云南成果发表指导数据科学活动

    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。 糖尿病药物基因组学分析找到新的作用靶点。云南成果发表指导数据科学活动

    **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。 湖北生物/药物信息学分析数据科学方案不断拓展各类大学、科研院所、医院学术资源，互通有无，形成强大学术生态圈。

    蛋白质主要由碳、氢、氧、氮等化学元素组成，是一类重要的生物大分子。蛋白质的功能由蛋白质的三维结构决定。蛋白质三维结构绘图，可以直观地展示蛋白质三维功能结构，广泛应用于单核苷酸突变功能分析、药物蛋白分子相互作用分析等研究领域。基本原理蛋白质三维结构绘图主要分为蛋白质三维结构预测以及对结构进行可视化两步。蛋白质三维结构预测是基于蛋白质中氨基酸序列预测蛋白质折叠结构的步骤，**常用的预测方法为同源建模，同源建模的原理是序列相似的蛋白质具有相似的蛋白质结构，要推测一个未知结构蛋白的三维结构，只需要找到与之序列高度相似的已知结构模板。在无法进行同源建模（找不到模型）的情况下，还有折叠识别及从头建模法，但是计算量大运行缓慢且建模准确度不如同源建模。获得蛋白质三维结构预测的pbd文件后还需要通过分子三维结构软件绘制可视化的三维图，并分析特殊位点（分子对接或突变位点分析），常用的有pymol和DeepView等。数据要求目标蛋白的氨基酸序列或者编码蛋白的基因序列，突变数据等。下游分析突变位点靶向药物分析等。

    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。 实验室致病类病原微生物数据分析平台。

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 两个实验组的差异基因比较。云南成果发表指导数据科学活动

蛋白组代谢组个性化分析。云南成果发表指导数据科学活动

    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。 云南成果发表指导数据科学活动