云南公共数据库挖掘数据科学方案

    术语解释：Cox回归：又称比例风险回归模型(proportionalhazardsmodel，简称Cox模型)，是由英国统计学家。该模型以生存结局和生存时间为应变量，可同时分析多种因素对于生存期长短的影响。Cox模型能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型，因此在医学界被***使用。Logistic回归：又称逻辑回归模型，属于广义线性模型。逻辑回归是一种用于解决二分类问题的分析方法，用于估计某种事物的可能性。相较于传统线性模型，逻辑回归模型以概率形式输出结果，可控性高且结果可解释性强。数据要求：样本临床信息或生物学特征（基因突变、基因表达等）样本的随访数据（总生存期，生存状态）或样本的分组情况下游分析：1.补充相关因素的已有相关研究2.解释相关因素对研究课题的意义。 自有服务器机房，可随时调用各计算平台算力，且团队成员有多年科研经历。云南公共数据库挖掘数据科学方案

术语解读

数据降维：

降维就是一种对高维度特征数据预处理方法。降维是将高维度的数据保留下**重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常***的数据预处理方法。

数据要求：

表达谱芯片或测序数据（已经过预处理）

下游分析

得到PCA分析结果之后的分析有：

1.对组成主要成分的基因进行后续分析，探究该情况下关键基因表达情况

2.对组成不同主成分簇的基因进行后续分析，探究该情况下不同基因集的表达情况 北京算法还原与开发数据科学经验丰富调控区域ChiP-seq信号分布图。

三角坐标统计图是采用数字坐标形式来表现三项要素的数字信息图像。三角形坐标图常用百分数（%）来表示某项要素与整体的结构比例。三条边分别表示三个不同分量，三个顶点可以看作是三个原点。三角图可以展示某特定值在一个整体中不同类型的分布。在生物信息中三角图可以方便地展示3种不同疾病或者3个不同分组之间某个指标的相关性。

数据要求

多个样本的三个变量值，或者多个基因在三个不同分组中的数据值，可以是突变频率数据、基因表达数据、甲基化数据等。

术语解读：

TME: Tumormicroenvironment

TMEscore: TMEsignature score（使用PCA算法计算得到，高意味着对病毒和干扰素免疫***和应答敏感。）  

PCA:Principal component analysis

CIBERSORT:Cell type identification by estimating relative subset of known RNA transcripts

CYT:Cytolytic activity

EMT:Epithelial-mesenchymal-transition

CR: Completeresponse

PR: Partialresponse  

PD:Progressive disease

TMB: Tumormutational burden

数据要求：

各细胞之间的相关关系、pvalue、聚类/分类结果、跟预后的关系表。 基因组数据全链条处理。

    PPImodule蛋白质互作蛋白质-蛋白质相互作用（protein-proteininteraction,PPI）是指两个或两个以上的蛋白质分子通过非共价键形成蛋白质复合体（proteincomplex）的过程。PPImodule是指共表达蛋白模块或蛋白质相互作用模块。蛋白质相互作用形成人体复杂的蛋白质相互作用网络，对蛋白质相互作用网络进行聚类形成模块从而帮助我们理解细胞的功能。我们一般使用PPImodule把基因列表跟蛋白相互作用网络联系起来。例如RNA-seq获得的差异表达基因，看他们在蛋白相互作用网络中，哪些基因处于同一module。基本原理：蛋白质在细胞中的功能取决于它与其他蛋白质、核酸和小分子相互作用关系，对蛋白质相互作用网络进行聚类形成模块，各个蛋白模块发挥不同的功能，我们将基因列表重叠于模块上，查找基因列表所在的功能模块，从而发现基因列表中的基因可能发挥的细胞功能。我们通过PPI数据库找到共表达蛋白中的module,然后从模块中筛选出基因列表的产物蛋白，筛选出的结果就是基因列表***表达的PPImodule。 我们团队具备完整的数据分析、数据库构建、软件开发团队。北京算法还原与开发数据科学经验丰富

在基因组上同时展示突变位点和motif，为突变影响转录因子结合提供量化和可视化的证据。云南公共数据库挖掘数据科学方案

    t-SNE（t分布随机邻域嵌入）是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。t-SNE非线性降维算法通过基于具有多个特征的数据点的相似性识别观察到的簇来在数据中找到模式。另外t-SNE的输出可以作为其他分类算法的输入特征。因为t-SNE算法定义了数据的局部和全局结构之间的软边界。t-SNE几乎可用于所有高维数据集，广泛应用于图像处理，自然语言处理和语音处理。在生物信息中可广泛应用于基因表达数据、基因甲基化数据、基因突变数据等，能够直观地对不同数据集进行比较。基本原理从方法上来讲，t-SNE本质上是基于流行学习(manifoldlearning)的降维算法，不同于传统的PCA和MMD等方法，t-SNE在高维用normalizedGaussiankernel对数据点对进行相似性建模。相应的，在低维用t分布对数据点对进行相似性(直观上的距离)建模，然后用KL距离来拉近高维和低维空间中的距离分布。 云南公共数据库挖掘数据科学方案