OLLEH先查壳，没有加任何保护，拉入ida看看先分析一下我们可以下断点动调，得到校验密文双击v4，在栈中看直接输入后，得到flag，md5加密后就行了ez_re这题一开始常规操作，查壳，拉入ida分析，一堆代码看不懂，在看看dll文件，我们用dnspy反编译一下dll从程序入口进去，挺清楚的加密过程，直接写脚本，或者改改代码去在线跑一下login这是python写的程序，经过封装打包成exe文件
这里我用的编辑工具还是6502Sim。第一步是确定容量：我写一个极短的汇编代码，16K容量就远远足够了。所以程序从$C000开始存放。图库大小也是最小就可以（即8K）。第二步是分派背景所在页和精灵所在页。不防定：背景=0页，精灵=1页。第三步是准备一个4K的背景用chr，和一个精灵用的chr。因为这次用不着显示精灵，所以精灵chr纯属是打酱油。不过也要用于填充，哪怕是4K的空白文件（字节要精确=4
转载
2024-10-18 13:58:21
95阅读
导语之前讲解过AUC评价指标，AUC能很好地描述模型整体性能的高低。除了AUC，还有一个指标也能达到相同的效果，那便是ks。不仅如此，ks还能给出最佳的划分阈值。那么，ks具体是什么指标？计算方式和AUC有何不同？ks评价指标ks（Kolmogorov-Smirnov）评价指标，通过衡量好坏样本累计分布之间的差值，来评估模型的风险区分能力。其计算方式和AUC的计算方式基本类似，我们不妨
引入： Functional annotation enrichment analysis的缺点： 1、sampling issue 2、cut off bias 人为决定p值 3、lost mild changes 丢掉了改变小的那些基因
而GSEA避免了以上的缺点。
GSEA结果生成原理：
Phit就是只当前黑线对应的基因，处于你富集分析的gene
转载
2024-04-03 09:31:16
525阅读
很多出国留学的朋友都知道，申请国外的大学，他们考核我们的申请的时候，不是根据标准化的考试成绩来考核的，而是通过一种叫做GPA的数据来考核，大家知道这个GPA是什么吗，它的分数是怎么计算的呢，每个国家不一样，他们的课程也就不一样，这样就导致了GPA的分数算法不能够统一，比如说中国是100分制的GPA，而美国是4.0制的GPA，那么我们应该如何换算呢，今天我们就来说说GPA的换算方法。WES算法WES
Identification of molecular correlations of RBM8A with autophagy in Alzheimer's disease二. 文章思路 三. 结果解读1.识别AD中差异表达的基因作者探索RBM8A在AD中的作用使用的是GSE33000数据集，样本为310AD患者 VS 157 norm，用limma包进行差异分析A：箱线图展示RBM
转载
2024-04-19 13:46:57
634阅读
GSS系列是啥？并没有找到全称。听说是一系列查询区间最大子段和及其变种的题目（所以说是Greatest Subsequence Sum吗？）。 最近做题发现一些简单的线段树处理方式都不会，觉得自己码力很弱，听说这套题目可以练习练习。GSS1： 处理区间最大子段和，线段树记录左端起连续最大、右端起连续最大、区间最大、区间和，合并的时候随意处理一下就好了。GSS2： 同GSS1，
MLP–>CNN–>Transformer–>MLP 天道好轮回。CNN家族和Vision Transformer博主已经整理过，不再赘述，本期博文主要整理Vision MLP范式的文章们。Do You Even Need Attention? A Stack of Feed-Forward Layers Does Surprisingly Well on ImageNet 这篇
第六节，我们使用结核病基因数据，做了一个数据预处理的实操案例。例子中结核类型，包括结核，潜隐进展，对照和潜隐，四个类别。第七节延续上个数据，进行了差异分析。 本节对差异基因进行富集分析。目录数据展示GO富集分析 -对基因名称映射基因IDGO富集分析 -从org.Hs.eg.db库中去匹配基因KEGG富集分析 （不详细讲了看注释）GSEA 富集分析更多复杂的图（关联网络图、八卦图 、弦图）
GSEA图的理解： 含义概述：竖线表示：某个GO过程（比如：脂肪代谢）的基因。 我测了10000个基因在treat组和control组中的表达量。那么，与脂肪代谢相关的基因，在这两个组中是有差异表达的吗？ 通过此图，可以知道这个信息。竖线的基因集中在左端，说明这些基因在treat组中高表达。 得出结论：与脂肪代谢相关的基因，在treat组和control组中，是差异表达的。
生物信息学习的正确姿势NGS系列文章包括NGS基础、在线绘图、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-s
干扰成因干扰源的发射信号（阻塞信号、加性噪声信号）从天线口被放大发射出来后，经过了空间损耗L，最后进入被干扰接收机。如果空间隔离不够的话，进入被干扰接收机的干扰信号强度够大，将会使接收机信噪比恶化或者饱和失真，引起接收机灵敏度的损失。NI （载波噪声干扰）针对5G，可以用下面统一的公式：NI(dBm)=-174dBm/Hz+N*10Log(BW)+NF，由于5G网管都是按照RB即进行统计的，故可以
转载
2024-09-26 14:47:24
94阅读
一.GSEA基础知识定义 GSEA：Gene Set Enrichment Analysis，基因富集分析。 集：在以前的实验中发表的数据或表达谱上共表达的基因信息数据集合，通俗一点就是某一个通路(相关的所有基因的总和)。分析什么参考文章：学习基因通路富集分析软件GSEAGSEA学习笔记(本篇笔记的主要参考来源)我们在利用DESeq2、edgeR或者Llimma进行差异分析笔尖后，会得到一个列表，
转载
2024-05-21 22:49:32
433阅读
传统富集分析(基于超几何分布或者Fisher精确检验)：关注一列差异基因是否是随机分布在某一感兴趣的基因集中(某通路的基因)得到通路富集的结果时：(1)、一条通路中既有上调基因又有下调基因，无法确定这条通路总体的表现形式(是抑制还是激活)将上调和下调的差异基因分开进行分析。(1)这样分析会对结果产生偏倚，因为Fisher精确检验就是想要证明整个差异基因列表不是抽样得到的，如果将上下调基因分开，就对
转载
2024-03-24 16:45:03
949阅读
基因集富集分析(Gene Set Enrichment Analysis, GSEA)，根据名称我们就可以知道这是一种对基因进行富集的工具和方法。其基本思想是使用预设定的基因集(通常是基因组注释信息或者来自前人、牛人的实验结果)，即将基因富集，把功能相似或者相同的基因进行组合，并最终以基因集的形式进行封装；然后将 case 和 control 组中差异表达的基因进行排序，之后检验两组中差异表达的基
转载
2024-04-24 13:50:31
150阅读
1.接口NesC程序主要由各式组件（component）构成，组件和组件之间通过特定的接口（interface）互相沟通。一个接口内声明了提供相关服务的方法（C语言函数）。例如数据读取接口（Read）内就包含了读取（read）、读取结束（readDone）函数。接口只是制定了组件之间交流的规范，也就是通过某一个接口，只能通过该接口提供的方法实现两个组件之间的交流。但是接口终归只是接口，只是一组函数
在解读传统的富集分析结果时，经常会有这样的疑问，一个富集到的通路下，既有上调差异基因，也有下调差异基因，那么这条通路总体的表现形式究竟是怎样呢，是被抑制还是激活？或者更直观点说，这条通路下的基因表达水平在实验处理后是上升了呢，还是下降了呢？在这里我说下自己的观点，在传统的富集分析时，我们只需要一个差异基因的列表，根本不关心这个差异基因究竟是上调还是下调。这是因为，传统的富集分析根本不需要考虑基因表
转载
2024-04-28 14:17:20
717阅读
大家应该对通路富集分析都很熟悉，如DAVID、超几何富集分析等。都是在大量文章中常见的通路富集方法，给大家介绍一个更加复杂的通路富集分析的前期数据处理包GSVA（gene set variation analysis）与gsea选择。GSVA是一种非参数的无监督分析方法，主要用来评估芯片核转录组的基因集富集结果。主要是通过将基因在不同样品间的表达量矩阵转化成基因集在样品间的表达量矩阵，从而来评估不
转载
2024-07-21 08:09:07
416阅读
什么是GSEA富集分析当我们设置好分组实验最后获得各组对基因的表达矩阵时，我们通常希望得到不同分组中具有差异表达的基因。如果进行常规差异分析，通过log2fc筛选差异基因，就是将筛选差异基因的标准聚集在单个基因的差异表达上。而实际上每个基因的差异表达造成的表型差异有所不同，有些基因虽然差异表达较小，但会造成较大的生理功能变化。并且生理功能通常是由一系列基因调控的，所以只将筛选标准聚集在单个基因差异
转载
2024-06-08 14:48:09
3118阅读
基因富集分析（Gene Set Enrichment Analysis，GSEA）是一种针对全基因组表达谱芯片数据的分析方法，将基因与预定义的基因集进行比较。即综合现有的对基因的定位、性质、功能、生物学意义等信息基础，构建一个分子标签数据库，在此数据库中将已知基因按照染色体位置、已建立基因集、模序、肿瘤相关基因集和GO基因集等多个功能基因集进行分组与归类。通过分析基因表达谱数据，了解它们在特定的功
转载
2024-08-11 07:42:33
563阅读
