上海文章成稿指导数据科学活动

    immune-network免疫网络**微环境（TME）是**周围的环境，包括周围血管，免疫细胞，成纤维细胞，信号分子和细胞外基质（ECM）。**与周围微环境密切相关，不断相互作用。**可以通过释放细胞外信号，促进**血管生成和诱导外周免疫耐受来影响微环境，而微环境中的免疫细胞可以影响*细胞的生长和进化。免疫细胞泛指所有参与免疫反应的细胞，也特指能识别抗原，产生特异性免疫应答的淋巴细胞等。主要包括T淋巴细胞、B淋巴细胞、单核细胞、巨噬细胞、粒细胞、肥大细胞、辅佐细胞，以及它们的前体细胞等，是免疫系统的功能单元。**微环境中免疫细胞之间相互作用形成免疫网络，网络设立可以清晰了解**微环境中免疫细胞之间的影响机制。应用场景用网络图同时展示相关关系、pvalue、聚类/分类结果、跟预后的关系。-例如例文中各细胞之间的相关关系、跟预后的关系。基本原理：免疫系统遍布全身，涉及多种细胞、***、蛋白质和组织。它可以区分我们的组织和外来组织自我和非自我。死亡和有缺陷的细胞也会被免疫系统识别和***。如果免疫系统遇到病原体就会产生免疫反应。免疫细胞泛指所有参与免疫反应的细胞，也特指能识别抗原，产生特异性免疫应答的淋巴细胞等。 提供语言润色、图表调整、格式修改等工作模块。上海文章成稿指导数据科学活动

    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。 上海文章成稿指导数据科学活动数据库建设、公共数据库挖掘。

    RoastROAST是一种差异表达分析方法，有助于提高统计能力、组织和解释结果以及在不同实验中的关联表达模式，一般适用于microarray、RNA-seq的表达矩阵，用limma给全部基因做差异表达分析，不需要筛差异表达基因。基本原理：ROAST是一种假设驱动的测试，对结果基因集做富集分析，富集分析考虑基因集中基因的方向性(上调或下调)和强度(log2倍变化)，判断上/下调基因是否***富于集目标基因集；ROAST使用rotation,一种MonteCarlotechnology的多元回归方法，适用于样本数量较少的情况；roast检验一个geneset，对于复杂矩阵，使用mroast做multipleroasttests。富集分析结果用barcodeplot展示，使上/下调基因在目标基因集中的分布可视化。数据要求：表达矩阵。

    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。 胰腺疾病预后相关长链非编码RNA。

industryTemplate基因组数据全链条处理、蛋白组代谢组个性化分析。四川算法还原与开发数据科学售后服务

云生物立足于上海，提供相关数据科研咨询与服务。上海文章成稿指导数据科学活动

    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)。 上海文章成稿指导数据科学活动