欢迎关注”生信修炼手册”!
肿瘤作为人类健康的头号杀手，其研究的重要性不言而喻。随着芯片和NGS技术的发展，发表了很多的肿瘤相关数据。然而这些数据来自不同的组织和团队，由于缺乏统一的数据管理和组织，这些数据在发表之后就没有再利用了，为了提高数据利用率，促进肿瘤研究的发展，Oncomine的开发团队收集了各种来源的肿瘤相关的芯片数据，用标准化的分析流程处理这些数据，数据分析的结果通过web服务查询和可视化，对应的文章链接如下
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1635162/
数据库的网址如下
https://www.oncomine.org/resource/main.html
该网站只对科研工作者免费开放，需要学术邮箱注册对应的账号。该数据库中主要收录了以下两种类型的肿瘤芯片数据
- mRNA expression
- DNA copy number
每批芯片数据用表示，所有芯片数据对应的肿瘤类型和样本数示意如下
对于芯片数据，主要进行了以下几种类型的分析
- coexpression analyses
- differential expression analyses
- outlier analyses
首页的面板分成了3个部分，示意如下
最左侧的部分用于对数据进行检索或者筛选，中间的面板用于展示所有的数据集，最右侧的面板用于显示数据集的详细结果。最基本的展现形式是热图，示意如下
1. 共表达分析
在search框中指定一个感兴趣的基因，然后可以查看在特定数据集中与该基因存在共表达的基因结果，示意如下
correlation从0到1，越接近于0， 说明相关性越高。
2. 差异分析
有以下两种差异分析
- cancer_vs_cancer
- cancer_vs_normal
差异分析的热图示意如下
给出了差异的pvalue, fold change等统计学指标，对于多个基因的差异分析，用上述的热图形式展现，对于单个基因的差异分析结果，展现形式如下
用柱状图的形式展示基因在每个样本中的表达量，每个柱子代表一个样本。
3. outlier 分析
由于肿瘤样本的异质性，会出现原癌基因只在部分样本中过表达的例子，当用所有样本进行差异分析时，这部分基因的差异分析结果并不显著，为此专门开发了一种离群值分析的算法，全称如下
cancer outlier profile analysis
简称COPA, 来识别只在部分肿瘤样本中高表达的潜在的原癌基因。结果示意如下
COPA值越高，说明该基因越可能是一个真实的离群基因。通过Oncomine数据库，可以方便的探究肿瘤相关的DNA拷贝数和基因表达谱数据。
·end·
—如果喜欢，快分享给你的朋友们吧—
扫描关注微信号，更多精彩内容等着你！