STEM基因表達趨勢分析數據要求表達譜芯片或測序數據（已經過預處理）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性挖掘模塊的關鍵信息：1.找到時間表達模式中的**基因2.利用關系預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)占據在B細胞中對序列表觀遺傳和轉錄過程的影響該文獻采用基因表達趨勢分析，探尋了EBF1誘導前后25kb轉錄起始位點內基因轉錄水平的差異，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層面上的應對方式。 早期肝疾病的預后基因panel研究。數據庫建設數據科學售后服務
RoastROAST是一種差異表達分析方法，有助于提高統(tǒng)計能力、組織和解釋結果以及在不同實驗中的關聯(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?；驹恚篟OAST是一種假設驅動的測試，對結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(上調或下調)和強度(log2倍變化)，判斷上/下調基因是否***富于集目標基因集；ROAST使用rotation,一種MonteCarlotechnology的多元回歸方法，適用于樣本數量較少的情況；roast檢驗一個geneset，對于復雜矩陣，使用mroast做multipleroasttests。富集分析結果用barcodeplot展示，使上/下調基因在目標基因集中的分布可視化。數據要求：表達矩陣。 數據庫建設數據科學售后服務指導科研方案糾偏，更好更快發(fā)表文章。
三角坐標統(tǒng)計圖是采用數字坐標形式來表現三項要素的數字信息圖像。三角形坐標圖常用百分數（%）來表示某項要素與整體的結構比例。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性。
數據要求
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據值，可以是突變頻率數據、基因表達數據、甲基化數據等。
immune-network免疫網絡**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（ECM）。**與周圍微環(huán)境密切相關，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的細胞，也特指能識別抗原，產生特異性免疫應答的淋巴細胞等。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絡，網絡設立可以清晰了解**微環(huán)境中免疫細胞之間的影響機制。應用場景用網絡圖同時展示相關關系、pvalue、聚類/分類結果、跟預后的關系。-例如例文中各細胞之間的相關關系、跟預后的關系?；驹恚好庖呦到y(tǒng)遍布全身，涉及多種細胞、***、蛋白質和組織。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)遇到病原體就會產生免疫反應。免疫細胞泛指所有參與免疫反應的細胞，也特指能識別抗原，產生特異性免疫應答的淋巴細胞等。 處理生物醫(yī)學科研領域的組學數據處理、數據庫建設。
單細胞測序數據挖掘：GEO目前收錄的單細胞研究樣本已經超過2萬例，單細胞測序幾乎成為生物醫(yī)學領域CNS***文章的標配。實驗費用高昂，阻斷了CNS夢，既然其他數據可以挖，單細胞測序數據照樣可以挖。已知公共數據庫中單細胞測序數據涉及各種疾病類型，包括**、免疫細胞、炎癥類甚至神經、肌肉、骨骼等，樣本豐富、數據龐大，你不挖就是失去了一座金山。我們提供各種設計單細胞測序、各種測序、芯片、多組學的公共數據庫挖掘、培訓、模型構建、臨床統(tǒng)計、算法還原服務；你能想到，我能做到；你提供參考文獻、思路和目的，我們提供結果；如果沒有思路，我們提供付費科研設計服務。示例如下：利用公共數據庫的1539個單細胞樣本，構建自己的生物學故事。 OmicCircos圖可以對感興趣的多個基因，展示其染色體的位置、拷貝數變異等多個特征。北京生物/藥物信息學分析數據科學售后分析
目前能夠對接超過50家實驗室。數據庫建設數據科學售后服務
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（EnrichmentScore，ES）、估計富集分數的***性水平并進行多重假設檢驗三個步驟。**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據為表達矩陣，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果的統(tǒng)計學意義。 數據庫建設數據科學售后服務