immune-network免疫網絡**微環境（TME）是**周圍的環境，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境，而微環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，是免疫系統的功能單元。**微環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。基本原理：免疫系統遍布全身，涉及多種細胞、***、蛋白質和組織。它可以區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識別和***。如果免疫系統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。 采用機器學習算法對疾病的干性指數進行分型分類研究。遼寧臨床統計數據科學共同合作

    GSEA數據要求1、通常為表達譜芯片或測序數據（已經過預處理），也可以是其他形式可排序的基因數據。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。數值越小（偏向左端）的基因**在shICAM-1組中有越高倍數的差異表達，數值越小（偏向右端）的基因在對照組中有越高倍數的差異表達。縱坐標：上方的縱坐標為富集打分ES，ES是一個動態的值，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聯，***值越大**關聯越強，數值大于0**正相關，小于0則**負相關。 成果發表指導數據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（經過log2標準化的芯片數據或者RNA-seqcount數數據）以及特定基因集。**步，算法會對表達數據進行核密度估計；第二部，基于**步的結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檢驗的秩統計量計算；第四步，獲取GSVA富集分數。**終輸出為以每個基因集對應每個樣本的數據矩陣。無監督算法無監督算法常常被用于數據挖掘，用于在大量無標簽數據中發現些什么。它的訓練數據是無標簽的，訓練目標是能對觀察值進行分類或區分等。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，屬于非參數檢驗方法之一。數據要求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，為經過log2標準化的芯片數據或者RNA-seqcount數數據（基因名形式與基因集對應）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化為*細胞的過程和機制。DISCOVER，一種針對基因突變的統計檢驗工具，幫助尋找***的基因突變間互斥性和共現性。一般可應用的研究場景：探索一組基因是否在**中存在互斥性和共現性；基于基因突變的互斥性和共現性，研究**發***展的潛在機制。基本原理：DISCOVER（DiscreteIndependenceStatisticControllingforObservationswithVaryingEventRates）是一種用于檢測**基因組數據的共現性和互斥性的新統計檢驗方法。與Fisher'sexacttest等用于這些任務的傳統方法不同的是，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生的頻率是否高于或低于預期。該方法避免了共現檢測中的虛假關聯，提高了檢測互斥性的統計能力。DISCOVER的性能與其他幾個已發布的互斥性測試相比，在整個***性水平范圍內，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。蛋白質的功能由蛋白質的三維結構決定。蛋白質三維結構繪圖，可以直觀地展示蛋白質三維功能結構，廣泛應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域。基本原理蛋白質三維結構繪圖主要分為蛋白質三維結構預測以及對結構進行可視化兩步。蛋白質三維結構預測是基于蛋白質中氨基酸序列預測蛋白質折疊結構的步驟，**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具有相似的蛋白質結構，要推測一個未知結構蛋白的三維結構，只需要找到與之序列高度相似的已知結構模板。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。獲得蛋白質三維結構預測的pbd文件后還需要通過分子三維結構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。數據要求目標蛋白的氨基酸序列或者編碼蛋白的基因序列，突變數據等。下游分析突變位點靶向藥物分析等。 生物醫學科研領域的組學數據處理。云南算法還原與開發數據科學方案

提供語言潤色、圖表調整、格式修改等工作模塊。遼寧臨床統計數據科學共同合作

    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系。一般應用場景：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。基本原理：**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每兆堿基中發生置換和插入/缺失突變的總數。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，同時基于TMB進行的臨床研究都得到了較好的結果。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。結合TMB，可以從免疫***角度探尋關鍵基因、探究不同亞型**存在的不同發病機制。數據要求：基因突變數據，臨床或其他分類數據。 遼寧臨床統計數據科學共同合作