天津成果发表指导数据科学服务

    术语解读：中位数Q2：二分之一分位数上四分位数Q1：序列由小到大排序后第(n+1)/4所在位置的数值下四分位数Q3：序列由小到大排序后第3（n+1）/4所在位置的数值**值：非异常范围内的**值，四分位距IQR=Q3-Q1，上限=Q3+最小值：非异常范围内的最小值，下限=数据要求：某一基因在各**及对应的正常组织的表达数据。应用示例1：（于2014年2月发表于Nature.，影响因子）文章研究了12种主要**类型的突变景观和意义，它首先使用小提琴图展示了12种**的突变频率分布情况，然后查找确定具有***意义的突变基因。应用示例2：（于2017年1月发表在NatCommun.，影响因子）文章研究了Pancancer建模预测体细胞突变对转录程序背景的特异性影响。研究人员基于开发的模型预测重要转录因子，然后使用预测出的突变转录因子的活性情况绘制泛*图谱。 采用机器学习算法对疾病的干性指数进行分型分类研究。天津成果发表指导数据科学服务

    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）。 广东数据科学服务指导科研方案纠偏，更好更快发表文章。

    GeneBodyProfile（对比不同的样品在某一区域的信号特征，不**于ChIP-seq、DNase-seq、ATAC-seq数据）：GeneBodyProfile表观遗传修饰和对基因表达、细胞发育等过程有着深远的影响，但相关的研究还未完善。通过对比不同的样品在某一区域的信号特征，了解不同情况下该基因的表观遗传情况，帮助更好的了解其发***展过程。一般应用场景：观察相关基因转录起始位点（TSS）、转录终止位点（TTS）、genebody以及两侧信号特征；观察某一功能区域（CpGi、TSS、TTS、peaksummits或enhancer区）及其两侧信号特征。数据要求：ChIP-seq、DNase-seq或ATAC-seq数据。下游分析：基于展示的基因或功能情况1.补充展示部分的已有相关研究2.解释展示部分对研究课题的意义。

    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。 利用甲基化数据分析样本的拷贝数变异。

    术语解读：PPI：蛋白质-蛋白质相互作用(protein-proteininteraction)PPImoduleI：指蛋白质相互作用模块，一个模块指向一个功能数据要求：基因列表应用示例1：（于2018年3月发表在Immunity.，影响因子）T细胞活化过程中产生蛋白质组进行多重定量分析，然后对差异表达蛋白权重聚类，并将聚类蛋白叠加到PPI网络上以识别功能模块。D.模块大小的分布，通过将每个WPC（权重聚类结果）中的蛋白叠加到蛋白-蛋白相互作用(PPI)网络上识别模块。每个模块的蛋白质数量显示出来。E.各个模块及其交互的关系图。圆圈(节点)表示90个模块，圆圈大小与模块大小成比例。边连接共享PPIs的模块。在(F)和(G)中进一步扩展了装箱模块。F.来自WPC3的细胞质和线粒体核糖体的四个互连模块。显示了蛋白质的名称和每个模块的代表性功能术语。G.来自WPC3的蛋白酶体，OXPHOS和线粒体复合物IV途径的模块。 诊疗软件开发、算法还原与开发、临床统计等数据科学工作。广东组学实验数据科学共同合作

基因组数据全链条处理、蛋白组代谢组个性化分析。天津成果发表指导数据科学服务

    Lasso术语解读λ(Lambda)：复杂度调整惩罚值，λ越大对变量较多的线性模型的惩罚力度就越大，**终获得的变量越少。是指在所有的λ值中，得到**小目标参量均值的那一个。而是指在一个方差范围内得到**简单模型的那一个λ值。交叉验证（crossvalidation）：交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。数据要求：1、表达谱芯片或测序数据（已经过预处理）或突变数据2、包含生存状态和生存时间的预后数据或者其它临床分组数据。 天津成果发表指导数据科学服务