PPImodule蛋白質互作蛋白質-蛋白質相互作用（protein-proteininteraction,PPI）是指兩個或兩個以上的蛋白質分子通過非共價鍵形成蛋白質復合體（proteincomplex）的過程。PPImodule是指共表達蛋白模塊或蛋白質相互作用模塊。蛋白質相互作用形成人體復雜的蛋白質相互作用網絡，對蛋白質相互作用網絡進行聚類形成模塊從而幫助我們理解細胞的功能。我們一般使用PPImodule把基因列表跟蛋白相互作用網絡聯系起來。例如RNA-seq獲得的差異表達基因，看他們在蛋白相互作用網絡中，哪些基因處于同一module。基本原理：蛋白質在細胞中的功能取決于它與其他蛋白質、核酸和小分子相互作用關系，對蛋白質相互作用網絡進行聚類形成模塊，各個蛋白模塊發揮不同的功能，我們將基因列表重疊于模塊上，查找基因列表所在的功能模塊，從而發現基因列表中的基因可能發揮的細胞功能。我們通過PPI數據庫找到共表達蛋白中的module,然后從模塊中篩選出基因列表的產物蛋白，篩選出的結果就是基因列表***表達的PPImodule。 基因組數據全鏈條處理、蛋白組代謝組個性化分析。重慶生物/藥物信息學分析數據科學服務

    當前位置：首頁>商城導航>immunetherapy免疫***收藏|分享immunetherapy免疫***價格：￥：標準套餐高級套餐購買數量：加入購物車立即購買產品詳情產品評論(0)immunetherapy免疫療法免疫療法是指利用人體自身免疫系統，來終止**細胞。它通過操縱免疫系統，來實現靶向**抗原或突破T細胞浸潤的障礙。免疫系統是**的重要***者。很多臨床數據表明，**的發生與機體免疫功能密切相關，宿主免疫功能低下或受***往往都會導致**發生率增高。**能夠發生的原因之一在于**細胞的免疫逃逸和其分泌的免疫***因子，導致**微環境中的免疫細胞獲得免疫***性。因此重新***免疫細胞，逆轉**微環境的免疫***狀態，是免疫療法的重要目標。應用場景預測單個樣本或者某亞型對免疫***的響應可能性基本原理：通過靶向***免疫檢查點受體——CTLA4，PD1及其配體（PDL1，PDL2），來抵抗**微環境的免疫***作用，進而解除機體免疫***，****功能發揮抗**作用。PD-1是共刺激受體B7/CD28家族的成員。它通過與其配體programmeddeathligand1（PD-L1）和programmeddeathligand2（PD-L2）結合來調節T細胞活化。CTLA-4介導的T細胞***。 重慶生物/藥物信息學分析數據科學服務生物醫學科研領域的組學數據處理。

    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。

ssGSEA（single sample GSEA）主要針對單樣本無法做GSEA而提出的一種實現方法，原理上與GSEA是類似的。ssGSEA根據表達譜文件計算每個基因的rank值，再進行后續的統計分析。通過這個方法，我們可以得到每個樣本的免疫細胞或者免疫功能，免疫通路的活性，然后根據免疫活性進行分組。

ssGSEA量化免疫細胞浸潤**的一個優點就是自己可以定制量化免疫浸潤細胞種類。目前公認并且用的**多的免疫細胞marker就是2013年發表在Immunity上的SpatiotemporalDynamicsof IntratumoralImmuneCellsReveal the Immune Landscape in Human Cancer 所提供的免疫細胞marker genes（Table S1），能提取到24種免疫細胞信息。 診療軟件開發、算法還原與開發、臨床統計等數據科學工作。

    GSVA算法接受的輸入為基因表達矩陣（經過log2標準化的芯片數據或者RNA-seqcount數數據）以及特定基因集。**步，算法會對表達數據進行核密度估計；第二部，基于**步的結果對樣本進行表達水平排序；第三步，對于每一個基因集進行類似K-S檢驗的秩統計量計算；第四步，獲取GSVA富集分數。**終輸出為以每個基因集對應每個樣本的數據矩陣。無監督算法無監督算法常常被用于數據挖掘，用于在大量無標簽數據中發現些什么。它的訓練數據是無標簽的，訓練目標是能對觀察值進行分類或區分等。核密度估計核密度估計（kerneldensityestimation）在概率論中用來估計未知的密度函數，屬于非參數檢驗方法之一。數據要求1、特定感興趣的基因集（如信號通路，GO條目等），列出基因集中基因2、基因表達矩陣，為經過log2標準化的芯片數據或者RNA-seqcount數數據（基因名形式與基因集對應）下游分析1、基因集（如信號通路）的生存分析2、基因集（如信號通路）的差異表達分析3、基因集。 軟硬件配套，完成數據收集、整理、檢索、分析與智能化開發工作。重慶生物/藥物信息學分析數據科學服務

文稿投稿2個月online 發表。重慶生物/藥物信息學分析數據科學服務

    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。

重慶生物/藥物信息學分析數據科學服務