STEM基因表達趨勢分析數(shù)據(jù)要求表達譜芯片或測序數(shù)據(jù)（已經(jīng)過預(yù)處理）下游分析得到***富集的時間表達模式之后的分析有：1.時間表達模式中基因的功能富集2.時間表達模式中基因表達與性狀之間的相關(guān)性挖掘模塊的關(guān)鍵信息：1.找到時間表達模式中的**基因2.利用關(guān)系預(yù)測該時間表達模式功能文獻1：DynamicEBF1occupancydirectssequentialepigeneticandtranscriptionaleventsinB-cellprogramming（于2018年1月發(fā)表在GenesDev.，影響因子）EBF1動態(tài)占據(jù)在B細胞中對序列表觀遺傳和轉(zhuǎn)錄過程的影響該文獻采用基因表達趨勢分析，探尋了EBF1誘導(dǎo)前后25kb轉(zhuǎn)錄起始位點內(nèi)基因轉(zhuǎn)錄水平的差異，來尋找EBF1對特定功能基因的影響以及造成影響的時間節(jié)點。文獻2：ComprehensivetranscriptionalprofilingofNaCl-stressedArabidopsisrootsrevealsnovelclassesofresponsivegenes（于2016年10月發(fā)表在BMCPlantBiol.，影響因子）該文獻采用基因表達趨勢分析，研究了高濃度鹽水作用不同時間下擬南芥根的基因表達差異，來探尋在遇到高濃度鹽水時擬南芥在基因?qū)用嫔系膽?yīng)對方式。 早期肝疾病的預(yù)后基因panel研究。數(shù)據(jù)庫建設(shè)數(shù)據(jù)科學(xué)售后服務(wù)

    RoastROAST是一種差異表達分析方法，有助于提高統(tǒng)計能力、組織和解釋結(jié)果以及在不同實驗中的關(guān)聯(lián)表達模式，一般適用于microarray、RNA-seq的表達矩陣，用limma給全部基因做差異表達分析，不需要篩差異表達基因。基本原理：ROAST是一種假設(shè)驅(qū)動的測試，對結(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))和強度(log2倍變化)，判斷上/下調(diào)基因是否***富于集目標基因集；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檢驗一個geneset，對于復(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)基因在目標基因集中的分布可視化。數(shù)據(jù)要求：表達矩陣。 數(shù)據(jù)庫建設(shè)數(shù)據(jù)科學(xué)售后服務(wù)指導(dǎo)科研方案糾偏，更好更快發(fā)表文章。

三角坐標統(tǒng)計圖是采用數(shù)字坐標形式來表現(xiàn)三項要素的數(shù)字信息圖像。三角形坐標圖常用百分數(shù)（%）來表示某項要素與整體的結(jié)構(gòu)比例。三條邊分別表示三個不同分量，三個頂點可以看作是三個原點。三角圖可以展示某特定值在一個整體中不同類型的分布。在生物信息中三角圖可以方便地展示3種不同疾病或者3個不同分組之間某個指標的相關(guān)性。

數(shù)據(jù)要求

多個樣本的三個變量值，或者多個基因在三個不同分組中的數(shù)據(jù)值，可以是突變頻率數(shù)據(jù)、基因表達數(shù)據(jù)、甲基化數(shù)據(jù)等。

    immune-network免疫網(wǎng)絡(luò)**微環(huán)境（TME）是**周圍的環(huán)境，包括周圍血管，免疫細胞，成纖維細胞，信號分子和細胞外基質(zhì)（ECM）。**與周圍微環(huán)境密切相關(guān)，不斷相互作用。**可以通過釋放細胞外信號，促進**血管生成和誘導(dǎo)外周免疫耐受來影響微環(huán)境，而微環(huán)境中的免疫細胞可以影響*細胞的生長和進化。免疫細胞泛指所有參與免疫反應(yīng)的細胞，也特指能識別抗原，產(chǎn)生特異性免疫應(yīng)答的淋巴細胞等。主要包括T淋巴細胞、B淋巴細胞、單核細胞、巨噬細胞、粒細胞、肥大細胞、輔佐細胞，以及它們的前體細胞等，是免疫系統(tǒng)的功能單元。**微環(huán)境中免疫細胞之間相互作用形成免疫網(wǎng)絡(luò)，網(wǎng)絡(luò)設(shè)立可以清晰了解**微環(huán)境中免疫細胞之間的影響機制。應(yīng)用場景用網(wǎng)絡(luò)圖同時展示相關(guān)關(guān)系、pvalue、聚類/分類結(jié)果、跟預(yù)后的關(guān)系。-例如例文中各細胞之間的相關(guān)關(guān)系、跟預(yù)后的關(guān)系。基本原理：免疫系統(tǒng)遍布全身，涉及多種細胞、***、蛋白質(zhì)和組織。它可以區(qū)分我們的組織和外來組織自我和非自我。死亡和有缺陷的細胞也會被免疫系統(tǒng)識別和***。如果免疫系統(tǒng)遇到病原體就會產(chǎn)生免疫反應(yīng)。免疫細胞泛指所有參與免疫反應(yīng)的細胞，也特指能識別抗原，產(chǎn)生特異性免疫應(yīng)答的淋巴細胞等。 處理生物醫(yī)學(xué)科研領(lǐng)域的組學(xué)數(shù)據(jù)處理、數(shù)據(jù)庫建設(shè)。

    單細胞測序數(shù)據(jù)挖掘：GEO目前收錄的單細胞研究樣本已經(jīng)超過2萬例，單細胞測序幾乎成為生物醫(yī)學(xué)領(lǐng)域CNS***文章的標配。實驗費用高昂，阻斷了CNS夢，既然其他數(shù)據(jù)可以挖，單細胞測序數(shù)據(jù)照樣可以挖。已知公共數(shù)據(jù)庫中單細胞測序數(shù)據(jù)涉及各種疾病類型，包括**、免疫細胞、炎癥類甚至神經(jīng)、肌肉、骨骼等，樣本豐富、數(shù)據(jù)龐大，你不挖就是失去了一座金山。我們提供各種設(shè)計單細胞測序、各種測序、芯片、多組學(xué)的公共數(shù)據(jù)庫挖掘、培訓(xùn)、模型構(gòu)建、臨床統(tǒng)計、算法還原服務(wù)；你能想到，我能做到；你提供參考文獻、思路和目的，我們提供結(jié)果；如果沒有思路，我們提供付費科研設(shè)計服務(wù)。示例如下：利用公共數(shù)據(jù)庫的1539個單細胞樣本，構(gòu)建自己的生物學(xué)故事。 OmicCircos圖可以對感興趣的多個基因，展示其染色體的位置、拷貝數(shù)變異等多個特征。北京生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)售后分析

目前能夠?qū)映^50家實驗室。數(shù)據(jù)庫建設(shè)數(shù)據(jù)科學(xué)售后服務(wù)

    GSEA基本原理從方法上來講，GSEA主要分為基因集進行排序、計算富集分數(shù)（EnrichmentScore，ES）、估計富集分數(shù)的***性水平并進行多重假設(shè)檢驗三個步驟。**步對輸入的所有基因集L進行排序，通常來說初始輸入的基因數(shù)據(jù)為表達矩陣，排序的過程相當于特定兩組中（case-control、upper-lower等等）基因差異表達分析的過程。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，默認是signal2noise，GSEA官網(wǎng)有提供公式，也可以選擇較為普遍的foldchange)，對基因進行排序，并且Z-score標準化。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算富集指數(shù)EnrichmentScore，并繪制分布趨勢圖Enrichmentplot。每個基因在基因集S的EnrichmentScore取決于這個基因是否屬于基因集S及其差異度量（如foldchange）。差異度量越大基因的EnrichmentScore權(quán)重越大，如果基因在基因集S中則EnrichmentScore取正，反則取負。將基因集L在基因集S里的所有基因的EnrichmentScore一個個加起來，就是Enrichmentplot上的EnrichmentScore趨勢，直到EnrichmentScore達到**值，就是基因集S**終的EnrichmentScore。第三步是為了檢驗第二部獲得結(jié)果的統(tǒng)計學(xué)意義。 數(shù)據(jù)庫建設(shè)數(shù)據(jù)科學(xué)售后服務(wù)