云南数据科学共同合作

    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)。 早期肝疾病的预后基因panel研究。云南数据科学共同合作

    pancancer泛**图谱泛*研究是通过整合不同**类型、不同组织起源的**表达数据，查找**之间的共性或者差异的过程。通常使用**数据信息较为***的TCGA数据，通过分裂小提琴图展示某个基因在TCGA**和正常组织中的表达差异。分裂小提琴图(ViolinPlot)结合了箱形图和密度图的特征，主要用来显示数据的分布形状，它一般应用于对比某一基因在TCGA**组织和正常组织基因表达量TPM值或其它表达量数据。基本原理：小提琴图(ViolinPlot)使用一组数据中的最小值、**四分位数、中位数、第三四分位数和**值来反映数据分布的中心位置和散布范围，将多组数据的小提琴图画在同一坐标上，可以清晰地显示各组数据的分布差异。分裂小提琴图在小提琴图的基础上又加入了分组对比项，便于观察多**类型在某一基因上的表达分布情况，或者某一基因在某一**上，其疾病与正常的对比表达差异情况。 云南数据科学共同合作生物医学科研领域的组学数据处理。

    CNV(拷贝数变异分析)：CNV（copy-numbervariant）是指拷贝数目变异，也称拷贝数目多态性（copy-numberpolymorphism，CNP），是一个大小介于1kb至3MB的DN**段的变异，在人类及动植物基因组中***分布，主要表现为亚显微水平的缺失或重复。CNV是近年来基因组学的研究热点，是许多人类疾病（如**、遗传性疾病、心血管疾病等）发***展的重要分子机制之一。CNV的分析多见于易于发生染色体结构变异的**研究中，也可用于复杂的神经精神疾病的病因学研究，如智力障碍、帕金森病和孤独症等，也可用于其他疾病的易感性分析，如银屑病、克罗恩病和一些自身免疫系统疾病。CNV研究既可用于单个的病例分析，找到遗传高度异质性的个体致病的遗传学基础，如智力低下的病因诊断；也可用于大量的病例一对照分析，患病群体的常见CNV变异研究，还可用于**家系的研究，如疾病相关新发CNV的研究。基本原理目前主流的CNV检验方法有RNA-seq和SNPArray，已有研究表明使用转录组数据分析到的CNV情况和。CNV分析的**步为筛选somaticCNVs。对正常人来说，基因组应该是二倍体的，所以凡是测到非2倍体的地方都是CNV。但是CNV本身就是人群遗传物质多样性的体现，所以对**样本来说。

    RNAseqChIP根据RNA-seq表达谱分析得到的结果，绘制对应基因启动子区的ChIP-seq信号，观察转录因子对基因的调控影响。一般可应用场景：测了RNA-seq和ChIP-seq，结合转录因子结合情况分析基因表达；只测了RNA-seq，补充相关ChIP-seq公共数据。基本原理：染色质免疫共沉淀技术（ChromatinImmunoprecipitation，ChIP）也称结合位点分析法，是一种研究蛋白质与染色质结合情况的方法。将ChIP与第二代测序技术相结合的ChIP-Seq，能够高效地在全基因组范围内检测与组蛋白、转录因子等互作的DNA区段。转录组测序RNA-seq，获取的转录组基因表达情况，结合ChIP-seq数据，可以从更宏观的角度分析转录因子调控的对基因表达的影响。数据要求：基因列表，ChIP-seq数据。 我们团队具备完整的数据分析、数据库构建、软件开发团队。

    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。 结合WGCNA的ceRNA分析。天津成果发表指导数据科学活动

诊疗软件开发、算法还原与开发、临床统计等数据科学工作。云南数据科学共同合作

    GSVA算法接受的输入为基因表达矩阵（经过log2标准化的芯片数据或者RNA-seqcount数数据）以及特定基因集。**步，算法会对表达数据进行核密度估计；第二部，基于**步的结果对样本进行表达水平排序；第三步，对于每一个基因集进行类似K-S检验的秩统计量计算；第四步，获取GSVA富集分数。**终输出为以每个基因集对应每个样本的数据矩阵。无监督算法无监督算法常常被用于数据挖掘，用于在大量无标签数据中发现些什么。它的训练数据是无标签的，训练目标是能对观察值进行分类或区分等。核密度估计核密度估计（kerneldensityestimation）在概率论中用来估计未知的密度函数，属于非参数检验方法之一。数据要求1、特定感兴趣的基因集（如信号通路，GO条目等），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-seqcount数数据（基因名形式与基因集对应）下游分析1、基因集（如信号通路）的生存分析2、基因集（如信号通路）的差异表达分析3、基因集。 云南数据科学共同合作