術語解讀：PPI：蛋白質-蛋白質相互作用(protein-proteininteraction)PPImoduleI：指蛋白質相互作用模塊，一個模塊指向一個功能數據要求：基因列表應用示例1：（于2018年3月發表在Immunity.，影響因子）T細胞活化過程中產生蛋白質組進行多重定量分析，然后對差異表達蛋白權重聚類，并將聚類蛋白疊加到PPI網絡上以識別功能模塊。D.模塊大小的分布，通過將每個WPC（權重聚類結果）中的蛋白疊加到蛋白-蛋白相互作用(PPI)網絡上識別模塊。每個模塊的蛋白質數量顯示出來。E.各個模塊及其交互的關系圖。圓圈(節點)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)中進一步擴展了裝箱模塊。F.來自WPC3的細胞質和線粒體核糖體的四個互連模塊。顯示了蛋白質的名稱和每個模塊的代表性功能術語。G.來自WPC3的蛋白酶體，OXPHOS和線粒體復合物IV途徑的模塊。 WGCNA其譯為加權基因共表達網絡分析。組學實驗數據科學方案

    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計學意義。 云南數據庫建設數據科學服務數據庫建設、公共數據庫挖掘。

Bubbles可以同時展示pvalue和表達量。例如展示motif的pvalue和motif對應的轉錄因子的表達量，方便快速看出轉錄因子富集且高表達所在的group，預示著該分組對細胞狀態的改變（例如細胞分化、轉移、應激）起關鍵調控作用；例如做基因功能富集分析時，展示富集的通路qvalue和基因數量或geneRatio。

基本原理：

Bubbles的實質是分組數據下基因表達量或通路內基因數量的可視化，同時可以展示pvalue。

數據要求：

表達矩陣，分組

    當前位置：首頁>商城導航>immunetherapy免疫***收藏|分享immunetherapy免疫***價格：￥：標準套餐高級套餐購買數量：加入購物車立即購買產品詳情產品評論(0)immunetherapy免疫療法免疫療法是指利用人體自身免疫系統，來終止**細胞。它通過操縱免疫系統，來實現靶向**抗原或突破T細胞浸潤的障礙。免疫系統是**的重要***者。很多臨床數據表明，**的發生與機體免疫功能密切相關，宿主免疫功能低下或受***往往都會導致**發生率增高。**能夠發生的原因之一在于**細胞的免疫逃逸和其分泌的免疫***因子，導致**微環境中的免疫細胞獲得免疫***性。因此重新***免疫細胞，逆轉**微環境的免疫***狀態，是免疫療法的重要目標。應用場景預測單個樣本或者某亞型對免疫***的響應可能性基本原理：通過靶向***免疫檢查點受體——CTLA4，PD1及其配體（PDL1，PDL2），來抵抗**微環境的免疫***作用，進而解除機體免疫***，****功能發揮抗**作用。PD-1是共刺激受體B7/CD28家族的成員。它通過與其配體programmeddeathligand1（PD-L1）和programmeddeathligand2（PD-L2）結合來調節T細胞活化。CTLA-4介導的T細胞***。 胰腺疾病預后相關長鏈非編碼RNA。

sankey

桑基圖（sankey）是一種數據流圖，每條邊**一條數據流，寬度**數據流的大小。一套數據集可能有多重屬性，每層屬性之間有交叉，就可以用這種圖來展示。一般應用場景：分組與基因為多對多關系，展示高頻突變基因所處的分組；miRNA和靶基因的關系；人群按性別、年齡、家族史等特征分組，展示不同分組得**的規律。

數據要求：

多個分組及其關系，包括且不限于基因表達、突變。

下游分析：

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 結合WGCNA的ceRNA分析。四川成果發表指導數據科學服務

根據委托方提供的參考文獻和要求進行個性化特定分析。組學實驗數據科學方案

    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。 組學實驗數據科學方案