Bubbles可以同時展示pvalue和表達量。例如展示motif的pvalue和motif對應的轉錄因子的表達量，方便快速看出轉錄因子富集且高表達所在的group，預示著該分組對細胞狀態的改變（例如細胞分化、轉移、應激）起關鍵調控作用；例如做基因功能富集分析時，展示富集的通路qvalue和基因數量或geneRatio。

基本原理：

Bubbles的實質是分組數據下基因表達量或通路內基因數量的可視化，同時可以展示pvalue。

數據要求：

表達矩陣，分組 參考國內外數據資源，根據需求制定構建方案。遼寧算法還原與開發數據科學活動

    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。 上海公共數據庫挖掘數據科學售后分析WGCNA其譯為加權基因共表達網絡分析。

    LASSO回歸：更多的變量在擬合時往往可以給出一個看似更好的模型，但是同時也面臨過度擬合的危險。此時如果用全新的數據去驗證模型(Validation)，通常效果很差。一般來說，變量數大于數據點數量很多，或者某一個離散變量有太多獨特值時，都有可能過度擬合。LASSO回歸復雜度調整的程度由參數λ來控制，λ越大對變量較多的線性模型的懲罰力度就越大，從而**終獲得一個變量較少的模型。LASSO回歸與Ridge回歸同屬于一個被稱為ElasticNet的廣義線性模型家族。這一家族的模型除了相同作用的參數λ之外，還有另一個參數α來控制應對高相關性(highlycorrelated)數據時模型的性狀。LASSO回歸α=1，Ridge回歸α=0，一般ElasticNet模型0<α<1。LASSO過程中我們通常會進行多次交叉驗證（crossvalidation）擬合（1000次）進而選取模型，從而對模型的性能有一個更準確的估計。

    ROC機器學習受試者工作特征曲線（receiveroperatingcharacteristiccurve，簡稱ROC曲線），又稱為感受性曲線（sensitivitycurve），是用來驗證一個分類器（二分）模型的性能的。一般應用于直觀展示敏感性和特異性連續變量的綜合指標，如比較多個biomarker或臨床參數的診斷表現、比較多個算法的分類效果。基本原理ROC曲線工作原理是，向模型中輸入已知正負類的一組數據，對比模型對該組數據的預測，衡量這個模型的性能。術語解讀:1、TP（TruePositive,真正,TP）被模型預測為正的正樣本（原來為正預測為正）2、TN（TrueNegative,真負,TN）被模型預測為負的負樣本（原來為負預測為負）3、FP（FalsePositive,假正,FP）被模型預測為正的負樣本（原來為負預測為正）4、FN（FalseNegative,假負,FN）被模型預測為負的正樣本（原來為正預測為負）5、真正類率(TruePostiveRate)TPR:TP/(TP+FN),**分類器預測的正類中實際正實例占所有正實例的比例。Sensitivity6、假正類率(FalsePostiveRate)FPR:FP/(FP+TN)，**分類器預測的負類中預測為正實例(實際為負實例)占所有負實例的比例。1-Specificity7、真負類率(TrueNegativeRate)TNR:TN/(FP+TN)。 采用機器學習算法對疾病的干性指數進行分型分類研究。

    GSEA基本原理從方法上來講，GSEA主要分為基因集進行排序、計算富集分數（EnrichmentScore，ES）、估計富集分數的***性水平并進行多重假設檢驗三個步驟。**步對輸入的所有基因集L進行排序，通常來說初始輸入的基因數據為表達矩陣，排序的過程相當于特定兩組中（case-control、upper-lower等等）基因差異表達分析的過程。根據所有基因在兩組樣本的差異度量不同（共有六種差異度量，默認是signal2noise，GSEA官網有提供公式，也可以選擇較為普遍的foldchange)，對基因進行排序，并且Z-score標準化。第二步是GSEA的**步驟，通過分析預先定義基因集S在**步獲得的基因序列上的分布計算富集指數EnrichmentScore，并繪制分布趨勢圖Enrichmentplot。每個基因在基因集S的EnrichmentScore取決于這個基因是否屬于基因集S及其差異度量（如foldchange）。差異度量越大基因的EnrichmentScore權重越大，如果基因在基因集S中則EnrichmentScore取正，反則取負。將基因集L在基因集S里的所有基因的EnrichmentScore一個個加起來，就是Enrichmentplot上的EnrichmentScore趨勢，直到EnrichmentScore達到**值，就是基因集S**終的EnrichmentScore。第三步是為了檢驗第二部獲得結果的統計學意義。 蛋白組代謝組個性化分析。遼寧成果發表指導數據科學經驗豐富

文稿投稿2個月online 發表。遼寧算法還原與開發數據科學活動

    Nomogram列線圖（nomogram，諾莫圖）是在平面直角坐標系中，用一簇互不相交的線段表示多個臨床指標或者生物學特征，用以預測一定的臨床結局或者某類事件發生的概率的圖。列線圖使預測模型的結果更具有可讀性，可個性化地計算特定**患者生存率,在臨床實踐中有較大的價值。一般可應用的研究方向有：將回歸的結果進行可視化呈現，對個體樣本給出其發病風險或比例風險；根據多個臨床指標或生物學特征，判斷個體樣本的疾病分類或特征。基本原理：列線圖的理論于1884年提出，**早用于工程學。它能夠將復雜的計算公式以圖形的方式，快速、直觀、精確的展現出來。列線圖通過構建多因素回歸模型（例如Cox回歸、Logistic回歸等），根據模型中各個影響因素對結局變量的影響程度的高低，即回歸系數的大小，給每個影響因素的每個取值水平進行賦分。將各個評分相加得到總評分，通過總評分與結局事件發生概率之間的函數轉換關系，從而計算出該個體結局事件的預測概率。校準曲線（calibrationcurve）為實際發生率和預測發生率的散點圖，常于用于化工行業溶液配制。在這里通過觀察預測值與實際值相差情況，判斷基于回歸模型構建列線圖的有效性。 遼寧算法還原與開發數據科學活動