四川临床统计数据科学服务

    LASSO是一种机器学习算法，通常被用来构建可以预测预后情况的基因模型。也可以筛选与特定性状相关性强的基因。LASSO对于高维度、强相关、小样本的生存资料数据有较好的效果。LASSO的基本思想是在回归系数的***值之和小于一个常数的约束条件下，使残差平方和**小化，从而使某些回归系数严格等于0，来得到可以解释的模型。该方法的估计参数λ为调整参数。随着l的增加，项就会减小，这时候一些自变量的系数就逐渐被压缩为0，以此达到对高维资料进行降维的目的。LASSO方法的降维是通过惩罚回归系数的数量来实现的。基本原理LASSO回归的特点是在拟合广义线性模型的同时进行变量筛选(VariableSelection)和复杂度调整(Regularization)。因此，不论目标因变量(dependent/responsevaraible)是连续的(continuous)，还是二元或者多元离散的(discrete)，都可以用LASSO回归建模然后预测。这里的变量筛选是指不把所有的变量都放入模型中进行拟合，而是有选择的把变量放入模型从而得到更好的性能参数。复杂度调整是指通过一系列参数控制模型的复杂度，从而避免过度拟合(Overfitting)。对于线性模型来说，复杂度与模型的变量数有直接关系，变量数越多，模型复杂度就越高。

参考国内外数据资源，根据需求制定构建方案。四川临床统计数据科学服务

    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。 四川临床统计数据科学服务生物医学科研领域的组学数据处理。

    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。

    **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。 结合WGCNA的ceRNA分析。

    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。 基因组数据全链条处理、蛋白组代谢组个性化分析。辽宁数据库建设数据科学怎么样

蛋白组代谢组个性化分析。四川临床统计数据科学服务

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。 四川临床统计数据科学服务