四川临床统计数据科学经验丰富

    GSEA全名为GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如关注的GO条目或KEGGPathway）在两个生物学状态（如**与对照，高龄与低龄）中是否存在差异。能够研究基因变化的生物学意义。SubtypeGSEA是在GSEA的基础上对不同亚型样本中重要通路的富集情况进行组间比较，能直观比较不同亚型中相同通路富集情况。基本原理GSEA主要分为基因集进行排序、计算富集分数（EnrichmentScore，ES）、估计富集分数的***性水平并进行多重假设检验三个步骤。**步对输入的所有基因集L进行排序，通常来说初始输入的基因数据为表达矩阵，排序的过程相当于特定两组中（case-control、upper-lower等等）基因差异表达分析的过程。根据所有基因在两组样本的差异度量不同（共有六种差异度量，默认是signal2noise，GSEA官网有提供公式，也可以选择较为普遍的foldchange)，对基因进行排序，并且Z-score标准化。第二步是GSEA的**步骤，通过分析预先定义基因集S在**步获得的基因序列上的分布计算富集指数EnrichmentScore，并绘制分布趋势图Enrichmentplot。每个基因在基因集S的EnrichmentScore取决于这个基因是否属于基因集S及其差异度量（如foldchange）。 指导科研方案纠偏，更好更快发表文章。四川临床统计数据科学经验丰富

    ROC机器学习受试者工作特征曲线（receiveroperatingcharacteristiccurve，简称ROC曲线），又称为感受性曲线（sensitivitycurve），是用来验证一个分类器（二分）模型的性能的。一般应用于直观展示敏感性和特异性连续变量的综合指标，如比较多个biomarker或临床参数的诊断表现、比较多个算法的分类效果。基本原理ROC曲线工作原理是，向模型中输入已知正负类的一组数据，对比模型对该组数据的预测，衡量这个模型的性能。术语解读:1、TP（TruePositive,真正,TP）被模型预测为正的正样本（原来为正预测为正）2、TN（TrueNegative,真负,TN）被模型预测为负的负样本（原来为负预测为负）3、FP（FalsePositive,假正,FP）被模型预测为正的负样本（原来为负预测为正）4、FN（FalseNegative,假负,FN）被模型预测为负的正样本（原来为正预测为负）5、真正类率(TruePostiveRate)TPR:TP/(TP+FN),**分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity6、假正类率(FalsePostiveRate)FPR:FP/(FP+TN)，**分类器预测的负类中预测为正实例(实际为负实例)占所有负实例的比例。1-Specificity7、真负类率(TrueNegativeRate)TNR:TN/(FP+TN)。 重庆诊疗软件开发数据科学方案OmicCircos图可以对感兴趣的多个基因，展示其染色体的位置、拷贝数变异等多个特征。

    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。

    GSEA分析：GSEA全名为GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如关注的GO条目或KEGGPathway）在两个生物学状态（如**与对照，高龄与低龄）中是否存在差异。能够研究基因变化的生物学意义。普通GO/KEGG富集的思路是先筛选差异基因，然后确定这些差异基因的GO/KEGG注释，然后通过超几何分布计算出哪些通路富集到了，再通过p值或FDR等阈值进行筛选。挑选用于富集的基因有一定的主观性，没有关注到的基因的信息会被忽视，所以有一定的局限性。在这种情况下有了GSEA（GeneSetEnrichmentAnalysis），其思路是发表于2005年的Genesetenrichmentanalysis:aknowledge-basedapproachforinterpretinggenome-wideexpressionprofiles。主要是要有两个概念：预先定义的基因集S（基于先验知识的基因注释信息）和待分析基因集L（一般初始输入是表达矩阵）；然后GSEA目的就是为了判断S基因集中的基因是随机分布于L（按差异表达程度对基因进行排序），还是聚集分布在L的顶部或者底部（也就是存在差异性富集）。如果基因集中的基因***富集在L的顶部或者底部，这说明这些基因的表达对定义的分组（预先分组）的差异有***影响（一致性）。在富集分析的理论中。 协助构建各类科研、临床数据库。

ssGSEA（single sample GSEA）主要针对单样本无法做GSEA而提出的一种实现方法，原理上与GSEA是类似的。ssGSEA根据表达谱文件计算每个基因的rank值，再进行后续的统计分析。通过这个方法，我们可以得到每个样本的免疫细胞或者免疫功能，免疫通路的活性，然后根据免疫活性进行分组。

ssGSEA量化免疫细胞浸润**的一个优点就是自己可以定制量化免疫浸润细胞种类。目前公认并且用的**多的免疫细胞marker就是2013年发表在Immunity上的SpatiotemporalDynamicsof IntratumoralImmuneCellsReveal the Immune Landscape in Human Cancer 所提供的免疫细胞marker genes（Table S1），能提取到24种免疫细胞信息。 提供语言润色、图表调整、格式修改等工作模块。上海临床统计数据科学口碑推荐

可对接各类公共数据库，切入各类接口，并对公共数据库进行大规模数据挖掘。四川临床统计数据科学经验丰富

    LASSO回归：更多的变量在拟合时往往可以给出一个看似更好的模型，但是同时也面临过度拟合的危险。此时如果用全新的数据去验证模型(Validation)，通常效果很差。一般来说，变量数大于数据点数量很多，或者某一个离散变量有太多独特值时，都有可能过度拟合。LASSO回归复杂度调整的程度由参数λ来控制，λ越大对变量较多的线性模型的惩罚力度就越大，从而**终获得一个变量较少的模型。LASSO回归与Ridge回归同属于一个被称为ElasticNet的广义线性模型家族。这一家族的模型除了相同作用的参数λ之外，还有另一个参数α来控制应对高相关性(highlycorrelated)数据时模型的性状。LASSO回归α=1，Ridge回归α=0，一般ElasticNet模型0<α<1。LASSO过程中我们通常会进行多次交叉验证（crossvalidation）拟合（1000次）进而选取模型，从而对模型的性能有一个更准确的估计。 四川临床统计数据科学经验丰富