天津数据库建设数据科学方案

    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。 承担各类项目超过400余项。天津数据库建设数据科学方案

    **突变频谱分析（突变模式）：目的：输入突变数据，用非负矩阵分解方法NMF分析突变特征，描述样本集的突变模式。什么是突变模式：这也是对TCGA数据的深度挖掘，从而提出的一个统计学概念。文章（Signaturesofmutationalprocessesinhumancancer）研究了30种**，发现21种不同的mutationsignature。如果理解了，就会发现这个其实蛮简单的，他们并不重新测序，只是拿已经有了的TCGA数据进行分析，而且居然是发表在nature上面！文章研究了4,938,362mutationsfrom7,042cancers样本，突变频谱的概念只是针对于somatic的mutation。一般是对**病人的**组织和*旁组织配对测序，过滤得到的somaticmutation，一般一个样本也就几百个somatic的mutation。还有其它文章（Mutationalsignatures:thepatternsofsomaticmutationshiddenincancergenomes）也是这样分析的从2013年提出到现在，已经有30种mutationsiganures，在cosmic数据库有详细记录，更新见：MutationalSignatures。它的概念就是：根据突变上下文分成96类，然后每类突变的频率不一样画一个条形图，可视化展现。应用场景：突变特征定义：体细胞突变是多个突变过程如DNA修复缺陷，暴露于外源或内源诱变剂等综合结果。 辽宁算法还原与开发数据科学活动协助构建各类科研、临床数据库。

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。

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 circos图通过圆圈和连线展示多个亚组之间的关系，包括且不限于基因、基因片段、亚型。

    GSEA基本原理从方法上来讲，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）。差异度量越大基因的EnrichmentScore权重越大，如果基因在基因集S中则EnrichmentScore取正，反则取负。将基因集L在基因集S里的所有基因的EnrichmentScore一个个加起来，就是Enrichmentplot上的EnrichmentScore趋势，直到EnrichmentScore达到**值，就是基因集S**终的EnrichmentScore。第三步是为了检验第二部获得结果的统计学意义。 诊疗软件开发、算法还原与开发、临床统计等数据科学工作。辽宁成果发表指导数据科学经验丰富

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。天津数据库建设数据科学方案

    cox风险比例回归模型：产品详情产品评论(0)比例风险回归模型，又称Cox回归模型，是由英国统计学家。模型可以用来描述了不随时间变化的多个特征对于在某一时刻死亡率的影响。它是生存分析中的一个重要的模型。应用场景cox比例风险回归模型，由英国统计学家主要用于**和其他慢性疾病的预后分析，也可用于队列研究的病因探索单因素cox分析主要探索单个基因的**预后影响cox分析可用于转录组，甲基化，miRNA,LncRNA,可变剪切等等基本原理：在这里，是一个与时间有关的基准危险率，其选择具有充分的灵活度，一种可能的选择是采用概率论中的Weibull分布。是模型的参数。由于只要给定数据，就能够通过极大似然估计求出模型的参数，而的选择具有很大的灵活性，所以我们称之为一个半参数模型。对公式进行变形，得到：通过这个公式，我们可以发现，模型中各危险因素对危险率的影响不随时间改变，且与时间无关,同时，对数危险率与各个危险因素呈线性相关。这就是Cox回归中的两个基本假设。参数的极大似然估计：术语解读：1.输入变量，由m个影响因素组成：2.生存函数，输入为X时，在t时刻仍然存活的概率：3.死亡函数，输入为X时，在t时刻已经死亡的概率：4死亡密度函数，输入为X时。 天津数据库建设数据科学方案