TMB**突變負(fù)荷**突變負(fù)荷（TMB）作為免疫療法的生物標(biāo)志物，能夠較好的預(yù)測患者免疫***的療效。基于**突變負(fù)荷，可以從一種新的角度探尋基因跟免疫及預(yù)后的關(guān)系。一般應(yīng)用場景：基于TMB預(yù)測不同性狀的免疫***療效、不同基因表達(dá)或突變對免疫***潛在的影響?；驹恚?*突變負(fù)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(bào)道了TMB與PD-1/PD-L1抑制劑的療效高度相關(guān)，同時(shí)基于TMB進(jìn)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(biāo)志物對免疫療法的療效進(jìn)行一定程度的預(yù)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(jī)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)。 根據(jù)委托方提供的參考文獻(xiàn)和要求進(jìn)行個性化特定分析。天津生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)方案

    GSVA算法接受的輸入為基因表達(dá)矩陣（經(jīng)過log2標(biāo)準(zhǔn)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(dá)數(shù)據(jù)進(jìn)行核密度估計(jì)；第二部，基于**步的結(jié)果對樣本進(jìn)行表達(dá)水平排序；第三步，對于每一個基因集進(jìn)行類似K-S檢驗(yàn)的秩統(tǒng)計(jì)量計(jì)算；第四步，獲取GSVA富集分?jǐn)?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(biāo)簽數(shù)據(jù)中發(fā)現(xiàn)些什么。它的訓(xùn)練數(shù)據(jù)是無標(biāo)簽的，訓(xùn)練目標(biāo)是能對觀察值進(jìn)行分類或區(qū)分等。核密度估計(jì)核密度估計(jì)（kerneldensityestimation）在概率論中用來估計(jì)未知的密度函數(shù)，屬于非參數(shù)檢驗(yàn)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(dá)矩陣，為經(jīng)過log2標(biāo)準(zhǔn)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(dá)分析3、基因集。 天津診療軟件開發(fā)數(shù)據(jù)科學(xué)服務(wù)實(shí)驗(yàn)室致病類病原微生物數(shù)據(jù)分析平臺。

    術(shù)語解讀：PPI：蛋白質(zhì)-蛋白質(zhì)相互作用(protein-proteininteraction)PPImoduleI：指蛋白質(zhì)相互作用模塊，一個模塊指向一個功能數(shù)據(jù)要求：基因列表應(yīng)用示例1：（于2018年3月發(fā)表在Immunity.，影響因子）T細(xì)胞活化過程中產(chǎn)生蛋白質(zhì)組進(jìn)行多重定量分析，然后對差異表達(dá)蛋白權(quán)重聚類，并將聚類蛋白疊加到PPI網(wǎng)絡(luò)上以識別功能模塊。D.模塊大小的分布，通過將每個WPC（權(quán)重聚類結(jié)果）中的蛋白疊加到蛋白-蛋白相互作用(PPI)網(wǎng)絡(luò)上識別模塊。每個模塊的蛋白質(zhì)數(shù)量顯示出來。E.各個模塊及其交互的關(guān)系圖。圓圈(節(jié)點(diǎn))表示90個模塊，圓圈大小與模塊大小成比例。邊連接共享PPIs的模塊。在(F)和(G)中進(jìn)一步擴(kuò)展了裝箱模塊。F.來自WPC3的細(xì)胞質(zhì)和線粒體核糖體的四個互連模塊。顯示了蛋白質(zhì)的名稱和每個模塊的代表性功能術(shù)語。G.來自WPC3的蛋白酶體，OXPHOS和線粒體復(fù)合物IV途徑的模塊。

    GSEA術(shù)語解讀Enrichmentscore（ES）ES是GSEA**初的結(jié)果，反應(yīng)關(guān)注的基因集S在原始基因數(shù)據(jù)序列L的頂部或底部富集的程度。ES原理：掃描排序序列，當(dāng)出現(xiàn)一個基因集S中的基因時(shí)，增加ES值，反之減少ES值，一個基因的ES值權(quán)重與差異表達(dá)度相關(guān)。ES是個動態(tài)值，**終ES是動態(tài)掃描過程中獲得的**ES值。如果**終ES為正，表示某一功能基因集S富集在排序序列頂部。ES為負(fù)，表示某一基因集S富集在排序序列底部。NES由于ES是根據(jù)分析的排序序列中的基因是否在一個基因集S中出現(xiàn)來計(jì)算的，但各個基因集S中包含的基因數(shù)目不同，且不同功能基因集S與原始數(shù)據(jù)之間的相關(guān)性也不同，因此比較數(shù)據(jù)中基因在不同基因集S中的富集程度要對ES進(jìn)行標(biāo)準(zhǔn)化處理，也就是計(jì)算NES。NES=某一基因集S的ES/數(shù)據(jù)集所有隨機(jī)組合得到的ES平均值，NES是主要的統(tǒng)計(jì)量。nominalp-value（普通P值）描述的是針對某一功能基因集S得到的富集得分的統(tǒng)計(jì)***性，通常p越小富集性越好。FDR（多重假設(shè)檢驗(yàn)矯正P值）NES確定后，需要判斷其中可能包含的錯誤陽性發(fā)現(xiàn)率。FDR=25%意味著對此NES的判斷4次可能錯1次。GSEA結(jié)果中，高亮顯示FDR<25%的富集基因集S。因?yàn)閺倪@些功能基因集S中**可能產(chǎn)生有意義的假設(shè)。大多數(shù)情況下。 構(gòu)建新的臨床預(yù)測模型。

    術(shù)語解釋：Cox回歸：又稱比例風(fēng)險(xiǎn)回歸模型(proportionalhazardsmodel，簡稱Cox模型)，是由英國統(tǒng)計(jì)學(xué)家。該模型以生存結(jié)局和生存時(shí)間為應(yīng)變量，可同時(shí)分析多種因素對于生存期長短的影響。Cox模型能分析帶有截尾生存時(shí)間的資料，且不要求估計(jì)資料的生存分布類型，因此在醫(yī)學(xué)界被***使用。Logistic回歸：又稱邏輯回歸模型，屬于廣義線性模型。邏輯回歸是一種用于解決二分類問題的分析方法，用于估計(jì)某種事物的可能性。相較于傳統(tǒng)線性模型，邏輯回歸模型以概率形式輸出結(jié)果，可控性高且結(jié)果可解釋性強(qiáng)。數(shù)據(jù)要求：樣本臨床信息或生物學(xué)特征（基因突變、基因表達(dá)等）樣本的隨訪數(shù)據(jù)（總生存期，生存狀態(tài)）或樣本的分組情況下游分析：1.補(bǔ)充相關(guān)因素的已有相關(guān)研究2.解釋相關(guān)因素對研究課題的意義。 云生物深度理解科研需求、強(qiáng)大分析處理能力。云南成果發(fā)表指導(dǎo)數(shù)據(jù)科學(xué)服務(wù)

云生物提供數(shù)據(jù)科學(xué)服務(wù)。天津生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)方案

ssGSEA基本原理

對于一個基因表達(dá)矩陣，ssGSEA首先對樣本的所有基因的表達(dá)水平進(jìn)行排序獲得其在所有基因中的秩次rank。然后對于輸入的基因集，從基因集中尋找表達(dá)數(shù)據(jù)里存在的基因并計(jì)數(shù)，并將這些基因的表達(dá)水平求和。接著基于上述求值，計(jì)算通路中每個基因的富集分?jǐn)?shù)，并進(jìn)一步打亂基因順序重新計(jì)算富集分?jǐn)?shù)，重復(fù)一千次，***根據(jù)基因富集分?jǐn)?shù)的分布計(jì)算p值整合基因集**終富集分?jǐn)?shù)。

數(shù)據(jù)要求

1、特定感興趣的基因集（通常為免疫細(xì)胞表面marker genes），列出基因集中基因

2、基因表達(dá)矩陣，為經(jīng)過log2標(biāo)準(zhǔn)化的芯片數(shù)據(jù)或者RNA-seq count數(shù)數(shù)據(jù)（基因名形式與基因集對應(yīng)）

下游分析

免疫細(xì)胞浸潤分?jǐn)?shù)相關(guān)性（corralation）分析 天津生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)方案