北京成果发表指导数据科学服务

    GeneInteraction基因互作：基因相互作用指miRNA、lncRNA、circRNA或其它RNA介导DNA转录，从而影响mRNA的表达过程。通俗意义上来说，基因互作关系指基于序列预测的靶基因对。miRNA通过与靶mRNA的结合，或促使mRNA降解，或阻碍其翻译，从而***目的基因的表达。竞争性内源RNA网络是靶基因预测的研究深入，简称ceRNA网络。通过进行ceRNA网络的分析，我们能从一个更为宏观的角度来解释转录体如何构建基因表达调控网络，从而进一步挖掘基因在其中的调控机制。基本原理：miRNA主要通过与靶基因的非翻译区（UTR）结合而发挥其作用，对miRNA和mRNA、lncRNA、circRNA结合进行的预测称为靶基因预测。靶基因预测使用软件根据miRNA和靶基因间的结合的规律预测结合基因对。在生物体内，miRNA可以通过与proteincoding特异性结合，影响相关基因的表达，从而参与调控细胞内的各项功能。ceRNA具有miRNA结合位点，能后竞争性地结合miRNA，***miRNA对靶基因的调控。例如lncRNA与miRNA竞争性结合，影响miRNA调控mRNA的过程，**终导致的mRNA表达失调。我们使用基于序列预测的软件对差异分析得到的miRNA与mRNA，lncRNA，circRNA进行靶点预测和ceRNA网络分析。 WGCNA其译为加权基因共表达网络分析。北京成果发表指导数据科学服务

    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。 算法还原与开发数据科学活动公共数据库挖掘、诊疗软件开发、算法还原与开发、临床统计等。

    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。

    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。 提供语言润色、图表调整、格式修改等工作模块。

    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。

云生物提供数据科学服务。重庆算法还原与开发数据科学口碑推荐

自有服务器机房，可随时调用各计算平台算力，且团队成员有多年科研经历。北京成果发表指导数据科学服务

    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)。 北京成果发表指导数据科学服务