對這個問題感興趣的小伙伴，請戳如下推文延展閱讀：
我們先來看看下圖，這是一個實際的例子。這張譜圖所有匹配的肽段的候選列表都已給出，大家可以看到1到4名分別是99,82,66,45.6分，除了99分的結(jié)果，看上去82和66分也都不錯。但事實上，除了99分那條，后面匹配到的序列其實都是不正確的。
把剛才所說的過程換成下面這張示意圖，大家可能更容易理解。圖上紅色的點是正確的匹配，剩下藍(lán)色的點，就是我們剛才例子里說的除了99分以外的其它打分結(jié)果。
我們應(yīng)該如何來評價紅色的點就是正確的匹配結(jié)果呢？其實就是從統(tǒng)計分布圖中來評判。假設(shè)紅色的點和剩下的藍(lán)色點的打分結(jié)果并沒有顯著的差異，比如絕大多數(shù)結(jié)果都在20到25分之間，那么我們認(rèn)為這里面沒有一個結(jié)果是可信的！
假設(shè)有一個結(jié)果是25分，而其余結(jié)果都是15分甚至更低，那么我們會認(rèn)為這個25分的匹配是一個更加可信的結(jié)果。那么我們可不可以認(rèn)為它一定是準(zhǔn)確的呢？實事求是而言，也不一定，也有可能真正正確的序列并沒有被放進(jìn)數(shù)據(jù)庫里搜索，如果放進(jìn)去可能會出現(xiàn)一個明顯高于25分的結(jié)果（大多數(shù)情況下，25分是一個比較差的得分）。
這就引出另一個問題，即數(shù)據(jù)庫的選擇！其實，過大或者過小的數(shù)據(jù)庫都不是合理的選擇。數(shù)據(jù)庫過大，搜庫時間很大，復(fù)雜度變大，得到隨機(jī)錯誤匹配的概率變大；數(shù)據(jù)庫過小，容易遺漏真正的目標(biāo)序列，得不到正確的結(jié)果。
隨著生物信息學(xué)的反展，對于結(jié)果的過濾已經(jīng)引入了更多的算法，比如FDR算法等等。具體算法思路我們在后續(xù)課程中還會展開講解。
蛋白質(zhì)數(shù)據(jù)庫
介紹完搜庫原理，我們接下來介紹一些蛋白質(zhì)數(shù)據(jù)庫的知識。先來個總表，大家感受一下：
1：序列數(shù)據(jù)庫
目前來說，用的最多的是UniProt KB，該數(shù)據(jù)庫來自歐洲生物信息學(xué)中心。其次是美國的NCBI Genebank。這兩個數(shù)據(jù)庫搜集了全世界已公布的所有物種的蛋白質(zhì)序列。如果實在搜不到結(jié)果，還可以用EST標(biāo)簽或者自己去測序，只是自己測序無法保證蛋白的完整程度。
2：注釋數(shù)據(jù)庫
鑒定到蛋白只是萬里長征的第一步，后面我們還需要對蛋白進(jìn)行注釋，比如我們最常用到的Gene Ontology。人類蛋白數(shù)據(jù)庫已經(jīng)注釋得很完整，而有的物種注釋不夠完整或者說注釋得比較差的情況下，則需要通過同源性序列來間接注釋。
3：蛋白相互作用數(shù)據(jù)庫
當(dāng)需要進(jìn)一步研究蛋白的功能及作用機(jī)理時，常常需要了解蛋白-蛋白或蛋白-小分子相互作用，有很多收集蛋白相互作用的數(shù)據(jù)庫可以供我們搜索，或者繪制互作網(wǎng)絡(luò)。
4：生物通路分析數(shù)據(jù)庫
比如大名鼎鼎的KEGG等工具，還有一些有偏好性的數(shù)據(jù)庫，比如專門針對代謝通路的BioCyc，或者針對人類（及大鼠和小鼠）物種的IPA等。
5：蛋白質(zhì)組學(xué)數(shù)據(jù)庫
當(dāng)我們完成了從搜庫、注釋，到機(jī)理分析的一系列功能，并完成了生物學(xué)實驗驗證，打算發(fā)表文章了。有一些蛋白質(zhì)組學(xué)領(lǐng)域的雜志，比如JPR、MCP等，會要求我們將數(shù)據(jù)結(jié)構(gòu)上傳到指定的數(shù)據(jù)庫中，用于共享或是同行的質(zhì)量審查。目前來說用的最多的是ProteomeXchange，ProteomeDB，和iProx這三個數(shù)據(jù)庫。iprox是中國國家蛋白質(zhì)中心建立的。另外一些蛋白質(zhì)組學(xué)相關(guān)的數(shù)據(jù)庫，以及發(fā)表在CNS上的大規(guī)模數(shù)據(jù)，有一些組織也會將其搜集起來，做人的human protein atlas，比如GeneCards就是整合得很好的綜合性數(shù)據(jù)庫，我們可以在其中查到別人做過的詳細(xì)結(jié)果數(shù)據(jù)。
這么多種類繁雜的數(shù)據(jù)庫，相互之間的數(shù)據(jù)信息有怎樣的聯(lián)系呢？下面這張圖告訴你答案：
可以這樣說，所有的信息，最初都是從基因組出發(fā)的。基因組的數(shù)據(jù)是來自INSDC（全世界最大的基因組合作機(jī)構(gòu)）發(fā)布的各個物種的基因數(shù)據(jù)，其中NCBI會將其搜集到GenBank里，EBI搜集到EnsemblGenomes里。GenBank中測序完整且注釋完整的數(shù)據(jù)會放到RefSeq中。
KEGG在生物通路中用的很多，其實它也是一個搜集各類基因和小分子的數(shù)據(jù)庫，它的pathway數(shù)據(jù)是平常我們用得最多的，其相對來說是比較權(quán)威的。其實一些常用的數(shù)據(jù)庫，大家也可以從圖里了解它們的數(shù)據(jù)來源，以及相互的關(guān)聯(lián)。
當(dāng)然，我們做蛋白鑒定的時候，最關(guān)心的還是蛋白序列數(shù)據(jù)庫。全球兩大知名的序列數(shù)據(jù)庫，一個是NCBI，一個是EBI。先介紹下NCBI數(shù)據(jù)庫。在NCBI里可以搜索到各種各樣的信息，各種和生化以及組學(xué)相關(guān)的數(shù)據(jù)庫都可以整合到NCBI中。NCBI支持的數(shù)據(jù)格式包括NCBI GI、GenBank ID、RefSeq ID，以及Entrez ID等。
NCBI的NCBInr非冗余數(shù)據(jù)庫是搜庫時常常會用到的，但它的問題在于NCBI內(nèi)部數(shù)據(jù)的一致性比較差，它搜集了各種來源的數(shù)據(jù)，格式都不一樣，后續(xù)會發(fā)現(xiàn)，搜集到NCBInr之后，同一個基因編碼的蛋白會搜到好多個版本。
2016年，NCBI將gi號取消了，換成了GenBank ID，此過程十分艱難，很多軟件都要對其進(jìn)行相應(yīng)的轉(zhuǎn)換，也給使用者帶來了很多不便。因此個人建議，還是先在UniProt庫里搜索。如果從UniProt里實在找不到的序列信息，再去NCBInr里搜索。
Tips: 雖然UniProt主要搜集的是蛋白信息，但是它與相當(dāng)多的注釋數(shù)據(jù)庫，如GO，KEGG等等，都有交叉合作。因此UniProt中的注釋信息是相當(dāng)完整的。
但是NCBI的優(yōu)勢也是非常明顯的，就是它的數(shù)據(jù)信息非常全面！從下圖可以看出，在過去的7年時間里，NCBI包含的核酸序列、蛋白序列和基因信息均有爆發(fā)式的增長。這歸功于近年來基因組和轉(zhuǎn)錄組技術(shù)的發(fā)展。其中很多是中國人做出的貢獻(xiàn)。
剛剛我們也提到了NCBI的問題，那么它的缺點對我們搜庫有什么影響呢？
舉個例子。
比如有一次我們做某種橘子的蛋白鑒定，在NCBI中搜索，如果用NCBInr（非冗余）來搜，你會得到88138條蛋白序列，但其中有21%的序列是完全一樣的，原因就是其包含的數(shù)據(jù)來源太多了！如果我們用GenBank，就會發(fā)現(xiàn)只有15%的冗余（GenBank也不是單一來源的數(shù)據(jù)庫，它自己也有好幾個注釋序列的來源）。
而當(dāng)我們選用UniProt的話，發(fā)現(xiàn)結(jié)果里沒有冗余！這就是UniProt的好處，幫我們進(jìn)行了前期蛋白數(shù)據(jù)庫的過濾和準(zhǔn)備。這就是我們推薦優(yōu)先使用UniProt的原因。
事實上，現(xiàn)在用UniProt的人越來越多了。它是目前世界上最大最完整的蛋白數(shù)據(jù)庫，其來源非常多，比如有GenBank，EMBL-Bank，DDBJ等的coding sequences都會成為其收集來源。
它的收集一樣會存在如同NCBI的問題，會有冗余或者說數(shù)據(jù)來源太過于復(fù)雜，導(dǎo)致蛋白序列有各種的版本。所有UniProtKB中有一個最大的版本TrEMBL（它搜集的信息來源也很雜，所有蛋白數(shù)有6400多萬種），不建議大家在用序列數(shù)據(jù)庫的時候直接用TrEMBL搜庫，因為沒有去過冗余。另外一個子庫Proteomes，包含了比較全的物種（目前有5000多種）。如果有reference參考序列的蛋白質(zhì)組，這些物種的冗余度是非常低的，用于我們蛋白質(zhì)組學(xué)的研究就非常適合。
Tips
Swiss-Prot是經(jīng)過人工注釋和review的數(shù)據(jù)庫，它只有55萬種蛋白。但是除了人類和小鼠蛋白質(zhì)數(shù)據(jù)庫因為研究得很廣泛比較全面以外，剩下的各個物種都不是很全面。因此建議除了人類和小鼠外，別的物種不要直接采用swiss-prot搜庫。
如果從NCBI或者UniProt里都沒搜索到你想要的蛋白質(zhì)序列，那么可以嘗試使用這些物種的EST。它們雖然不太完整，但是會比較豐富，也就是說研究對象還沒用經(jīng)過大規(guī)模的基因組測序，來自于小規(guī)模機(jī)構(gòu)或個人提供的RNA sequence序列信息。先對其按照coding的序列格式進(jìn)行氨基酸轉(zhuǎn)換后搜庫。也就是說當(dāng)我們只有mRNA或者coding sequence，但沒有進(jìn)行DNA sequence的序列進(jìn)行拼接的話，那么只能用這樣的數(shù)據(jù)庫。
說了這么多，我們來小結(jié)一下數(shù)據(jù)庫的選擇：UniProt Proteomes是第一優(yōu)先級，除了人和小鼠可以用Swiss-Prot更好以外，其余所有物種都優(yōu)先用Proteomes，第二優(yōu)先級GenBank/NCBInr，用于少數(shù)UniProt沒有收集到的物種。
既然UniProt這么好用，我們再來介紹一下它是如何使用。
首先，我們得確認(rèn)一下所要搜索的物種的拉丁文名稱，比如說豬，因為是很常見的物種，所以在其拉丁文名后，包含了其英文名pig。但你如果用sus scrofa來搜索會得到最準(zhǔn)確的結(jié)果，否則會得到大量的候選。
搜索完畢后。我們可以得到具體數(shù)據(jù)，比如蛋白數(shù)量26000種，編碼基因21000種，這個時候我們可以有個預(yù)判：豬的蛋白質(zhì)組相對來說是比較完整的。在該搜索頁面中，有download選項，點擊后可以進(jìn)入相應(yīng)的下載界面，下載到本地，導(dǎo)入搜庫軟件中，就可以使用了。
Tips
目前在UniProt Proteomes數(shù)據(jù)庫里，有reference proteome（數(shù)據(jù)庫里會用R標(biāo)簽來表示）的物種目前有5862種。另外51999種物種有proteome但是沒有reference，說明其數(shù)據(jù)相對來說還不夠全面。
蛋白質(zhì)組學(xué)網(wǎng)絡(luò)大課堂第四課-蛋白質(zhì)組學(xué)數(shù)據(jù)分析基礎(chǔ)的聽課筆記，小編已經(jīng)分享完畢。大伙兒有什么小觀點小建議，直接在推文下面給小編留言吧~
這次網(wǎng)絡(luò)課程，小編為大伙兒分享了前面四節(jié)重要的綜述&基礎(chǔ)課，涵蓋了實驗、儀器及數(shù)據(jù)分析的各個方面，希望對大家入門有所幫助。稍后小編也會將這四課的所有筆記做個歸類整理，將所有鏈接放在一篇獨立的推文里，方便大伙兒閱讀。
聯(lián)系客服
