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、跟預后的關(guān)系。-例如例文中各細胞之間的相關(guān)關(guān)系、跟預后的關(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。 采用機器學習算法對疾病的干性指數(shù)進行分型分類研究。遼寧臨床統(tǒng)計數(shù)據(jù)科學共同合作
GSEA數(shù)據(jù)要求1、通常為表達譜芯片或測序數(shù)據(jù)（已經(jīng)過預處理），也可以是其他形式可排序的基因數(shù)據(jù)。2、具有已知生物學意義（GO、Pathway、**特征基因集等）的基因集。下游分析：得到GSEA結(jié)果之后的分析有：1.基因注釋：1、繪制基因集富集趨勢圖（Enrichmentplot）橫坐標：按差異表達差異排序的基因序列。數(shù)值越小（偏向左端）的基因**在shICAM-1組中有越高倍數(shù)的差異表達，數(shù)值越?。ㄆ蛴叶耍┑幕蛟趯φ战M中有越高倍數(shù)的差異表達?？v坐標：上方的縱坐標為富集打分ES，ES是一個動態(tài)的值，沿著基因序列，找到條目中的基因則增加評分，否則減少評分。通常用偏離0**遠的值作為**終富集打分。下方的縱坐標**基因表達與表型的關(guān)聯(lián)，***值越大**關(guān)聯(lián)越強，數(shù)值大于0**正相關(guān)，小于0則**負相關(guān)。 成果發(fā)表指導數(shù)據(jù)科學方案糖尿病藥物基因組學分析找到新的作用靶點。
GSVA算法接受的輸入為基因表達矩陣（經(jīng)過log2標準化的芯片數(shù)據(jù)或者RNA-seqcount數(shù)數(shù)據(jù)）以及特定基因集。**步，算法會對表達數(shù)據(jù)進行核密度估計；第二部，基于**步的結(jié)果對樣本進行表達水平排序；第三步，對于每一個基因集進行類似K-S檢驗的秩統(tǒng)計量計算；第四步，獲取GSVA富集分數(shù)。**終輸出為以每個基因集對應(yīng)每個樣本的數(shù)據(jù)矩陣。無監(jiān)督算法無監(jiān)督算法常常被用于數(shù)據(jù)挖掘，用于在大量無標簽數(shù)據(jù)中發(fā)現(xiàn)些什么。它的訓練數(shù)據(jù)是無標簽的，訓練目標是能對觀察值進行分類或區(qū)分等。核密度估計核密度估計（kerneldensityestimation）在概率論中用來估計未知的密度函數(shù)，屬于非參數(shù)檢驗方法之一。數(shù)據(jù)要求1、特定感興趣的基因集（如信號通路，GO條目等），列出基因集中基因2、基因表達矩陣，為經(jīng)過log2標準化的芯片數(shù)據(jù)或者RNA-seqcount數(shù)數(shù)據(jù)（基因名形式與基因集對應(yīng)）下游分析1、基因集（如信號通路）的生存分析2、基因集（如信號通路）的差異表達分析3、基因集。
mutationEvents**已存在的基因突變會影響其他基因的突變，突變分析時確定這些基因突變潛在的相互作用，能更好地了解健康細胞轉(zhuǎn)化為*細胞的過程和機制。DISCOVER，一種針對基因突變的統(tǒng)計檢驗工具，幫助尋找***的基因突變間互斥性和共現(xiàn)性。一般可應(yīng)用的研究場景：探索一組基因是否在**中存在互斥性和共現(xiàn)性；基于基因突變的互斥性和共現(xiàn)性，研究**發(fā)***展的潛在機制?；驹恚篋ISCOVER（DiscreteIndependenceStatisticControllingforObservationswithVaryingEventRates）是一種用于檢測**基因組數(shù)據(jù)的共現(xiàn)性和互斥性的新統(tǒng)計檢驗方法。與Fisher'sexacttest等用于這些任務(wù)的傳統(tǒng)方法不同的是，DISCOVER基于一個空模型，該模型考慮了總體**特異性的變化率，從而決定變化率的同時發(fā)生的頻率是否高于或低于預期。該方法避免了共現(xiàn)檢測中的虛假關(guān)聯(lián)，提高了檢測互斥性的統(tǒng)計能力。DISCOVER的性能與其他幾個已發(fā)布的互斥性測試相比，在整個***性水平范圍內(nèi)，DISCOVER在控制假陽性率的同時更敏感。 兩個實驗組的差異基因比較。
蛋白質(zhì)主要由碳、氫、氧、氮等化學元素組成，是一類重要的生物大分子。蛋白質(zhì)的功能由蛋白質(zhì)的三維結(jié)構(gòu)決定。蛋白質(zhì)三維結(jié)構(gòu)繪圖，可以直觀地展示蛋白質(zhì)三維功能結(jié)構(gòu)，廣泛應(yīng)用于單核苷酸突變功能分析、藥物蛋白分子相互作用分析等研究領(lǐng)域。基本原理蛋白質(zhì)三維結(jié)構(gòu)繪圖主要分為蛋白質(zhì)三維結(jié)構(gòu)預測以及對結(jié)構(gòu)進行可視化兩步。蛋白質(zhì)三維結(jié)構(gòu)預測是基于蛋白質(zhì)中氨基酸序列預測蛋白質(zhì)折疊結(jié)構(gòu)的步驟，**常用的預測方法為同源建模，同源建模的原理是序列相似的蛋白質(zhì)具有相似的蛋白質(zhì)結(jié)構(gòu)，要推測一個未知結(jié)構(gòu)蛋白的三維結(jié)構(gòu)，只需要找到與之序列高度相似的已知結(jié)構(gòu)模板。在無法進行同源建模（找不到模型）的情況下，還有折疊識別及從頭建模法，但是計算量大運行緩慢且建模準確度不如同源建模。獲得蛋白質(zhì)三維結(jié)構(gòu)預測的pbd文件后還需要通過分子三維結(jié)構(gòu)軟件繪制可視化的三維圖，并分析特殊位點（分子對接或突變位點分析），常用的有pymol和DeepView等。數(shù)據(jù)要求目標蛋白的氨基酸序列或者編碼蛋白的基因序列，突變數(shù)據(jù)等。下游分析突變位點靶向藥物分析等。 生物醫(yī)學科研領(lǐng)域的組學數(shù)據(jù)處理。云南算法還原與開發(fā)數(shù)據(jù)科學方案
提供語言潤色、圖表調(diào)整、格式修改等工作模塊。遼寧臨床統(tǒng)計數(shù)據(jù)科學共同合作
TMB**突變負荷**突變負荷（TMB）作為免疫療法的生物標志物，能夠較好的預測患者免疫***的療效。基于**突變負荷，可以從一種新的角度探尋基因跟免疫及預后的關(guān)系。一般應(yīng)用場景：基于TMB預測不同性狀的免疫***療效、不同基因表達或突變對免疫***潛在的影響?；驹恚?*突變負荷(TumorMutationBurden，TMB)，通常被定義為一份**樣本中，所評估基因的外顯子編碼區(qū)每兆堿基中發(fā)生置換和插入/缺失突變的總數(shù)。近年許多研究都報道了TMB與PD-1/PD-L1抑制劑的療效高度相關(guān)，同時基于TMB進行的臨床研究都得到了較好的結(jié)果。這讓一些**患者可以通過TMB標志物對免疫療法的療效進行一定程度的預測。結(jié)合TMB，可以從免疫***角度探尋關(guān)鍵基因、探究不同亞型**存在的不同發(fā)病機制。數(shù)據(jù)要求：基因突變數(shù)據(jù)，臨床或其他分類數(shù)據(jù)。 遼寧臨床統(tǒng)計數(shù)據(jù)科學共同合作