对变分自编码器（VAE）原论文的阅读。本文提出了一种新的技术，可以非常有效率地建模带有连续隐变量的数据。即特定是使用了神经网络来参数化后验分布和似然函数，并提出了重参数化的技巧来配合Monte Carlo梯度估计，从而可以使用SGD对上述模型进行训练。从另一个角度，其将自编码器和概率模型结合在一起，探索了一种新的自编码器框架。

叙述了UCSC Xena所管理的数据集，以及如何下载这些数据集。关于这些数据集只是进行了一个列举，详细信息需要去查看对应数据集的官网获得

主要介绍了如何在UCSC Xena中绘制Kaplan Meier曲线

主要介绍了spreadsheet在不同数据类型下的不同表示，重点是copy number和mutation数据的展示

如何使用Local Xena Hub对私人数据集进行分析，主要内容是如何上传数据到本地服务器

本篇主要介绍了如何使用UCSC Xena来对TCGA的数据进行一个简单的可视化。使用的示例数据是LGG和BGM的chr1、chr19的copy number数据，以及tp53、ATRX的somatic mutation数据

简单介绍了UCSC Xena网站的功能，并且可以链接到其他关于UCSC Xena的笔记

在正常的工作中，经常使用到git，那自然.gitignore文件的使用是必须要掌握的。所幸我们一般用到的的.gitignore的规则都比较简单，而且其语法是使用的通配符语法，容易掌握，这里将它的语法进行一下归纳整理，便于之后查阅。 这里的内

本研究提出了一个基于VAE的多组学模型，可以进行多组学降维和基于此的end-to-end的分类任务。本研究在TCGA pan-cancer的癌症类型分类任务上验证了该模型，体现出优异的性能。在我看来，其依据染色体分组提取特征的思路是亮点之一。

本研究是一项多组学亚组聚类的方法学研究。本研究提出了一种基于graph kernel和multi-view clustering的多组学聚类方法，其可以将pathway数据和多组学数据（RNAseq、somatic mutations和RPPA等）结合进行聚类分析。在TCGA-KIRC上进行了验证，效果不错。

本研究提出了一种混合方法，将RNN和Kalman滤波器结合在一起，来构建基因调控网络，并在多个数据集上进行了验证。

本研究旨在为研究者提供入门级（entry-level）的指导，使得研究者可以使用deep learning（DL）技术来解决组学问题。首先介绍了多种DL-models，然后介绍了其和omics在特定研究领域的结合，另外总结了DL技术分析omics数据的一般套路，并总结了一些还未被系统研究的问题，最后比较了现存的开源DL框架和总结了DL领域的机会和挑战。