Lasso術(shù)語解讀λ(Lambda)：復(fù)雜度調(diào)整懲罰值，λ越大對(duì)變量較多的線性模型的懲罰力度就越大，**終獲得的變量越少。是指在所有的λ值中，得到**小目標(biāo)參量均值的那一個(gè)。而是指在一個(gè)方差范圍內(nèi)得到**簡(jiǎn)單模型的那一個(gè)λ值。交叉驗(yàn)證（crossvalidation）：交叉驗(yàn)證是在機(jī)器學(xué)習(xí)建立模型和驗(yàn)證模型參數(shù)時(shí)常用的辦法。交叉驗(yàn)證，顧名思義，就是重復(fù)的使用數(shù)據(jù)，把得到的樣本數(shù)據(jù)進(jìn)行切分，組合為不同的訓(xùn)練集和測(cè)試集，用訓(xùn)練集來訓(xùn)練模型，用測(cè)試集來評(píng)估模型預(yù)測(cè)的好壞。在此基礎(chǔ)上可以得到多組不同的訓(xùn)練集和測(cè)試集，某次訓(xùn)練集中的某樣本在下次可能成為測(cè)試集中的樣本，即所謂“交叉”。數(shù)據(jù)要求：1、表達(dá)譜芯片或測(cè)序數(shù)據(jù)（已經(jīng)過預(yù)處理）或突變數(shù)據(jù)2、包含生存狀態(tài)和生存時(shí)間的預(yù)后數(shù)據(jù)或者其它臨床分組數(shù)據(jù)。 診療軟件開發(fā)、算法還原與開發(fā)、臨床統(tǒng)計(jì)等數(shù)據(jù)科學(xué)工作。廣東公共數(shù)據(jù)庫挖掘數(shù)據(jù)科學(xué)經(jīng)驗(yàn)豐富
GSEA分析：GSEA全名為GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如關(guān)注的GO條目或KEGGPathway）在兩個(gè)生物學(xué)狀態(tài)（如**與對(duì)照，高齡與低齡）中是否存在差異。能夠研究基因變化的生物學(xué)意義。普通GO/KEGG富集的思路是先篩選差異基因，然后確定這些差異基因的GO/KEGG注釋，然后通過超幾何分布計(jì)算出哪些通路富集到了，再通過p值或FDR等閾值進(jìn)行篩選。挑選用于富集的基因有一定的主觀性，沒有關(guān)注到的基因的信息會(huì)被忽視，所以有一定的局限性。在這種情況下有了GSEA（GeneSetEnrichmentAnalysis），其思路是發(fā)表于2005年的Genesetenrichmentanalysis:aknowledge-basedapproachforinterpretinggenome-wideexpressionprofiles。主要是要有兩個(gè)概念：預(yù)先定義的基因集S（基于先驗(yàn)知識(shí)的基因注釋信息）和待分析基因集L（一般初始輸入是表達(dá)矩陣）；然后GSEA目的就是為了判斷S基因集中的基因是隨機(jī)分布于L（按差異表達(dá)程度對(duì)基因進(jìn)行排序），還是聚集分布在L的頂部或者底部（也就是存在差異性富集）。如果基因集中的基因***富集在L的頂部或者底部，這說明這些基因的表達(dá)對(duì)定義的分組（預(yù)先分組）的差異有***影響（一致性）。在富集分析的理論中。 上海文章成稿指導(dǎo)數(shù)據(jù)科學(xué)活動(dòng)云生物深度理解科研需求、強(qiáng)大分析處理能力。
術(shù)語解釋：Cox回歸：又稱比例風(fēng)險(xiǎn)回歸模型(proportionalhazardsmodel，簡(jiǎn)稱Cox模型)，是由英國(guó)統(tǒng)計(jì)學(xué)家。該模型以生存結(jié)局和生存時(shí)間為應(yīng)變量，可同時(shí)分析多種因素對(duì)于生存期長(zhǎng)短的影響。Cox模型能分析帶有截尾生存時(shí)間的資料，且不要求估計(jì)資料的生存分布類型，因此在醫(yī)學(xué)界被***使用。Logistic回歸：又稱邏輯回歸模型，屬于廣義線性模型。邏輯回歸是一種用于解決二分類問題的分析方法，用于估計(jì)某種事物的可能性。相較于傳統(tǒng)線性模型，邏輯回歸模型以概率形式輸出結(jié)果，可控性高且結(jié)果可解釋性強(qiáng)。數(shù)據(jù)要求：樣本臨床信息或生物學(xué)特征（基因突變、基因表達(dá)等）樣本的隨訪數(shù)據(jù)（總生存期，生存狀態(tài)）或樣本的分組情況下游分析：1.補(bǔ)充相關(guān)因素的已有相關(guān)研究2.解釋相關(guān)因素對(duì)研究課題的意義。
STEM基因表達(dá)趨勢(shì)分析基因調(diào)控網(wǎng)絡(luò)是一個(gè)連續(xù)且復(fù)雜的動(dòng)態(tài)系統(tǒng)。當(dāng)生物體按照一定順序發(fā)生變化或者受到外界環(huán)境刺激（如受到不同濃度的化學(xué)藥物誘導(dǎo)）時(shí)，基因表達(dá)變化也會(huì)呈現(xiàn)趨勢(shì)特征。趨勢(shì)分析就是發(fā)現(xiàn)基因表達(dá)的趨勢(shì)特征，將相同變化特征的基因集中在一種變化趨勢(shì)中，從而找到實(shí)驗(yàn)變化過程中相當(dāng)有有代表性的基因群。STEM（ShortTime-seriesExpressionMiner），中文名短時(shí)間序列表達(dá)挖掘器。該軟件主要用于分析短時(shí)間實(shí)驗(yàn)數(shù)據(jù)，也可用于多組小樣本數(shù)據(jù)。推薦3至8組數(shù)據(jù)。一般可應(yīng)用的研究方向有：多個(gè)時(shí)間點(diǎn)的時(shí)間序列數(shù)據(jù)，例如多個(gè)發(fā)育時(shí)期、處理后多個(gè)時(shí)間點(diǎn)取樣。基本原理STEM采用了一種新的聚類算法來分析時(shí)間序列基因表達(dá)趨勢(shì)。聚類算法首先選擇一組不同的、有代表性的時(shí)間表達(dá)模式（temporalexpressionprofiles）作為模型（modelprofiles）。模型是**于數(shù)據(jù)選擇的，并從理論上保證了所選擇的模型剖面具有代表性。然后，根據(jù)每個(gè)標(biāo)準(zhǔn)化過后的基因表達(dá)模式，分配給模型中相關(guān)系數(shù)比較高的時(shí)間表達(dá)模式。由于模型的選擇是**于數(shù)據(jù)的，因此該算法可以通過排列測(cè)試，確定哪些時(shí)間表達(dá)模式在統(tǒng)計(jì)意義上***富集基因。對(duì)每一個(gè)基因都分配時(shí)間表達(dá)模式完成后。 不斷拓展各類大學(xué)、科研院所、醫(yī)院學(xué)術(shù)資源，互通有無，形成強(qiáng)大學(xué)術(shù)生態(tài)圈。
sankey
?；鶊D（sankey）是一種數(shù)據(jù)流圖，每條邊**一條數(shù)據(jù)流，寬度**數(shù)據(jù)流的大小。一套數(shù)據(jù)集可能有多重屬性，每層屬性之間有交叉，就可以用這種圖來展示。一般應(yīng)用場(chǎng)景：分組與基因?yàn)槎鄬?duì)多關(guān)系，展示高頻突變基因所處的分組；miRNA和靶基因的關(guān)系；人群按性別、年齡、家族史等特征分組，展示不同分組得**的規(guī)律。
數(shù)據(jù)要求：
多個(gè)分組及其關(guān)系，包括且不限于基因表達(dá)、突變。
下游分析：
1. 補(bǔ)充展示部分的已有相關(guān)研究
2. 解釋展示部分對(duì)研究課題的意義 數(shù)據(jù)庫建設(shè)、公共數(shù)據(jù)庫挖掘。遼寧組學(xué)數(shù)據(jù)處理數(shù)據(jù)科學(xué)售后分析
自有服務(wù)器機(jī)房，可隨時(shí)調(diào)用各計(jì)算平臺(tái)算力，且團(tuán)隊(duì)成員有多年科研經(jīng)歷。廣東公共數(shù)據(jù)庫挖掘數(shù)據(jù)科學(xué)經(jīng)驗(yàn)豐富
t-SNE（t分布隨機(jī)鄰域嵌入）是一種用于探索高維數(shù)據(jù)的非線性降維算法。它將多維數(shù)據(jù)映射到適合于人類觀察的兩個(gè)或多個(gè)維度。t-SNE非線性降維算法通過基于具有多個(gè)特征的數(shù)據(jù)點(diǎn)的相似性識(shí)別觀察到的簇來在數(shù)據(jù)中找到模式。另外t-SNE的輸出可以作為其他分類算法的輸入特征。因?yàn)閠-SNE算法定義了數(shù)據(jù)的局部和全局結(jié)構(gòu)之間的軟邊界。t-SNE幾乎可用于所有高維數(shù)據(jù)集，廣泛應(yīng)用于圖像處理，自然語言處理和語音處理。在生物信息中可廣泛應(yīng)用于基因表達(dá)數(shù)據(jù)、基因甲基化數(shù)據(jù)、基因突變數(shù)據(jù)等，能夠直觀地對(duì)不同數(shù)據(jù)集進(jìn)行比較。基本原理從方法上來講，t-SNE本質(zhì)上是基于流行學(xué)習(xí)(manifoldlearning)的降維算法，不同于傳統(tǒng)的PCA和MMD等方法，t-SNE在高維用normalizedGaussiankernel對(duì)數(shù)據(jù)點(diǎn)對(duì)進(jìn)行相似性建模。相應(yīng)的，在低維用t分布對(duì)數(shù)據(jù)點(diǎn)對(duì)進(jìn)行相似性(直觀上的距離)建模，然后用KL距離來拉近高維和低維空間中的距離分布。 廣東公共數(shù)據(jù)庫挖掘數(shù)據(jù)科學(xué)經(jīng)驗(yàn)豐富