北京成果发表指导数据科学共同合作

    术语解读：中位数Q2：二分之一分位数上四分位数Q1：序列由小到大排序后第(n+1)/4所在位置的数值下四分位数Q3：序列由小到大排序后第3（n+1）/4所在位置的数值**值：非异常范围内的**值，四分位距IQR=Q3-Q1，上限=Q3+最小值：非异常范围内的最小值，下限=数据要求：某一基因在各**及对应的正常组织的表达数据。应用示例1：（于2014年2月发表于Nature.，影响因子）文章研究了12种主要**类型的突变景观和意义，它首先使用小提琴图展示了12种**的突变频率分布情况，然后查找确定具有***意义的突变基因。应用示例2：（于2017年1月发表在NatCommun.，影响因子）文章研究了Pancancer建模预测体细胞突变对转录程序背景的特异性影响。研究人员基于开发的模型预测重要转录因子，然后使用预测出的突变转录因子的活性情况绘制泛*图谱。 目前能够对接超过50家实验室。北京成果发表指导数据科学共同合作

    Nomogram列线图（nomogram，诺莫图）是在平面直角坐标系中，用一簇互不相交的线段表示多个临床指标或者生物学特征，用以预测一定的临床结局或者某类事件发生的概率的图。列线图使预测模型的结果更具有可读性，可个性化地计算特定**患者生存率,在临床实践中有较大的价值。一般可应用的研究方向有：将回归的结果进行可视化呈现，对个体样本给出其发病风险或比例风险；根据多个临床指标或生物学特征，判断个体样本的疾病分类或特征。基本原理：列线图的理论于1884年提出，**早用于工程学。它能够将复杂的计算公式以图形的方式，快速、直观、精确的展现出来。列线图通过构建多因素回归模型（例如Cox回归、Logistic回归等），根据模型中各个影响因素对结局变量的影响程度的高低，即回归系数的大小，给每个影响因素的每个取值水平进行赋分。将各个评分相加得到总评分，通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测概率。校准曲线（calibrationcurve）为实际发生率和预测发生率的散点图，常于用于化工行业溶液配制。在这里通过观察预测值与实际值相差情况，判断基于回归模型构建列线图的有效性。 云南数据库建设数据科学售后分析长期与交大、复旦、中科院、南大、药科大等实验室合作。

    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。

棒棒糖图是直观显示蛋白质结构上的突变点**简单且有效的方式。许多致*基因具有比任何其他基因座更频繁突变的优先位点。这些位点被认为是突变热点，棒棒糖图可以用于显示突变热点以及其他突变位点。并可以对比不同**/亚型的突变位点。

基本原理

将蛋白质结构根据氨基酸顺序绘制为长条形，以不同色块标注不同结构域，在基因突变导致氨基酸改变的位置标注棒棒糖，并在棒棒糖圆球标注位点的突变频数以及突变位点。

数据要求

基因突变或者蛋白质突变数据

下游分析

1、突变位点靶向药物分析

2、驱动基因突变分析 我们团队具备完整的数据分析、数据库构建、软件开发团队。

    **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。 参考国内外数据资源，根据需求制定构建方案。云南诊疗软件开发数据科学售后分析

TCGA数据机器学习研究数据包。北京成果发表指导数据科学共同合作

    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。 北京成果发表指导数据科学共同合作