PPImodule蛋白質(zhì)互作蛋白質(zhì)-蛋白質(zhì)相互作用（protein-proteininteraction,PPI）是指兩個(gè)或兩個(gè)以上的蛋白質(zhì)分子通過(guò)非共價(jià)鍵形成蛋白質(zhì)復(fù)合體（proteincomplex）的過(guò)程。PPImodule是指共表達(dá)蛋白模塊或蛋白質(zhì)相互作用模塊。蛋白質(zhì)相互作用形成人體復(fù)雜的蛋白質(zhì)相互作用網(wǎng)絡(luò)，對(duì)蛋白質(zhì)相互作用網(wǎng)絡(luò)進(jìn)行聚類形成模塊從而幫助我們理解細(xì)胞的功能。我們一般使用PPImodule把基因列表跟蛋白相互作用網(wǎng)絡(luò)聯(lián)系起來(lái)。例如RNA-seq獲得的差異表達(dá)基因，看他們?cè)诘鞍紫嗷プ饔镁W(wǎng)絡(luò)中，哪些基因處于同一module?；驹恚旱鞍踪|(zhì)在細(xì)胞中的功能取決于它與其他蛋白質(zhì)、核酸和小分子相互作用關(guān)系，對(duì)蛋白質(zhì)相互作用網(wǎng)絡(luò)進(jìn)行聚類形成模塊，各個(gè)蛋白模塊發(fā)揮不同的功能，我們將基因列表重疊于模塊上，查找基因列表所在的功能模塊，從而發(fā)現(xiàn)基因列表中的基因可能發(fā)揮的細(xì)胞功能。我們通過(guò)PPI數(shù)據(jù)庫(kù)找到共表達(dá)蛋白中的module,然后從模塊中篩選出基因列表的產(chǎn)物蛋白，篩選出的結(jié)果就是基因列表***表達(dá)的PPImodule。 基因組數(shù)據(jù)全鏈條處理、蛋白組代謝組個(gè)性化分析。重慶生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)服務(wù)

    當(dāng)前位置：首頁(yè)>商城導(dǎo)航>immunetherapy免疫***收藏|分享immunetherapy免疫***價(jià)格：￥：標(biāo)準(zhǔn)套餐高級(jí)套餐購(gòu)買數(shù)量：加入購(gòu)物車立即購(gòu)買產(chǎn)品詳情產(chǎn)品評(píng)論(0)immunetherapy免疫療法免疫療法是指利用人體自身免疫系統(tǒng)，來(lái)終止**細(xì)胞。它通過(guò)操縱免疫系統(tǒng)，來(lái)實(shí)現(xiàn)靶向**抗原或突破T細(xì)胞浸潤(rùn)的障礙。免疫系統(tǒng)是**的重要***者。很多臨床數(shù)據(jù)表明，**的發(fā)生與機(jī)體免疫功能密切相關(guān)，宿主免疫功能低下或受***往往都會(huì)導(dǎo)致**發(fā)生率增高。**能夠發(fā)生的原因之一在于**細(xì)胞的免疫逃逸和其分泌的免疫***因子，導(dǎo)致**微環(huán)境中的免疫細(xì)胞獲得免疫***性。因此重新***免疫細(xì)胞，逆轉(zhuǎn)**微環(huán)境的免疫***狀態(tài)，是免疫療法的重要目標(biāo)。應(yīng)用場(chǎng)景預(yù)測(cè)單個(gè)樣本或者某亞型對(duì)免疫***的響應(yīng)可能性基本原理：通過(guò)靶向***免疫檢查點(diǎn)受體——CTLA4，PD1及其配體（PDL1，PDL2），來(lái)抵抗**微環(huán)境的免疫***作用，進(jìn)而解除機(jī)體免疫***，****功能發(fā)揮抗**作用。PD-1是共刺激受體B7/CD28家族的成員。它通過(guò)與其配體programmeddeathligand1（PD-L1）和programmeddeathligand2（PD-L2）結(jié)合來(lái)調(diào)節(jié)T細(xì)胞活化。CTLA-4介導(dǎo)的T細(xì)胞***。 重慶生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)服務(wù)生物醫(yī)學(xué)科研領(lǐng)域的組學(xué)數(shù)據(jù)處理。

    術(shù)語(yǔ)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(gè)模塊指向一個(gè)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(guò)程中產(chǎn)生蛋白質(zhì)組進(jìn)行多重定量分析，然后對(duì)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(shí)別功能模塊。D.模塊大小的分布，通過(guò)將每個(gè)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(shí)別模塊。每個(gè)模塊的蛋白質(zhì)數(shù)量顯示出來(lái)。E.各個(gè)模塊及其交互的關(guān)系圖。圓圈(節(jié)點(diǎn))表示90個(gè)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(lái)自WPC3的細(xì)胞質(zhì)和線粒體核糖體的四個(gè)互連模塊。顯示了蛋白質(zhì)的名稱和每個(gè)模塊的代表性功能術(shù)語(yǔ)。G.來(lái)自WPC3的蛋白酶體，OXPHOS和線粒體復(fù)合物IV途徑的模塊。

ssGSEA（single sample GSEA）主要針對(duì)單樣本無(wú)法做GSEA而提出的一種實(shí)現(xiàn)方法，原理上與GSEA是類似的。ssGSEA根據(jù)表達(dá)譜文件計(jì)算每個(gè)基因的rank值，再進(jìn)行后續(xù)的統(tǒng)計(jì)分析。通過(guò)這個(gè)方法，我們可以得到每個(gè)樣本的免疫細(xì)胞或者免疫功能，免疫通路的活性，然后根據(jù)免疫活性進(jìn)行分組。

ssGSEA量化免疫細(xì)胞浸潤(rùn)**的一個(gè)優(yōu)點(diǎn)就是自己可以定制量化免疫浸潤(rùn)細(xì)胞種類。目前公認(rèn)并且用的**多的免疫細(xì)胞marker就是2013年發(fā)表在Immunity上的SpatiotemporalDynamicsof IntratumoralImmuneCellsReveal the Immune Landscape in Human Cancer 所提供的免疫細(xì)胞marker genes（Table S1），能提取到24種免疫細(xì)胞信息。 診療軟件開發(fā)、算法還原與開發(fā)、臨床統(tǒng)計(jì)等數(shù)據(jù)科學(xué)工作。

    GSVA算法接受的輸入為基因表達(dá)矩陣（經(jīng)過(guò)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(huì)對(duì)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(duì)樣本進(jìn)行表達(dá)水平排序；第三步，對(duì)于每一個(gè)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(gè)基因集對(duì)應(yīng)每個(gè)樣本的數(shù)據(jù)矩陣。無(wú)監(jiān)督算法無(wú)監(jiān)督算法常常被用于數(shù)據(jù)挖掘，用于在大量無(wú)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(wú)標(biāo)簽的，訓(xùn)練目標(biāo)是能對(duì)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(lái)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(hào)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(guò)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(duì)應(yīng)）下游分析1、基因集（如信號(hào)通路）的生存分析2、基因集（如信號(hào)通路）的差異表達(dá)分析3、基因集。 軟硬件配套，完成數(shù)據(jù)收集、整理、檢索、分析與智能化開發(fā)工作。重慶生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)服務(wù)

文稿投稿2個(gè)月online 發(fā)表。重慶生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)服務(wù)

    LASSO是一種機(jī)器學(xué)習(xí)算法，通常被用來(lái)構(gòu)建可以預(yù)測(cè)預(yù)后情況的基因模型。也可以篩選與特定性狀相關(guān)性強(qiáng)的基因。LASSO對(duì)于高維度、強(qiáng)相關(guān)、小樣本的生存資料數(shù)據(jù)有較好的效果。LASSO的基本思想是在回歸系數(shù)的***值之和小于一個(gè)常數(shù)的約束條件下，使殘差平方和**小化，從而使某些回歸系數(shù)嚴(yán)格等于0，來(lái)得到可以解釋的模型。該方法的估計(jì)參數(shù)λ為調(diào)整參數(shù)。隨著l的增加，項(xiàng)就會(huì)減小，這時(shí)候一些自變量的系數(shù)就逐漸被壓縮為0，以此達(dá)到對(duì)高維資料進(jìn)行降維的目的。LASSO方法的降維是通過(guò)懲罰回歸系數(shù)的數(shù)量來(lái)實(shí)現(xiàn)的?；驹鞮ASSO回歸的特點(diǎn)是在擬合廣義線性模型的同時(shí)進(jìn)行變量篩選(VariableSelection)和復(fù)雜度調(diào)整(Regularization)。因此，不論目標(biāo)因變量(dependent/responsevaraible)是連續(xù)的(continuous)，還是二元或者多元離散的(discrete)，都可以用LASSO回歸建模然后預(yù)測(cè)。這里的變量篩選是指不把所有的變量都放入模型中進(jìn)行擬合，而是有選擇的把變量放入模型從而得到更好的性能參數(shù)。復(fù)雜度調(diào)整是指通過(guò)一系列參數(shù)控制模型的復(fù)雜度，從而避免過(guò)度擬合(Overfitting)。對(duì)于線性模型來(lái)說(shuō)，復(fù)雜度與模型的變量數(shù)有直接關(guān)系，變量數(shù)越多，模型復(fù)雜度就越高。

重慶生物/藥物信息學(xué)分析數(shù)據(jù)科學(xué)服務(wù)