Nomogram列线图（nomogram，诺莫图）是在平面直角坐标系中，用一簇互不相交的线段表示多个临床指标或者生物学特征，用以预测一定的临床结局或者某类事件发生的概率的图。列线图使预测模型的结果更具有可读性，可个性化地计算特定**患者生存率,在临床实践中有较大的价值。一般可应用的研究方向有：将回归的结果进行可视化呈现，对个体样本给出其发病风险或比例风险；根据多个临床指标或生物学特征，判断个体样本的疾病分类或特征。基本原理：列线图的理论于1884年提出，**早用于工程学。它能够将复杂的计算公式以图形的方式，快速、直观、精确的展现出来。列线图通过构建多因素回归模型（例如Cox回归、Logistic回归等），根据模型中各个影响因素对结局变量的影响程度的高低，即回归系数的大小，给每个影响因素的每个取值水平进行赋分。将各个评分相加得到总评分，通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测概率。校准曲线（calibrationcurve）为实际发生率和预测发生率的散点图，常于用于化工行业溶液配制。在这里通过观察预测值与实际值相差情况，判断基于回归模型构建列线图的有效性。 承担各类项目超过400余项。成果发表指导数据科学共同合作
单细胞测序数据挖掘：GEO目前收录的单细胞研究样本已经超过2万例，单细胞测序几乎成为生物医学领域CNS***文章的标配。实验费用高昂，阻断了CNS梦，既然其他数据可以挖，单细胞测序数据照样可以挖。已知公共数据库中单细胞测序数据涉及各种疾病类型，包括**、免疫细胞、炎症类甚至神经、肌肉、骨骼等，样本丰富、数据庞大，你不挖就是失去了一座金山。我们提供各种设计单细胞测序、各种测序、芯片、多组学的公共数据库挖掘、培训、模型构建、临床统计、算法还原服务；你能想到，我能做到；你提供参考文献、思路和目的，我们提供结果；如果没有思路，我们提供付费科研设计服务。示例如下：利用公共数据库的1539个单细胞样本，构建自己的生物学故事。 重庆组学实验数据科学口碑推荐指导科研方案纠偏，更好更快发表文章。
ssGSEA（single sample GSEA）主要针对单样本无法做GSEA而提出的一种实现方法，原理上与GSEA是类似的。ssGSEA根据表达谱文件计算每个基因的rank值，再进行后续的统计分析。通过这个方法，我们可以得到每个样本的免疫细胞或者免疫功能，免疫通路的活性，然后根据免疫活性进行分组。
ssGSEA量化免疫细胞浸润**的一个优点就是自己可以定制量化免疫浸润细胞种类。目前公认并且用的**多的免疫细胞marker就是2013年发表在Immunity上的SpatiotemporalDynamicsof IntratumoralImmuneCellsReveal the Immune Landscape in Human Cancer 所提供的免疫细胞marker genes（Table S1），能提取到24种免疫细胞信息。
TMB**突变负荷**突变负荷（TMB）作为免疫疗法的生物标志物，能够较好的预测患者免疫***的疗效。基于**突变负荷，可以从一种新的角度探寻基因跟免疫及预后的关系。一般应用场景：基于TMB预测不同性状的免疫***疗效、不同基因表达或突变对免疫***潜在的影响。基本原理：**突变负荷(TumorMutationBurden，TMB)，通常被定义为一份**样本中，所评估基因的外显子编码区每兆碱基中发生置换和插入/缺失突变的总数。近年许多研究都报道了TMB与PD-1/PD-L1抑制剂的疗效高度相关，同时基于TMB进行的临床研究都得到了较好的结果。这让一些**患者可以通过TMB标志物对免疫疗法的疗效进行一定程度的预测。结合TMB，可以从免疫***角度探寻关键基因、探究不同亚型**存在的不同发病机制。数据要求：基因突变数据，临床或其他分类数据。 可对接各类公共数据库，切入各类接口，并对公共数据库进行大规模数据挖掘。
Inmmune gene
免疫学研究是目前科研领域争相研究的热点，**免疫细胞浸润是其中一种。**免疫细胞浸润是指免疫细胞从血液中移向**组织发挥作用。我们从**组织中分离出浸润免疫细胞含量，计算基因与浸润免疫细胞含量的相关性，筛选出影响免疫浸润的候选基因。
基本原理：
从基因矩阵数据中提取免疫细胞含量，生成免疫细胞含量矩阵；
计算目标基因与浸润免疫细胞含量的相关性，筛选与浸润免疫细胞含量高度相关的基因。
术语解读：
相关性系数（pearson,spearman, kendall）反应两个变量之间变化趋势的方向以及程度。相关系数范围为-1到+1。0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。
数据要求：
**数据表达矩阵 按照斯普林格学术规范化处理准则提供文稿同行专家投稿前意见评估。成果发表指导数据科学共同合作
生物医学科研领域的组学数据处理。成果发表指导数据科学共同合作
PCA主成分分析测序技术的发展使得现在能够从宏观角度分析基因表达，但是也在一定程度上增加了数据分析难度。许多基因之间可能存在相关性，如果分别对每个基因进行分析，分析往往是孤立的，盲目减少指标会损失很多有用的信息。PCA(PrincipalComponentAnalysis)，即主成分分析方法，是一种使用*****的数据降维算法。一般可应用的研究方向有：一组基因在多个分组中的差异情况，多个基因在该样本中的差异情况。基本原理PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，**个新坐标轴选择是原始数据中方差**的方向，第二个新坐标轴选取是与**个坐标轴正交的平面中使得方差**的，第三个轴是与第1，2个轴正交的平面中方差**的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，我们发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是，我们可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上。 成果发表指导数据科学共同合作