生物/药物信息学分析数据科学活动

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 目前能够对接超过50家实验室。生物/药物信息学分析数据科学活动

    GSVA（基因集变异分析，反映了样本和感兴趣的通路之间的联系）：GSVA全名Genesetvariationanalysis（基因集变异分析），是一种非参数，无监督的算法。与GSEA不同，GSVA不需要预先对样本进行分组，可以计算每个样本中特定基因集的富集分数。换而言之，GSVA转化了基因表达数据，从单个基因作为特征的表达矩阵，转化为特定基因集作为特征的表达矩阵。GSVA对基因富集结果进行了量化，可以更方便地进行后续统计分析。如果用limma包做差异表达分析可以寻找样本间差异表达的基因，同样地，使用limma包对GSVA的结果（依然是一个矩阵）做同样的分析，则可以寻找样本间有***差异的基因集。这些“差异表达”的基因集，相对于基因而言，更加具有生物学意义，更具有可解释性，可以进一步用于**subtype的分型等等与生物学意义结合密切的探究。 生物/药物信息学分析数据科学活动在基因组上同时展示突变位点和motif，为突变影响转录因子结合提供量化和可视化的证据。

    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。

    GSEA数据要求1、通常为表达谱芯片或测序数据（已经过预处理），也可以是其他形式可排序的基因数据。2、具有已知生物学意义（GO、Pathway、**特征基因集等）的基因集。下游分析：得到GSEA结果之后的分析有：1.基因注释：1、绘制基因集富集趋势图（Enrichmentplot）横坐标：按差异表达差异排序的基因序列。数值越小（偏向左端）的基因**在shICAM-1组中有越高倍数的差异表达，数值越小（偏向右端）的基因在对照组中有越高倍数的差异表达。纵坐标：上方的纵坐标为富集打分ES，ES是一个动态的值，沿着基因序列，找到条目中的基因则增加评分，否则减少评分。通常用偏离0**远的值作为**终富集打分。下方的纵坐标**基因表达与表型的关联，***值越大**关联越强，数值大于0**正相关，小于0则**负相关。 生物医学科研领域的组学数据处理。

术语解读

数据降维：

降维就是一种对高维度特征数据预处理方法。降维是将高维度的数据保留下**重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常***的数据预处理方法。

数据要求：

表达谱芯片或测序数据（已经过预处理）

下游分析

得到PCA分析结果之后的分析有：

1.对组成主要成分的基因进行后续分析，探究该情况下关键基因表达情况

2.对组成不同主成分簇的基因进行后续分析，探究该情况下不同基因集的表达情况 承担各类项目超过400余项。湖北公共数据库挖掘数据科学活动

构建新的临床预测模型。生物/药物信息学分析数据科学活动

    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。 生物/药物信息学分析数据科学活动