下游分析針對LASSO獲得的基因模型（或稱基因Panel）的驗證：1.計算風險指數RiskScore2.繪制ROC曲線、DCA曲線、列線圖進行驗證3.繪制生KM存曲線對基因模型中的基因進行解釋和分析：1.基因注釋2.靶向藥物分析應用示例：文獻1：PrognosticandpredictivevalueofamicroRNAsignatureinstageIIcoloncancer:amicroRNAexpressionanalysis.于2013年12月發表在LancetOncol.，影響因子。一個miRNA特征集在stageII結腸*的預后預測作用分析文章對stageII結腸*組織和*旁正常組織的miRNA芯片數據進行了差異表達分析，并通過LASSOCox回歸對獲得的差異表達miRNA進行篩選，獲得了6個miRNA的可以預測預后情況的miRNA特征集。文獻2：PrognosticValueofaBCSC-associatedMicroRNASignatureinHormoneReceptor-PositiveHER2-NegativeBreastCancer（于2016年9月發表在EBioMedicine.上，影響因子）文章將符合條件的患者劃分為訓練集和測試集，首先分析獲得了**干細胞相關的miRNA，接著通過LASSO對**干細胞相關的miRNA進行篩選，構建了10個miRNA的預后預測模型，并計算風險指數繪制了生存曲線和ROC曲線。 參考國內外數據資源，根據需求制定構建方案。湖北文章成稿指導數據科學售后分析

    cancersubtype**亞型分析：**的傳統分型被***使用，但是有些分類與生存預后并沒有明顯的關系，因此需要研究人員開發有效的分類器對疾病進行針對性指導***。通過對分子譜與臨床信息的綜合性研究，重新定義**亞型，并對新定**分型進行分析，明確各亞型的發病機制和預后情況的差異。基本原理：使用SNFCC+與HC和NMF算法進行分子分型，然后進行分型之間的比較。CancerSubtypes包含以下5種計算方法對基因組數據進行**分子分型鑒定：術語解讀：SNFCC+：相似網絡融合加一致聚類(Similaritynetworkfusionplusconsensusclustering)HC：層次聚類(Hierarchicalclustering)NMF：非負矩陣分解(Non-negativematrixfactorization)DEG：差異表達基因數據要求：芯片數據。 廣東公共數據庫挖掘數據科學售后分析云生物深度理解科研需求、強大分析處理能力。

    術語解讀：PPI：蛋白質-蛋白質相互作用(protein-proteininteraction)PPImoduleI：指蛋白質相互作用模塊，一個模塊指向一個功能數據要求：基因列表應用示例1：（于2018年3月發表在Immunity.，影響因子）T細胞活化過程中產生蛋白質組進行多重定量分析，然后對差異表達蛋白權重聚類，并將聚類蛋白疊加到PPI網絡上以識別功能模塊。D.模塊大小的分布，通過將每個WPC（權重聚類結果）中的蛋白疊加到蛋白-蛋白相互作用(PPI)網絡上識別模塊。每個模塊的蛋白質數量顯示出來。E.各個模塊及其交互的關系圖。圓圈(節點)表示90個模塊，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)中進一步擴展了裝箱模塊。F.來自WPC3的細胞質和線粒體核糖體的四個互連模塊。顯示了蛋白質的名稱和每個模塊的代表性功能術語。G.來自WPC3的蛋白酶體，OXPHOS和線粒體復合物IV途徑的模塊。

    LASSO是一種機器學習算法，通常被用來構建可以預測預后情況的基因模型。也可以篩選與特定性狀相關性強的基因。LASSO對于高維度、強相關、小樣本的生存資料數據有較好的效果。LASSO的基本思想是在回歸系數的***值之和小于一個常數的約束條件下，使殘差平方和**小化，從而使某些回歸系數嚴格等于0，來得到可以解釋的模型。該方法的估計參數λ為調整參數。隨著l的增加，項就會減小，這時候一些自變量的系數就逐漸被壓縮為0，以此達到對高維資料進行降維的目的。LASSO方法的降維是通過懲罰回歸系數的數量來實現的。基本原理LASSO回歸的特點是在擬合廣義線性模型的同時進行變量篩選(VariableSelection)和復雜度調整(Regularization)。因此，不論目標因變量(dependent/responsevaraible)是連續的(continuous)，還是二元或者多元離散的(discrete)，都可以用LASSO回歸建模然后預測。這里的變量篩選是指不把所有的變量都放入模型中進行擬合，而是有選擇的把變量放入模型從而得到更好的性能參數。復雜度調整是指通過一系列參數控制模型的復雜度，從而避免過度擬合(Overfitting)。對于線性模型來說，復雜度與模型的變量數有直接關系，變量數越多，模型復雜度就越高。

胰腺疾病預后相關長鏈非編碼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。基本原理：miRNA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。 提供語言潤色、圖表調整、格式修改等工作模塊。重慶診療軟件開發數據科學方案

生存曲線分隔，在展示基因表達水平對生存期的影響時找到分組。湖北文章成稿指導數據科學售后分析

    GSVA（基因集變異分析，反映了樣本和感興趣的通路之間的聯系）：GSVA全名Genesetvariationanalysis（基因集變異分析），是一種非參數，無監督的算法。與GSEA不同，GSVA不需要預先對樣本進行分組，可以計算每個樣本中特定基因集的富集分數。換而言之，GSVA轉化了基因表達數據，從單個基因作為特征的表達矩陣，轉化為特定基因集作為特征的表達矩陣。GSVA對基因富集結果進行了量化，可以更方便地進行后續統計分析。如果用limma包做差異表達分析可以尋找樣本間差異表達的基因，同樣地，使用limma包對GSVA的結果（依然是一個矩陣）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”的基因集，相對于基因而言，更加具有生物學意義，更具有可解釋性，可以進一步用于**subtype的分型等等與生物學意義結合密切的探究。 湖北文章成稿指導數據科學售后分析