下游分析針對(duì)LASSO獲得的基因模型（或稱基因Panel）的驗(yàn)證：1.計(jì)算風(fēng)險(xiǎn)指數(shù)RiskScore2.繪制ROC曲線、DCA曲線、列線圖進(jìn)行驗(yàn)證3.繪制生KM存曲線對(duì)基因模型中的基因進(jìn)行解釋和分析：1.基因注釋2.靶向藥物分析應(yīng)用示例：文獻(xiàn)1：PrognosticandpredictivevalueofamicroRNAsignatureinstageIIcoloncancer:amicroRNAexpressionanalysis.于2013年12月發(fā)表在LancetOncol.，影響因子。一個(gè)miRNA特征集在stageII結(jié)腸*的預(yù)后預(yù)測(cè)作用分析文章對(duì)stageII結(jié)腸*組織和*旁正常組織的miRNA芯片數(shù)據(jù)進(jìn)行了差異表達(dá)分析，并通過LASSOCox回歸對(duì)獲得的差異表達(dá)miRNA進(jìn)行篩選，獲得了6個(gè)miRNA的可以預(yù)測(cè)預(yù)后情況的miRNA特征集。文獻(xiàn)2：PrognosticValueofaBCSC-associatedMicroRNASignatureinHormoneReceptor-PositiveHER2-NegativeBreastCancer（于2016年9月發(fā)表在EBioMedicine.上，影響因子）文章將符合條件的患者劃分為訓(xùn)練集和測(cè)試集，首先分析獲得了**干細(xì)胞相關(guān)的miRNA，接著通過LASSO對(duì)**干細(xì)胞相關(guān)的miRNA進(jìn)行篩選，構(gòu)建了10個(gè)miRNA的預(yù)后預(yù)測(cè)模型，并計(jì)算風(fēng)險(xiǎn)指數(shù)繪制了生存曲線和ROC曲線。 參考國內(nèi)外數(shù)據(jù)資源，根據(jù)需求制定構(gòu)建方案。湖北文章成稿指導(dǎo)數(shù)據(jù)科學(xué)售后分析
cancersubtype**亞型分析：**的傳統(tǒng)分型被***使用，但是有些分類與生存預(yù)后并沒有明顯的關(guān)系，因此需要研究人員開發(fā)有效的分類器對(duì)疾病進(jìn)行針對(duì)性指導(dǎo)***。通過對(duì)分子譜與臨床信息的綜合性研究，重新定義**亞型，并對(duì)新定**分型進(jìn)行分析，明確各亞型的發(fā)病機(jī)制和預(yù)后情況的差異?；驹恚菏褂肧NFCC+與HC和NMF算法進(jìn)行分子分型，然后進(jìn)行分型之間的比較。CancerSubtypes包含以下5種計(jì)算方法對(duì)基因組數(shù)據(jù)進(jìn)行**分子分型鑒定：術(shù)語解讀：SNFCC+：相似網(wǎng)絡(luò)融合加一致聚類(Similaritynetworkfusionplusconsensusclustering)HC：層次聚類(Hierarchicalclustering)NMF：非負(fù)矩陣分解(Non-negativematrixfactorization)DEG：差異表達(dá)基因數(shù)據(jù)要求：芯片數(shù)據(jù)。 廣東公共數(shù)據(jù)庫挖掘數(shù)據(jù)科學(xué)售后分析云生物深度理解科研需求、強(qiáng)大分析處理能力。
術(shù)語解讀：PPI：蛋白質(zhì)-蛋白質(zhì)相互作用(protein-proteininteraction)PPImoduleI：指蛋白質(zhì)相互作用模塊，一個(gè)模塊指向一個(gè)功能數(shù)據(jù)要求：基因列表應(yīng)用示例1：（于2018年3月發(fā)表在Immunity.，影響因子）T細(xì)胞活化過程中產(chǎn)生蛋白質(zhì)組進(jìn)行多重定量分析，然后對(duì)差異表達(dá)蛋白權(quán)重聚類，并將聚類蛋白疊加到PPI網(wǎng)絡(luò)上以識(shí)別功能模塊。D.模塊大小的分布，通過將每個(gè)WPC（權(quán)重聚類結(jié)果）中的蛋白疊加到蛋白-蛋白相互作用(PPI)網(wǎng)絡(luò)上識(shí)別模塊。每個(gè)模塊的蛋白質(zhì)數(shù)量顯示出來。E.各個(gè)模塊及其交互的關(guān)系圖。圓圈(節(jié)點(diǎn))表示90個(gè)模塊，圓圈大小與模塊大小成比例。邊連接共享PPIs的模塊。在(F)和(G)中進(jìn)一步擴(kuò)展了裝箱模塊。F.來自WPC3的細(xì)胞質(zhì)和線粒體核糖體的四個(gè)互連模塊。顯示了蛋白質(zhì)的名稱和每個(gè)模塊的代表性功能術(shù)語。G.來自WPC3的蛋白酶體，OXPHOS和線粒體復(fù)合物IV途徑的模塊。
LASSO是一種機(jī)器學(xué)習(xí)算法，通常被用來構(gòu)建可以預(yù)測(cè)預(yù)后情況的基因模型。也可以篩選與特定性狀相關(guān)性強(qiáng)的基因。LASSO對(duì)于高維度、強(qiáng)相關(guān)、小樣本的生存資料數(shù)據(jù)有較好的效果。LASSO的基本思想是在回歸系數(shù)的***值之和小于一個(gè)常數(shù)的約束條件下，使殘差平方和**小化，從而使某些回歸系數(shù)嚴(yán)格等于0，來得到可以解釋的模型。該方法的估計(jì)參數(shù)λ為調(diào)整參數(shù)。隨著l的增加，項(xiàng)就會(huì)減小，這時(shí)候一些自變量的系數(shù)就逐漸被壓縮為0，以此達(dá)到對(duì)高維資料進(jìn)行降維的目的。LASSO方法的降維是通過懲罰回歸系數(shù)的數(shù)量來實(shí)現(xiàn)的。基本原理LASSO回歸的特點(diǎn)是在擬合廣義線性模型的同時(shí)進(jìn)行變量篩選(VariableSelection)和復(fù)雜度調(diào)整(Regularization)。因此，不論目標(biāo)因變量(dependent/responsevaraible)是連續(xù)的(continuous)，還是二元或者多元離散的(discrete)，都可以用LASSO回歸建模然后預(yù)測(cè)。這里的變量篩選是指不把所有的變量都放入模型中進(jìn)行擬合，而是有選擇的把變量放入模型從而得到更好的性能參數(shù)。復(fù)雜度調(diào)整是指通過一系列參數(shù)控制模型的復(fù)雜度，從而避免過度擬合(Overfitting)。對(duì)于線性模型來說，復(fù)雜度與模型的變量數(shù)有直接關(guān)系，變量數(shù)越多，模型復(fù)雜度就越高。
胰腺疾病預(yù)后相關(guān)長鏈非編碼RNA。
GeneInteraction基因互作：基因相互作用指miRNA、lncRNA、circRNA或其它RNA介導(dǎo)DNA轉(zhuǎn)錄，從而影響mRNA的表達(dá)過程。通俗意義上來說，基因互作關(guān)系指基于序列預(yù)測(cè)的靶基因?qū)?。miRNA通過與靶mRNA的結(jié)合，或促使mRNA降解，或阻礙其翻譯，從而***目的基因的表達(dá)。競(jìng)爭(zhēng)性內(nèi)源RNA網(wǎng)絡(luò)是靶基因預(yù)測(cè)的研究深入，簡稱ceRNA網(wǎng)絡(luò)。通過進(jìn)行ceRNA網(wǎng)絡(luò)的分析，我們能從一個(gè)更為宏觀的角度來解釋轉(zhuǎn)錄體如何構(gòu)建基因表達(dá)調(diào)控網(wǎng)絡(luò)，從而進(jìn)一步挖掘基因在其中的調(diào)控機(jī)制。基本原理：miRNA主要通過與靶基因的非翻譯區(qū)（UTR）結(jié)合而發(fā)揮其作用，對(duì)miRNA和mRNA、lncRNA、circRNA結(jié)合進(jìn)行的預(yù)測(cè)稱為靶基因預(yù)測(cè)。靶基因預(yù)測(cè)使用軟件根據(jù)miRNA和靶基因間的結(jié)合的規(guī)律預(yù)測(cè)結(jié)合基因?qū)?。在生物體內(nèi)，miRNA可以通過與proteincoding特異性結(jié)合，影響相關(guān)基因的表達(dá)，從而參與調(diào)控細(xì)胞內(nèi)的各項(xiàng)功能。ceRNA具有miRNA結(jié)合位點(diǎn)，能后競(jìng)爭(zhēng)性地結(jié)合miRNA，***miRNA對(duì)靶基因的調(diào)控。例如lncRNA與miRNA競(jìng)爭(zhēng)性結(jié)合，影響miRNA調(diào)控mRNA的過程，**終導(dǎo)致的mRNA表達(dá)失調(diào)。我們使用基于序列預(yù)測(cè)的軟件對(duì)差異分析得到的miRNA與mRNA，lncRNA，circRNA進(jìn)行靶點(diǎn)預(yù)測(cè)和ceRNA網(wǎng)絡(luò)分析。 提供語言潤色、圖表調(diào)整、格式修改等工作模塊。重慶診療軟件開發(fā)數(shù)據(jù)科學(xué)方案
生存曲線分隔，在展示基因表達(dá)水平對(duì)生存期的影響時(shí)找到分組。湖北文章成稿指導(dǎo)數(shù)據(jù)科學(xué)售后分析
GSVA（基因集變異分析，反映了樣本和感興趣的通路之間的聯(lián)系）：GSVA全名Genesetvariationanalysis（基因集變異分析），是一種非參數(shù)，無監(jiān)督的算法。與GSEA不同，GSVA不需要預(yù)先對(duì)樣本進(jìn)行分組，可以計(jì)算每個(gè)樣本中特定基因集的富集分?jǐn)?shù)。換而言之，GSVA轉(zhuǎn)化了基因表達(dá)數(shù)據(jù)，從單個(gè)基因作為特征的表達(dá)矩陣，轉(zhuǎn)化為特定基因集作為特征的表達(dá)矩陣。GSVA對(duì)基因富集結(jié)果進(jìn)行了量化，可以更方便地進(jìn)行后續(xù)統(tǒng)計(jì)分析。如果用limma包做差異表達(dá)分析可以尋找樣本間差異表達(dá)的基因，同樣地，使用limma包對(duì)GSVA的結(jié)果（依然是一個(gè)矩陣）做同樣的分析，則可以尋找樣本間有***差異的基因集。這些“差異表達(dá)”的基因集，相對(duì)于基因而言，更加具有生物學(xué)意義，更具有可解釋性，可以進(jìn)一步用于**subtype的分型等等與生物學(xué)意義結(jié)合密切的探究。 湖北文章成稿指導(dǎo)數(shù)據(jù)科學(xué)售后分析