天津数据科学活动

Bubbles可以同时展示pvalue和表达量。例如展示motif的pvalue和motif对应的转录因子的表达量，方便快速看出转录因子富集且高表达所在的group，预示着该分组对细胞状态的改变（例如细胞分化、转移、应激）起关键调控作用；例如做基因功能富集分析时，展示富集的通路qvalue和基因数量或geneRatio。

基本原理：

Bubbles的实质是分组数据下基因表达量或通路内基因数量的可视化，同时可以展示pvalue。

数据要求：

表达矩阵，分组 乳腺类疾病预后相关信性基因突变研究数据包。天津数据科学活动

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 辽宁文章成稿指导数据科学经验丰富不断拓展各类大学、科研院所、医院学术资源，互通有无，形成强大学术生态圈。

    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。

    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。 云生物深度理解科研需求、强大分析处理能力。

    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，非截删失排在前面。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。 生物医学科研领域的组学数据处理。山东数据科学专业服务

云生物提供数据科学服务。天津数据科学活动

    GSEA术语解读Enrichmentscore（ES）ES是GSEA**初的结果，反应关注的基因集S在原始基因数据序列L的顶部或底部富集的程度。ES原理：扫描排序序列，当出现一个基因集S中的基因时，增加ES值，反之减少ES值，一个基因的ES值权重与差异表达度相关。ES是个动态值，**终ES是动态扫描过程中获得的**ES值。如果**终ES为正，表示某一功能基因集S富集在排序序列顶部。ES为负，表示某一基因集S富集在排序序列底部。NES由于ES是根据分析的排序序列中的基因是否在一个基因集S中出现来计算的，但各个基因集S中包含的基因数目不同，且不同功能基因集S与原始数据之间的相关性也不同，因此比较数据中基因在不同基因集S中的富集程度要对ES进行标准化处理，也就是计算NES。NES=某一基因集S的ES/数据集所有随机组合得到的ES平均值，NES是主要的统计量。nominalp-value（普通P值）描述的是针对某一功能基因集S得到的富集得分的统计***性，通常p越小富集性越好。FDR（多重假设检验矫正P值）NES确定后，需要判断其中可能包含的错误阳性发现率。FDR=25%意味着对此NES的判断4次可能错1次。GSEA结果中，高亮显示FDR<25%的富集基因集S。因为从这些功能基因集S中**可能产生有意义的假设。大多数情况下。 天津数据科学活动