1.前沿方向

自己领域顶刊的文献；借鉴其他领域的

若数据库里面没有，可以让老师帮你挑几个通路数据集，做后续的数据挖掘

nucleic acids research收录了许多GEO挖掘出的特殊通路的数据库

genecards有各种各样基因的详细记录

如GSVA评分不仅在转录组可以评，单细胞也可以

多种聚类算法多组学、多算法聚类神器-MOVICS - 简书

模型的作用是为了筛选基因。如图展示的流程：

我们希望在TCGA里构建模型，并在其他GEO数据集中验证。为了不遇到TCGA得出的基因在GEO中没有，就提前将训练集、验证集的数据整理。

单细胞数据评分

1.addmodulescore--seurat函数

2.AUCELL评分

2.机器学习

简单分为：分类/诊断模型，预后模型

分类的意义：你所要预测的结果，只有两个选项或几个选项，而不是一个连续的值。

预后模型预测的是病人的风险分数

lasso回归也可以用作分类模型。回归与分类的差别之一，分类只有几个结果，而回归是你要预测的是一个连续性的值。分类模型容易得到一个好的结果，但预后模型所需的样本量很大。lasso回归可以选择特征，特征即为一条条基因。可以给重要的基因和不重要的基因分配系数，不重要的基因，其系数直接缩小为0。

训练集&测试集的划分

不能叫验证集！数据来源：可以一份数据拆分成两部分也可以两个独立的数据集

希望0,1的比例相同

lasso回归λ参数的选择

一般直接选择均方误差最小的λ。上面的数字指的是模型选择的基因数

模型好坏评价

1. predict函数检验其预测值

2. ROC曲线下面积，AUC越接近1越好

随机森林的特点

不同于lasso回归会给某些基因附0的系数，随机森林不放弃任何基因，因此可能导致过拟合。如果要筛选基因，可以根据其重要性评分，选取前30.

支持向量机的特点

predict后给出的是混淆矩阵而不是概率，因此不能画ROC曲线

3.生存分析

km plot

OS 总生存期
• 横坐标time:
• 活着的人：随访开始到最后一次随访时间
• 死了的人：随访开始到死亡时间

+表示病人到达随访时间，下降表示病人死亡，只要有分组就能画，可以是分期，可以使基因表达量。

数据要求：

• 离散型的临床信息
• 连续型的临床信息-离散化(年龄)
• 基因表达量-离散化(分成高表达组，低表达组)
• Risk score –离散化(高风险组，低风险组)

time event gender 为数据框列名

离散方法: 

• 1.根据中位数截断
• 2.根据某个具体的数值截断
• 3.最佳截断值（以结果为导向）

建议对所有基因进行批量的kmplot计算

4.TCGA数据整理

5.单因素cox回归

结果：

通过p值筛选基因，通过HR及HRCILL和HRCIUL即上下置信区间来解释基因是保护性还是危险性因素。

6.预后分析的常见做法

#将分类数据转换为1234；数值型和数值型放在一起，字符型和字符型放在一起，构建的模型才好

7.多因素cox的常见方法

风险森林图：

Lasso回归和多因素cox的衔接

1.lasso筛选的基因拿到cox建模继续筛选
2.lasso回归计算出风险分数，分数拿到cox和临床信息一起建模

8.免疫浸润

常用CIBERSORT，根据转录组基因表达情况倒推样本的免疫细胞比例

另一常用方法ssGSEA，得到热图：