术语解释：Cox回归：又称比例风险回归模型(proportionalhazardsmodel，简称Cox模型)，是由英国统计学家。该模型以生存结局和生存时间为应变量，可同时分析多种因素对于生存期长短的影响。Cox模型能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型，因此在医学界被***使用。Logistic回归：又称逻辑回归模型，属于广义线性模型。逻辑回归是一种用于解决二分类问题的分析方法，用于估计某种事物的可能性。相较于传统线性模型，逻辑回归模型以概率形式输出结果，可控性高且结果可解释性强。数据要求：样本临床信息或生物学特征（基因突变、基因表达等）样本的随访数据（总生存期，生存状态）或样本的分组情况下游分析：1.补充相关因素的已有相关研究2.解释相关因素对研究课题的意义。 诊疗软件开发、算法还原与开发、临床统计等数据科学工作。四川诊疗软件开发数据科学

    术语解释：互斥性（mutuallyexclusive）：一组基因中只有一个在一种**中发生改变，这种现象被称为互斥性。共现性（co-occurrence）：不同途径功能的基因突变可能发生在同一**中，这种现象被称为共现性。数据要求：基因突变数据下游分析：对于存在共现性或互斥性的基因对/基因集基因集的功能分析基因集相关的生存分析基于基因集的潜在靶向药物分析文献一：Functionalgenomiclandscapeofacutemyeloidleukaemia急性髓性白血病的功能基因组图（于2018年10月发表在Nature.，影响因子）文献中使用DISCOVER40方法评估531例白血病患者中**常见的复发性突变的共现性或排他性，并用点图展示。文献二：ALPK1hotspotmutationasadriverofhumanspiradenomaandspiradenocarcinoma文献中利用DISCOVER共现性质和互斥性分析工具对ALPK1和CYLD的互斥性进行了评价。 四川诊疗软件开发数据科学长期与交大、复旦、中科院、南大、药科大等实验室合作。

    **突变频谱分析（突变模式）：目的：输入突变数据，用非负矩阵分解方法NMF分析突变特征，描述样本集的突变模式。什么是突变模式：这也是对TCGA数据的深度挖掘，从而提出的一个统计学概念。文章（Signaturesofmutationalprocessesinhumancancer）研究了30种**，发现21种不同的mutationsignature。如果理解了，就会发现这个其实蛮简单的，他们并不重新测序，只是拿已经有了的TCGA数据进行分析，而且居然是发表在nature上面！文章研究了4,938,362mutationsfrom7,042cancers样本，突变频谱的概念只是针对于somatic的mutation。一般是对**病人的**组织和*旁组织配对测序，过滤得到的somaticmutation，一般一个样本也就几百个somatic的mutation。还有其它文章（Mutationalsignatures:thepatternsofsomaticmutationshiddenincancergenomes）也是这样分析的从2013年提出到现在，已经有30种mutationsiganures，在cosmic数据库有详细记录，更新见：MutationalSignatures。它的概念就是：根据突变上下文分成96类，然后每类突变的频率不一样画一个条形图，可视化展现。应用场景：突变特征定义：体细胞突变是多个突变过程如DNA修复缺陷，暴露于外源或内源诱变剂等综合结果。

    Lasso术语解读λ(Lambda)：复杂度调整惩罚值，λ越大对变量较多的线性模型的惩罚力度就越大，**终获得的变量越少。是指在所有的λ值中，得到**小目标参量均值的那一个。而是指在一个方差范围内得到**简单模型的那一个λ值。交叉验证（crossvalidation）：交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。数据要求：1、表达谱芯片或测序数据（已经过预处理）或突变数据2、包含生存状态和生存时间的预后数据或者其它临床分组数据。 指导科研方案纠偏，更好更快发表文章。

    GSEA分析：GSEA全名为GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如关注的GO条目或KEGGPathway）在两个生物学状态（如**与对照，高龄与低龄）中是否存在差异。能够研究基因变化的生物学意义。普通GO/KEGG富集的思路是先筛选差异基因，然后确定这些差异基因的GO/KEGG注释，然后通过超几何分布计算出哪些通路富集到了，再通过p值或FDR等阈值进行筛选。挑选用于富集的基因有一定的主观性，没有关注到的基因的信息会被忽视，所以有一定的局限性。在这种情况下有了GSEA（GeneSetEnrichmentAnalysis），其思路是发表于2005年的Genesetenrichmentanalysis:aknowledge-basedapproachforinterpretinggenome-wideexpressionprofiles。主要是要有两个概念：预先定义的基因集S（基于先验知识的基因注释信息）和待分析基因集L（一般初始输入是表达矩阵）；然后GSEA目的就是为了判断S基因集中的基因是随机分布于L（按差异表达程度对基因进行排序），还是聚集分布在L的顶部或者底部（也就是存在差异性富集）。如果基因集中的基因***富集在L的顶部或者底部，这说明这些基因的表达对定义的分组（预先分组）的差异有***影响（一致性）。在富集分析的理论中。 处理生物医学科研领域的组学数据处理、数据库建设。广东成果发表指导数据科学怎么样

文稿投稿2个月online 发表。四川诊疗软件开发数据科学

    GSEA数据要求1、通常为表达谱芯片或测序数据（已经过预处理），也可以是其他形式可排序的基因数据。2、具有已知生物学意义（GO、Pathway、**特征基因集等）的基因集。下游分析：得到GSEA结果之后的分析有：1.基因注释：1、绘制基因集富集趋势图（Enrichmentplot）横坐标：按差异表达差异排序的基因序列。数值越小（偏向左端）的基因**在shICAM-1组中有越高倍数的差异表达，数值越小（偏向右端）的基因在对照组中有越高倍数的差异表达。纵坐标：上方的纵坐标为富集打分ES，ES是一个动态的值，沿着基因序列，找到条目中的基因则增加评分，否则减少评分。通常用偏离0**远的值作为**终富集打分。下方的纵坐标**基因表达与表型的关联，***值越大**关联越强，数值大于0**正相关，小于0则**负相关。 四川诊疗软件开发数据科学