Bubbles可以同时展示pvalue和表达量。例如展示motif的pvalue和motif对应的转录因子的表达量，方便快速看出转录因子富集且高表达所在的group，预示着该分组对细胞状态的改变（例如细胞分化、转移、应激）起关键调控作用；例如做基因功能富集分析时，展示富集的通路qvalue和基因数量或geneRatio。

基本原理：

Bubbles的实质是分组数据下基因表达量或通路内基因数量的可视化，同时可以展示pvalue。

数据要求：

表达矩阵，分组 参考国内外数据资源，根据需求制定构建方案。辽宁算法还原与开发数据科学活动

    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。 上海公共数据库挖掘数据科学售后分析WGCNA其译为加权基因共表达网络分析。

    LASSO回归：更多的变量在拟合时往往可以给出一个看似更好的模型，但是同时也面临过度拟合的危险。此时如果用全新的数据去验证模型(Validation)，通常效果很差。一般来说，变量数大于数据点数量很多，或者某一个离散变量有太多独特值时，都有可能过度拟合。LASSO回归复杂度调整的程度由参数λ来控制，λ越大对变量较多的线性模型的惩罚力度就越大，从而**终获得一个变量较少的模型。LASSO回归与Ridge回归同属于一个被称为ElasticNet的广义线性模型家族。这一家族的模型除了相同作用的参数λ之外，还有另一个参数α来控制应对高相关性(highlycorrelated)数据时模型的性状。LASSO回归α=1，Ridge回归α=0，一般ElasticNet模型0<α<1。LASSO过程中我们通常会进行多次交叉验证（crossvalidation）拟合（1000次）进而选取模型，从而对模型的性能有一个更准确的估计。

    ROC机器学习受试者工作特征曲线（receiveroperatingcharacteristiccurve，简称ROC曲线），又称为感受性曲线（sensitivitycurve），是用来验证一个分类器（二分）模型的性能的。一般应用于直观展示敏感性和特异性连续变量的综合指标，如比较多个biomarker或临床参数的诊断表现、比较多个算法的分类效果。基本原理ROC曲线工作原理是，向模型中输入已知正负类的一组数据，对比模型对该组数据的预测，衡量这个模型的性能。术语解读:1、TP（TruePositive,真正,TP）被模型预测为正的正样本（原来为正预测为正）2、TN（TrueNegative,真负,TN）被模型预测为负的负样本（原来为负预测为负）3、FP（FalsePositive,假正,FP）被模型预测为正的负样本（原来为负预测为正）4、FN（FalseNegative,假负,FN）被模型预测为负的正样本（原来为正预测为负）5、真正类率(TruePostiveRate)TPR:TP/(TP+FN),**分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity6、假正类率(FalsePostiveRate)FPR:FP/(FP+TN)，**分类器预测的负类中预测为正实例(实际为负实例)占所有负实例的比例。1-Specificity7、真负类率(TrueNegativeRate)TNR:TN/(FP+TN)。 采用机器学习算法对疾病的干性指数进行分型分类研究。

    GSEA基本原理从方法上来讲，GSEA主要分为基因集进行排序、计算富集分数（EnrichmentScore，ES）、估计富集分数的***性水平并进行多重假设检验三个步骤。**步对输入的所有基因集L进行排序，通常来说初始输入的基因数据为表达矩阵，排序的过程相当于特定两组中（case-control、upper-lower等等）基因差异表达分析的过程。根据所有基因在两组样本的差异度量不同（共有六种差异度量，默认是signal2noise，GSEA官网有提供公式，也可以选择较为普遍的foldchange)，对基因进行排序，并且Z-score标准化。第二步是GSEA的**步骤，通过分析预先定义基因集S在**步获得的基因序列上的分布计算富集指数EnrichmentScore，并绘制分布趋势图Enrichmentplot。每个基因在基因集S的EnrichmentScore取决于这个基因是否属于基因集S及其差异度量（如foldchange）。差异度量越大基因的EnrichmentScore权重越大，如果基因在基因集S中则EnrichmentScore取正，反则取负。将基因集L在基因集S里的所有基因的EnrichmentScore一个个加起来，就是Enrichmentplot上的EnrichmentScore趋势，直到EnrichmentScore达到**值，就是基因集S**终的EnrichmentScore。第三步是为了检验第二部获得结果的统计学意义。 蛋白组代谢组个性化分析。辽宁成果发表指导数据科学经验丰富

文稿投稿2个月online 发表。辽宁算法还原与开发数据科学活动

    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。 辽宁算法还原与开发数据科学活动