Lasso術語解讀λ(Lambda)：復雜度調整懲罰值，λ越大對變量較多的線性模型的懲罰力度就越大，**終獲得的變量越少。是指在所有的λ值中，得到**小目標參量均值的那一個。而是指在一個方差范圍內得到**簡單模型的那一個λ值。交叉驗證（crossvalidation）：交叉驗證是在機器學習建立模型和驗證模型參數時常用的辦法。交叉驗證，顧名思義，就是重復的使用數據，把得到的樣本數據進行切分，組合為不同的訓練集和測試集，用訓練集來訓練模型，用測試集來評估模型預測的好壞。在此基礎上可以得到多組不同的訓練集和測試集，某次訓練集中的某樣本在下次可能成為測試集中的樣本，即所謂“交叉”。數據要求：1、表達譜芯片或測序數據（已經過預處理）或突變數據2、包含生存狀態和生存時間的預后數據或者其它臨床分組數據。 診療軟件開發、算法還原與開發、臨床統計等數據科學工作。廣東公共數據庫挖掘數據科學經驗豐富

    GSEA分析：GSEA全名為GeneSetEnrichmentAnalysis（基因集富集分析）。用以分析特定基因集（如關注的GO條目或KEGGPathway）在兩個生物學狀態（如**與對照，高齡與低齡）中是否存在差異。能夠研究基因變化的生物學意義。普通GO/KEGG富集的思路是先篩選差異基因，然后確定這些差異基因的GO/KEGG注釋，然后通過超幾何分布計算出哪些通路富集到了，再通過p值或FDR等閾值進行篩選。挑選用于富集的基因有一定的主觀性，沒有關注到的基因的信息會被忽視，所以有一定的局限性。在這種情況下有了GSEA（GeneSetEnrichmentAnalysis），其思路是發表于2005年的Genesetenrichmentanalysis:aknowledge-basedapproachforinterpretinggenome-wideexpressionprofiles。主要是要有兩個概念：預先定義的基因集S（基于先驗知識的基因注釋信息）和待分析基因集L（一般初始輸入是表達矩陣）；然后GSEA目的就是為了判斷S基因集中的基因是隨機分布于L（按差異表達程度對基因進行排序），還是聚集分布在L的頂部或者底部（也就是存在差異性富集）。如果基因集中的基因***富集在L的頂部或者底部，這說明這些基因的表達對定義的分組（預先分組）的差異有***影響（一致性）。在富集分析的理論中。 上海文章成稿指導數據科學活動云生物深度理解科研需求、強大分析處理能力。

    術語解釋：Cox回歸：又稱比例風險回歸模型(proportionalhazardsmodel，簡稱Cox模型)，是由英國統計學家。該模型以生存結局和生存時間為應變量，可同時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間的資料，且不要求估計資料的生存分布類型，因此在醫學界被***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，用于估計某種事物的可能性。相較于傳統線性模型，邏輯回歸模型以概率形式輸出結果，可控性高且結果可解釋性強。數據要求：樣本臨床信息或生物學特征（基因突變、基因表達等）樣本的隨訪數據（總生存期，生存狀態）或樣本的分組情況下游分析：1.補充相關因素的已有相關研究2.解釋相關因素對研究課題的意義。

    STEM基因表達趨勢分析基因調控網絡是一個連續且復雜的動態系統。當生物體按照一定順序發生變化或者受到外界環境刺激（如受到不同濃度的化學藥物誘導）時，基因表達變化也會呈現趨勢特征。趨勢分析就是發現基因表達的趨勢特征，將相同變化特征的基因集中在一種變化趨勢中，從而找到實驗變化過程中相當有有代表性的基因群。STEM（ShortTime-seriesExpressionMiner），中文名短時間序列表達挖掘器。該軟件主要用于分析短時間實驗數據，也可用于多組小樣本數據。推薦3至8組數據。一般可應用的研究方向有：多個時間點的時間序列數據，例如多個發育時期、處理后多個時間點取樣。基本原理STEM采用了一種新的聚類算法來分析時間序列基因表達趨勢。聚類算法首先選擇一組不同的、有代表性的時間表達模式（temporalexpressionprofiles）作為模型（modelprofiles）。模型是**于數據選擇的，并從理論上保證了所選擇的模型剖面具有代表性。然后，根據每個標準化過后的基因表達模式，分配給模型中相關系數比較高的時間表達模式。由于模型的選擇是**于數據的，因此該算法可以通過排列測試，確定哪些時間表達模式在統計意義上***富集基因。對每一個基因都分配時間表達模式完成后。 不斷拓展各類大學、科研院所、醫院學術資源，互通有無，形成強大學術生態圈。

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 數據庫建設、公共數據庫挖掘。遼寧組學數據處理數據科學售后分析

自有服務器機房，可隨時調用各計算平臺算力，且團隊成員有多年科研經歷。廣東公共數據庫挖掘數據科學經驗豐富

    t-SNE（t分布隨機鄰域嵌入）是一種用于探索高維數據的非線性降維算法。它將多維數據映射到適合于人類觀察的兩個或多個維度。t-SNE非線性降維算法通過基于具有多個特征的數據點的相似性識別觀察到的簇來在數據中找到模式。另外t-SNE的輸出可以作為其他分類算法的輸入特征。因為t-SNE算法定義了數據的局部和全局結構之間的軟邊界。t-SNE幾乎可用于所有高維數據集，廣泛應用于圖像處理，自然語言處理和語音處理。在生物信息中可廣泛應用于基因表達數據、基因甲基化數據、基因突變數據等，能夠直觀地對不同數據集進行比較。基本原理從方法上來講，t-SNE本質上是基于流行學習(manifoldlearning)的降維算法，不同于傳統的PCA和MMD等方法，t-SNE在高維用normalizedGaussiankernel對數據點對進行相似性建模。相應的，在低維用t分布對數據點對進行相似性(直觀上的距離)建模，然后用KL距離來拉近高維和低維空間中的距離分布。 廣東公共數據庫挖掘數據科學經驗豐富