RoastROAST是一種差異表達分析方法，有助于提高統計能力、組織和解釋結果以及在不同實驗中的關聯表達模式，一般適用于microarray、RNA-seq的表達矩陣，用limma給全部基因做差異表達分析，不需要篩差異表達基因?；驹恚篟OAST是一種假設驅動的測試，對結果基因集做富集分析，富集分析考慮基因集中基因的方向性(上調或下調)和強度(log2倍變化)，判斷上/下調基因是否***富于集目標基因集；ROAST使用rotation,一種MonteCarlotechnology的多元回歸方法，適用于樣本數量較少的情況；roast檢驗一個geneset，對于復雜矩陣，使用mroast做multipleroasttests。富集分析結果用barcodeplot展示，使上/下調基因在目標基因集中的分布可視化。數據要求：表達矩陣。 乳腺類疾病預后相關信性基因突變研究數據包。四川成果發表指導數據科學售后服務

Inmmune gene

免疫學研究是目前科研領域爭相研究的熱點，**免疫細胞浸潤是其中一種。**免疫細胞浸潤是指免疫細胞從血液中移向**組織發揮作用。我們從**組織中分離出浸潤免疫細胞含量，計算基因與浸潤免疫細胞含量的相關性，篩選出影響免疫浸潤的候選基因。

基本原理：

從基因矩陣數據中提取免疫細胞含量，生成免疫細胞含量矩陣；

計算目標基因與浸潤免疫細胞含量的相關性，篩選與浸潤免疫細胞含量高度相關的基因。

術語解讀：

相關性系數（pearson,spearman, kendall）反應兩個變量之間變化趨勢的方向以及程度。相關系數范圍為-1到+1。0表示兩個變量不相關，正值表示正相關，負值表示負相關，值越大表示相關性越強。

數據要求：

**數據表達矩陣 山東數據科學口碑推薦不斷拓展各類大學、科研院所、醫院學術資源，互通有無，形成強大學術生態圈。

    CNV(拷貝數變異分析)：CNV（copy-numbervariant）是指拷貝數目變異，也稱拷貝數目多態性（copy-numberpolymorphism，CNP），是一個大小介于1kb至3MB的DN**段的變異，在人類及動植物基因組中***分布，主要表現為亞顯微水平的缺失或重復。CNV是近年來基因組學的研究熱點，是許多人類疾?。ㄈ?*、遺傳性疾病、心血管疾病等）發***展的重要分子機制之一。CNV的分析多見于易于發生染色體結構變異的**研究中，也可用于復雜的神經精神疾病的病因學研究，如智力障礙、帕金森病和孤獨癥等，也可用于其他疾病的易感性分析，如銀屑病、克羅恩病和一些自身免疫系統疾病。CNV研究既可用于單個的病例分析，找到遺傳高度異質性的個體致病的遺傳學基礎，如智力低下的病因診斷；也可用于大量的病例一對照分析，患病群體的常見CNV變異研究，還可用于**家系的研究，如疾病相關新發CNV的研究?；驹砟壳爸髁鞯腃NV檢驗方法有RNA-seq和SNPArray，已有研究表明使用轉錄組數據分析到的CNV情況和。CNV分析的**步為篩選somaticCNVs。對正常人來說，基因組應該是二倍體的，所以凡是測到非2倍體的地方都是CNV。但是CNV本身就是人群遺傳物質多樣性的體現，所以對**樣本來說。

    GeneInteraction基因互作：基因相互作用指miRNA、lncRNA、circRNA或其它RNA介導DNA轉錄，從而影響mRNA的表達過程。通俗意義上來說，基因互作關系指基于序列預測的靶基因對。miRNA通過與靶mRNA的結合，或促使mRNA降解，或阻礙其翻譯，從而***目的基因的表達。競爭性內源RNA網絡是靶基因預測的研究深入，簡稱ceRNA網絡。通過進行ceRNA網絡的分析，我們能從一個更為宏觀的角度來解釋轉錄體如何構建基因表達調控網絡，從而進一步挖掘基因在其中的調控機制?；驹恚簃iRNA主要通過與靶基因的非翻譯區（UTR）結合而發揮其作用，對miRNA和mRNA、lncRNA、circRNA結合進行的預測稱為靶基因預測。靶基因預測使用軟件根據miRNA和靶基因間的結合的規律預測結合基因對。在生物體內，miRNA可以通過與proteincoding特異性結合，影響相關基因的表達，從而參與調控細胞內的各項功能。ceRNA具有miRNA結合位點，能后競爭性地結合miRNA，***miRNA對靶基因的調控。例如lncRNA與miRNA競爭性結合，影響miRNA調控mRNA的過程，**終導致的mRNA表達失調。我們使用基于序列預測的軟件對差異分析得到的miRNA與mRNA，lncRNA，circRNA進行靶點預測和ceRNA網絡分析。 利用甲基化數據分析樣本的拷貝數變異。

術語解讀

數據降維：

降維就是一種對高維度特征數據預處理方法。降維是將高維度的數據保留下**重要的一些特征，去除噪聲和不重要的特征，從而實現提升數據處理速度的目的。在實際的生產和應用中，降維在一定的信息損失范圍內，可以為我們節省大量的時間和成本。降維也成為應用非常***的數據預處理方法。

數據要求：

表達譜芯片或測序數據（已經過預處理）

下游分析

得到PCA分析結果之后的分析有：

1.對組成主要成分的基因進行后續分析，探究該情況下關鍵基因表達情況

2.對組成不同主成分簇的基因進行后續分析，探究該情況下不同基因集的表達情況 采用機器學習算法對疾病的干性指數進行分型分類研究。云南成果發表指導數據科學經驗豐富

多鏈條批量處理、快速獲得研究靶點。四川成果發表指導數據科學售后服務

    GSEA分析：GSEA全名為GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如關注的GO條目或KEGGPathway）在兩個生物學狀態（如**與對照，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算出哪些通路富集到了，再通過p值或FDR等閾值進行篩選。挑選用于富集的基因有一定的主觀性，沒有關注到的基因的信息會被忽視，所以有一定的局限性。在這種情況下有了GSEA（GeneSetEnrichmentAnalysis），其思路是發表于2005年的Genesetenrichmentanalysis:aknowledge-basedapproachforinterpretinggenome-wideexpressionprofiles。主要是要有兩個概念：預先定義的基因集S（基于先驗知識的基因注釋信息）和待分析基因集L（一般初始輸入是表達矩陣）；然后GSEA目的就是為了判斷S基因集中的基因是隨機分布于L（按差異表達程度對基因進行排序），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對定義的分組（預先分組）的差異有***影響（一致性）。在富集分析的理論中。 四川成果發表指導數據科學售后服務