天津组学实验数据科学方案

    不同分组的全基因组拷贝数变化的比较：**初目的：不同分组的拷贝数变异在染色体水平和染色体臂水平的展示和比较。应用：不同分组的全基因组拷贝数变化的比较，展示genome-wideDNAcopy-numberprofiles。不同染色体臂的变异与临床表型息息相关。输入数据格式：一个表征每个样本的染色体变异（gain,balance,loss）的数值矩阵和样本分组信息。或者拷贝数的原始结果，可处理成所需矩阵。参考文献:(2):：本文计算出病人的拷贝数变异情况后，按照之前病人的分组比较了不同分组的染色体变异的异同，找到特定的染色体变异模式。确定了各组的特征，如lmonosomy2inPFB2,monosomy8inPFB3,monosomy3inPFB1,andgainof1qinPFB1.。 检测服务及数据分析助力取得2020年国自然面上十项、青年基金十八项。天津组学实验数据科学方案

    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）。 广东数据科学服务根据委托方提供的参考文献和要求进行个性化特定分析。

ssGSEA基本原理

对于一个基因表达矩阵，ssGSEA首先对样本的所有基因的表达水平进行排序获得其在所有基因中的秩次rank。然后对于输入的基因集，从基因集中寻找表达数据里存在的基因并计数，并将这些基因的表达水平求和。接着基于上述求值，计算通路中每个基因的富集分数，并进一步打乱基因顺序重新计算富集分数，重复一千次，***根据基因富集分数的分布计算p值整合基因集**终富集分数。

数据要求

1、特定感兴趣的基因集（通常为免疫细胞表面marker genes），列出基因集中基因

2、基因表达矩阵，为经过log2标准化的芯片数据或者RNA-seq count数数据（基因名形式与基因集对应）

下游分析

免疫细胞浸润分数相关性（corralation）分析

    **初目的：对手上的**样本（或病人）进行分型分析，期望找到不同的亚型，并对应不同的临床特征。可扩展应用到：所有样本的亚型分析，用于样本的特征分析。数据可用转录组、基因组、甲基化、蛋白质组等。输入数据格式：一个数值矩阵，行是基因或者其他特征，列是样本。本分析要求样本数要多，有利于亚型的分析。参考文献：(2):：本文利用室管膜瘤病人的甲基化数据，首先进行了tSNE分型，随后又采用了新的方法spectralclustering进行分类分析，作者比较了两种分类方法。使用spectralclustering的分类，鉴定了每一种**亚型的特异性表达模式。并且发现spectralclustering的分类和病人的临床特征有关，从而提出一种新的室管膜瘤亚型，可用于临床的筛选和检测。 调控区域ChiP-seq信号分布图。

    STEM基因表达趋势分析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***富集的时间表达模式之后的分析有：1.时间表达模式中基因的功能富集2.时间表达模式中基因表达与性状之间的相关性挖掘模块的关键信息：1.找到时间表达模式中的**基因2.利用关系预测该时间表达模式功能文献1：DynamicEBF1occupancydirectssequentialepigeneticandtranscriptionaleventsinB-cellprogramming（于2018年1月发表在GenesDev.，影响因子）EBF1动态占据在B细胞中对序列表观遗传和转录过程的影响该文献采用基因表达趋势分析，探寻了EBF1诱导前后25kb转录起始位点内基因转录水平的差异，来寻找EBF1对特定功能基因的影响以及造成影响的时间节点。文献2：ComprehensivetranscriptionalprofilingofNaCl-stressedArabidopsisrootsrevealsnovelclassesofresponsivegenes（于2016年10月发表在BMCPlantBiol.，影响因子）该文献采用基因表达趋势分析，研究了高浓度盐水作用不同时间下拟南芥根的基因表达差异，来探寻在遇到高浓度盐水时拟南芥在基因层面上的应对方式。 诊疗软件开发、算法还原与开发、临床统计等数据科学工作。山东临床统计数据科学欢迎咨询

采用机器学习算法对疾病的干性指数进行分型分类研究。天津组学实验数据科学方案

    survivalCurve生存分析生存分析（survivalCurve）旨在更好地分析对不同因素对患者预后的影响，从而找到影响患者疾病的关键因素。生存曲线（Kaplan-Meier曲线）是生存分析的基本步骤，展示分类样本的生存曲线，从而揭示不同因素对疾病预后的影响。一般可应用的研究方向有：患者的生存期跟基因变异的关系、药物处理导致模式动物生存期变化。基本原理Kaplan-Meier法，直接用概率乘法定理估计生存率，故称乘积极限法（product-limitmethod），是一种非参数法。相比其他方法，KM曲线能更好的处理删失数据。先将样本生存时间从小到大排列。若遇到非删失值和删失值相同时，非截删失****。在生存时间后列出与时间相应的死亡人数，期初病例数（即生存期为某时间时尚存活的病例数）。然后计算活过每个时间点的生存率。以生存时间为横坐标，生存率为纵坐标所作的曲线，即为Kaplan-Meier曲线。术语解释风险比（HazardRatio,HR）：Kaplan-Meier方法中计算的风险比HR为两分组对生存期影响的比例，用来描述该基因高表达对生存期的危险程度。该方法中的假设检验为两组中样本的生存期是否存在差异，即该因素是否会导致生存期的改变。删失（censored）：在生存分析中。 天津组学实验数据科学方案