ssGSEA基本原理
對(duì)于一個(gè)基因表達(dá)矩陣，ssGSEA首先對(duì)樣本的所有基因的表達(dá)水平進(jìn)行排序獲得其在所有基因中的秩次rank。然后對(duì)于輸入的基因集，從基因集中尋找表達(dá)數(shù)據(jù)里存在的基因并計(jì)數(shù)，并將這些基因的表達(dá)水平求和。接著基于上述求值，計(jì)算通路中每個(gè)基因的富集分?jǐn)?shù)，并進(jìn)一步打亂基因順序重新計(jì)算富集分?jǐn)?shù)，重復(fù)一千次，***根據(jù)基因富集分?jǐn)?shù)的分布計(jì)算p值整合基因集**終富集分?jǐn)?shù)。
數(shù)據(jù)要求
1、特定感興趣的基因集（通常為免疫細(xì)胞表面marker genes），列出基因集中基因
2、基因表達(dá)矩陣，為經(jīng)過log2標(biāo)準(zhǔn)化的芯片數(shù)據(jù)或者RNA-seq count數(shù)數(shù)據(jù)（基因名形式與基因集對(duì)應(yīng)）
下游分析
免疫細(xì)胞浸潤(rùn)分?jǐn)?shù)相關(guān)性（corralation）分析 利用甲基化數(shù)據(jù)分析樣本的拷貝數(shù)變異。北京成果發(fā)表指導(dǎo)數(shù)據(jù)科學(xué)歡迎咨詢
t-SNE（t分布隨機(jī)鄰域嵌入）是一種用于探索高維數(shù)據(jù)的非線性降維算法。它將多維數(shù)據(jù)映射到適合于人類觀察的兩個(gè)或多個(gè)維度。t-SNE非線性降維算法通過基于具有多個(gè)特征的數(shù)據(jù)點(diǎn)的相似性識(shí)別觀察到的簇來在數(shù)據(jù)中找到模式。另外t-SNE的輸出可以作為其他分類算法的輸入特征。因?yàn)閠-SNE算法定義了數(shù)據(jù)的局部和全局結(jié)構(gòu)之間的軟邊界。t-SNE幾乎可用于所有高維數(shù)據(jù)集，廣泛應(yīng)用于圖像處理，自然語言處理和語音處理。在生物信息中可廣泛應(yīng)用于基因表達(dá)數(shù)據(jù)、基因甲基化數(shù)據(jù)、基因突變數(shù)據(jù)等，能夠直觀地對(duì)不同數(shù)據(jù)集進(jìn)行比較?；驹韽姆椒ㄉ蟻碇v，t-SNE本質(zhì)上是基于流行學(xué)習(xí)(manifoldlearning)的降維算法，不同于傳統(tǒng)的PCA和MMD等方法，t-SNE在高維用normalizedGaussiankernel對(duì)數(shù)據(jù)點(diǎn)對(duì)進(jìn)行相似性建模。相應(yīng)的，在低維用t分布對(duì)數(shù)據(jù)點(diǎn)對(duì)進(jìn)行相似性(直觀上的距離)建模，然后用KL距離來拉近高維和低維空間中的距離分布。 北京成果發(fā)表指導(dǎo)數(shù)據(jù)科學(xué)歡迎咨詢調(diào)控區(qū)域ChiP-seq信號(hào)分布圖。
GSEA全名為GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如關(guān)注的GO條目或KEGGPathway）在兩個(gè)生物學(xué)狀態(tài)（如**與對(duì)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(xué)意義。SubtypeGSEA是在GSEA的基礎(chǔ)上對(duì)不同亞型樣本中重要通路的富集情況進(jìn)行組間比較，能直觀比較不同亞型中相同通路富集情況?；驹鞧SEA主要分為基因集進(jìn)行排序、計(jì)算富集分?jǐn)?shù)（EnrichmentScore，ES）、估計(jì)富集分?jǐn)?shù)的***性水平并進(jìn)行多重假設(shè)檢驗(yàn)三個(gè)步驟。**步對(duì)輸入的所有基因集L進(jìn)行排序，通常來說初始輸入的基因數(shù)據(jù)為表達(dá)矩陣，排序的過程相當(dāng)于特定兩組中（case-control、upper-lower等等）基因差異表達(dá)分析的過程。根據(jù)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(rèn)是signal2noise，GSEA官網(wǎng)有提供公式，也可以選擇較為普遍的foldchange)，對(duì)基因進(jìn)行排序，并且Z-score標(biāo)準(zhǔn)化。第二步是GSEA的**步驟，通過分析預(yù)先定義基因集S在**步獲得的基因序列上的分布計(jì)算富集指數(shù)EnrichmentScore，并繪制分布趨勢(shì)圖Enrichmentplot。每個(gè)基因在基因集S的EnrichmentScore取決于這個(gè)基因是否屬于基因集S及其差異度量（如foldchange）。
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(jiǎn)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?；驹恚簃iRNA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。 云生物立足于上海，提供相關(guān)數(shù)據(jù)科研咨詢與服務(wù)。
RoastROAST是一種差異表達(dá)分析方法，有助于提高統(tǒng)計(jì)能力、組織和解釋結(jié)果以及在不同實(shí)驗(yàn)中的關(guān)聯(lián)表達(dá)模式，一般適用于microarray、RNA-seq的表達(dá)矩陣，用limma給全部基因做差異表達(dá)分析，不需要篩差異表達(dá)基因?；驹恚篟OAST是一種假設(shè)驅(qū)動(dòng)的測(cè)試，對(duì)結(jié)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(diào)或下調(diào))和強(qiáng)度(log2倍變化)，判斷上/下調(diào)基因是否***富于集目標(biāo)基因集；ROAST使用rotation,一種MonteCarlotechnology的多元回歸方法，適用于樣本數(shù)量較少的情況；roast檢驗(yàn)一個(gè)geneset，對(duì)于復(fù)雜矩陣，使用mroast做multipleroasttests。富集分析結(jié)果用barcodeplot展示，使上/下調(diào)基因在目標(biāo)基因集中的分布可視化。數(shù)據(jù)要求：表達(dá)矩陣。 與復(fù)旦大學(xué)問附屬醫(yī)院合作，開發(fā)人血液外泌體中RNA的數(shù)據(jù)庫。北京成果發(fā)表指導(dǎo)數(shù)據(jù)科學(xué)歡迎咨詢
OmicCircos圖可以對(duì)感興趣的多個(gè)基因，展示其染色體的位置、拷貝數(shù)變異等多個(gè)特征。北京成果發(fā)表指導(dǎo)數(shù)據(jù)科學(xué)歡迎咨詢
genomeview(基因?yàn)g覽圖)：genomeView是對(duì)基因組的可視化，可以直觀展示RNA-seq和ChIP-seq的信號(hào)，證實(shí)轉(zhuǎn)錄因子結(jié)合對(duì)基因轉(zhuǎn)錄的影響等等。數(shù)據(jù)要求：RNA-seq和ChIP-seq等數(shù)據(jù)。應(yīng)用示例：文獻(xiàn)1：Genomic landscape and evolution of metastatic chromophobe renal cell carcinoma.（于2017年6月發(fā)表在JCI Insight.，影響因子6.041）。本文對(duì)轉(zhuǎn)移性腎嫌色細(xì)胞*進(jìn)行了系統(tǒng)的基因組研究，文中繪制基因流覽圖對(duì)整個(gè)基因組數(shù)據(jù)進(jìn)行了可視化。轉(zhuǎn)移性腎嫌色細(xì)胞*的基因組景觀和演化。 北京成果發(fā)表指導(dǎo)數(shù)據(jù)科學(xué)歡迎咨詢