下游分析针对LASSO获得的基因模型（或称基因Panel）的验证：1.计算风险指数RiskScore2.绘制ROC曲线、DCA曲线、列线图进行验证3.绘制生KM存曲线对基因模型中的基因进行解释和分析：1.基因注释2.靶向药物分析应用示例：文献1：PrognosticandpredictivevalueofamicroRNAsignatureinstageIIcoloncancer:amicroRNAexpressionanalysis.于2013年12月发表在LancetOncol.，影响因子。一个miRNA特征集在stageII结肠*的预后预测作用分析文章对stageII结肠*组织和*旁正常组织的miRNA芯片数据进行了差异表达分析，并通过LASSOCox回归对获得的差异表达miRNA进行筛选，获得了6个miRNA的可以预测预后情况的miRNA特征集。文献2：PrognosticValueofaBCSC-associatedMicroRNASignatureinHormoneReceptor-PositiveHER2-NegativeBreastCancer（于2016年9月发表在EBioMedicine.上，影响因子）文章将符合条件的患者划分为训练集和测试集，首先分析获得了**干细胞相关的miRNA，接着通过LASSO对**干细胞相关的miRNA进行筛选，构建了10个miRNA的预后预测模型，并计算风险指数绘制了生存曲线和ROC曲线。 参考国内外数据资源，根据需求制定构建方案。湖北文章成稿指导数据科学售后分析

    cancersubtype**亚型分析：**的传统分型被***使用，但是有些分类与生存预后并没有明显的关系，因此需要研究人员开发有效的分类器对疾病进行针对性指导***。通过对分子谱与临床信息的综合性研究，重新定义**亚型，并对新定**分型进行分析，明确各亚型的发病机制和预后情况的差异。基本原理：使用SNFCC+与HC和NMF算法进行分子分型，然后进行分型之间的比较。CancerSubtypes包含以下5种计算方法对基因组数据进行**分子分型鉴定：术语解读：SNFCC+：相似网络融合加一致聚类(Similaritynetworkfusionplusconsensusclustering)HC：层次聚类(Hierarchicalclustering)NMF：非负矩阵分解(Non-negativematrixfactorization)DEG：差异表达基因数据要求：芯片数据。 广东公共数据库挖掘数据科学售后分析云生物深度理解科研需求、强大分析处理能力。

    术语解读：PPI：蛋白质-蛋白质相互作用(protein-proteininteraction)PPImoduleI：指蛋白质相互作用模块，一个模块指向一个功能数据要求：基因列表应用示例1：（于2018年3月发表在Immunity.，影响因子）T细胞活化过程中产生蛋白质组进行多重定量分析，然后对差异表达蛋白权重聚类，并将聚类蛋白叠加到PPI网络上以识别功能模块。D.模块大小的分布，通过将每个WPC（权重聚类结果）中的蛋白叠加到蛋白-蛋白相互作用(PPI)网络上识别模块。每个模块的蛋白质数量显示出来。E.各个模块及其交互的关系图。圆圈(节点)表示90个模块，圆圈大小与模块大小成比例。边连接共享PPIs的模块。在(F)和(G)中进一步扩展了装箱模块。F.来自WPC3的细胞质和线粒体核糖体的四个互连模块。显示了蛋白质的名称和每个模块的代表性功能术语。G.来自WPC3的蛋白酶体，OXPHOS和线粒体复合物IV途径的模块。

    LASSO是一种机器学习算法，通常被用来构建可以预测预后情况的基因模型。也可以筛选与特定性状相关性强的基因。LASSO对于高维度、强相关、小样本的生存资料数据有较好的效果。LASSO的基本思想是在回归系数的***值之和小于一个常数的约束条件下，使残差平方和**小化，从而使某些回归系数严格等于0，来得到可以解释的模型。该方法的估计参数λ为调整参数。随着l的增加，项就会减小，这时候一些自变量的系数就逐渐被压缩为0，以此达到对高维资料进行降维的目的。LASSO方法的降维是通过惩罚回归系数的数量来实现的。基本原理LASSO回归的特点是在拟合广义线性模型的同时进行变量筛选(VariableSelection)和复杂度调整(Regularization)。因此，不论目标因变量(dependent/responsevaraible)是连续的(continuous)，还是二元或者多元离散的(discrete)，都可以用LASSO回归建模然后预测。这里的变量筛选是指不把所有的变量都放入模型中进行拟合，而是有选择的把变量放入模型从而得到更好的性能参数。复杂度调整是指通过一系列参数控制模型的复杂度，从而避免过度拟合(Overfitting)。对于线性模型来说，复杂度与模型的变量数有直接关系，变量数越多，模型复杂度就越高。

胰腺疾病预后相关长链非编码RNA。

    GeneInteraction基因互作：基因相互作用指miRNA、lncRNA、circRNA或其它RNA介导DNA转录，从而影响mRNA的表达过程。通俗意义上来说，基因互作关系指基于序列预测的靶基因对。miRNA通过与靶mRNA的结合，或促使mRNA降解，或阻碍其翻译，从而***目的基因的表达。竞争性内源RNA网络是靶基因预测的研究深入，简称ceRNA网络。通过进行ceRNA网络的分析，我们能从一个更为宏观的角度来解释转录体如何构建基因表达调控网络，从而进一步挖掘基因在其中的调控机制。基本原理：miRNA主要通过与靶基因的非翻译区（UTR）结合而发挥其作用，对miRNA和mRNA、lncRNA、circRNA结合进行的预测称为靶基因预测。靶基因预测使用软件根据miRNA和靶基因间的结合的规律预测结合基因对。在生物体内，miRNA可以通过与proteincoding特异性结合，影响相关基因的表达，从而参与调控细胞内的各项功能。ceRNA具有miRNA结合位点，能后竞争性地结合miRNA，***miRNA对靶基因的调控。例如lncRNA与miRNA竞争性结合，影响miRNA调控mRNA的过程，**终导致的mRNA表达失调。我们使用基于序列预测的软件对差异分析得到的miRNA与mRNA，lncRNA，circRNA进行靶点预测和ceRNA网络分析。 提供语言润色、图表调整、格式修改等工作模块。重庆诊疗软件开发数据科学方案

生存曲线分隔，在展示基因表达水平对生存期的影响时找到分组。湖北文章成稿指导数据科学售后分析

    GSVA（基因集变异分析，反映了样本和感兴趣的通路之间的联系）：GSVA全名Genesetvariationanalysis（基因集变异分析），是一种非参数，无监督的算法。与GSEA不同，GSVA不需要预先对样本进行分组，可以计算每个样本中特定基因集的富集分数。换而言之，GSVA转化了基因表达数据，从单个基因作为特征的表达矩阵，转化为特定基因集作为特征的表达矩阵。GSVA对基因富集结果进行了量化，可以更方便地进行后续统计分析。如果用limma包做差异表达分析可以寻找样本间差异表达的基因，同样地，使用limma包对GSVA的结果（依然是一个矩阵）做同样的分析，则可以寻找样本间有***差异的基因集。这些“差异表达”的基因集，相对于基因而言，更加具有生物学意义，更具有可解释性，可以进一步用于**subtype的分型等等与生物学意义结合密切的探究。 湖北文章成稿指导数据科学售后分析