GeneBodyProfile（對比不同的樣品在某一區(qū)域的信號特征，不**于ChIP-seq、DNase-seq、ATAC-seq數據）：GeneBodyProfile表觀遺傳修飾和對基因表達、細胞發(fā)育等過程有著深遠的影響，但相關的研究還未完善。通過對比不同的樣品在某一區(qū)域的信號特征，了解不同情況下該基因的表觀遺傳情況，幫助更好的了解其發(fā)***展過程。一般應用場景：觀察相關基因轉錄起始位點（TSS）、轉錄終止位點（TTS）、genebody以及兩側信號特征；觀察某一功能區(qū)域（CpGi、TSS、TTS、peaksummits或enhancer區(qū)）及其兩側信號特征。數據要求：ChIP-seq、DNase-seq或ATAC-seq數據。下游分析：基于展示的基因或功能情況1.補充展示部分的已有相關研究2.解釋展示部分對研究課題的意義。 云生物數據分析需要多久？湖北公共數據庫挖掘數據科學經驗豐富
棒棒糖圖是直觀顯示蛋白質結構上的突變點**簡單且有效的方式。許多致*基因具有比任何其他基因座更頻繁突變的優(yōu)先位點。這些位點被認為是突變熱點，棒棒糖圖可以用于顯示突變熱點以及其他突變位點。并可以對比不同**/亞型的突變位點。
基本原理
將蛋白質結構根據氨基酸順序繪制為長條形，以不同色塊標注不同結構域，在基因突變導致氨基酸改變的位置標注棒棒糖，并在棒棒糖圓球標注位點的突變頻數以及突變位點。
數據要求
基因突變或者蛋白質突變數據
下游分析
1、突變位點靶向藥物分析
2、驅動基因突變分析 湖北公共數據庫挖掘數據科學經驗豐富文稿投稿2個月online 發(fā)表。
術語解釋：互斥性（mutuallyexclusive）：一組基因中只有一個在一種**中發(fā)生改變，這種現象被稱為互斥性。共現性（co-occurrence）：不同途徑功能的基因突變可能發(fā)生在同一**中，這種現象被稱為共現性。數據要求：基因突變數據下游分析：對于存在共現性或互斥性的基因對/基因集基因集的功能分析基因集相關的生存分析基于基因集的潛在靶向藥物分析文獻一：Functionalgenomiclandscapeofacutemyeloidleukaemia急性髓性白血病的功能基因組圖（于2018年10月發(fā)表在Nature.，影響因子）文獻中使用DISCOVER40方法評估531例白血病患者中**常見的復發(fā)性突變的共現性或排他性，并用點圖展示。文獻二：ALPK1hotspotmutationasadriverofhumanspiradenomaandspiradenocarcinoma文獻中利用DISCOVER共現性質和互斥性分析工具對ALPK1和CYLD的互斥性進行了評價。
術語解讀
數據降維：
降維就是一種對高維度特征數據預處理方法。降維是將高維度的數據保留下**重要的一些特征，去除噪聲和不重要的特征，從而實現提升數據處理速度的目的。在實際的生產和應用中，降維在一定的信息損失范圍內，可以為我們節(jié)省大量的時間和成本。降維也成為應用非常***的數據預處理方法。
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PCA分析結果之后的分析有：
1.對組成主要成分的基因進行后續(xù)分析，探究該情況下關鍵基因表達情況
2.對組成不同主成分簇的基因進行后續(xù)分析，探究該情況下不同基因集的表達情況 蛋白組代謝組個性化分析。
PCA主成分分析測序技術的發(fā)展使得現在能夠從宏觀角度分析基因表達，但是也在一定程度上增加了數據分析難度。許多基因之間可能存在相關性，如果分別對每個基因進行分析，分析往往是孤立的，盲目減少指標會損失很多有用的信息。PCA(PrincipalComponentAnalysis)，即主成分分析方法，是一種使用*****的數據降維算法。一般可應用的研究方向有：一組基因在多個分組中的差異情況，多個基因在該樣本中的差異情況。基本原理PCA的主要思想是將n維特征映射到k維上，這k維是全新的正交特征也被稱為主成分，是在原有n維特征的基礎上重新構造出來的k維特征。PCA的工作就是從原始的空間中順序地找一組相互正交的坐標軸，新的坐標軸的選擇與數據本身是密切相關的。其中，**個新坐標軸選擇是原始數據中方差**的方向，第二個新坐標軸選取是與**個坐標軸正交的平面中使得方差**的，第三個軸是與第1，2個軸正交的平面中方差**的。依次類推，可以得到n個這樣的坐標軸。通過這種方式獲得的新的坐標軸，我們發(fā)現，大部分方差都包含在前面k個坐標軸中，后面的坐標軸所含的方差幾乎為0。于是，我們可以忽略余下的坐標軸，只保留前面k個含有絕大部分方差的坐標軸。事實上。 WGCNA其譯為加權基因共表達網絡分析。上海組學實驗數據科學
承擔各類項目超過400余項。湖北公共數據庫挖掘數據科學經驗豐富
下游分析針對LASSO獲得的基因模型（或稱基因Panel）的驗證：1.計算風險指數RiskScore2.繪制ROC曲線、DCA曲線、列線圖進行驗證3.繪制生KM存曲線對基因模型中的基因進行解釋和分析：1.基因注釋2.靶向藥物分析應用示例：文獻1：PrognosticandpredictivevalueofamicroRNAsignatureinstageIIcoloncancer:amicroRNAexpressionanalysis.于2013年12月發(fā)表在LancetOncol.，影響因子。一個miRNA特征集在stageII結腸*的預后預測作用分析文章對stageII結腸*組織和*旁正常組織的miRNA芯片數據進行了差異表達分析，并通過LASSOCox回歸對獲得的差異表達miRNA進行篩選，獲得了6個miRNA的可以預測預后情況的miRNA特征集。文獻2：PrognosticValueofaBCSC-associatedMicroRNASignatureinHormoneReceptor-PositiveHER2-NegativeBreastCancer（于2016年9月發(fā)表在EBioMedicine.上，影響因子）文章將符合條件的患者劃分為訓練集和測試集，首先分析獲得了**干細胞相關的miRNA，接著通過LASSO對**干細胞相關的miRNA進行篩選，構建了10個miRNA的預后預測模型，并計算風險指數繪制了生存曲線和ROC曲線。 湖北公共數據庫挖掘數據科學經驗豐富