主要针对富集分析的结果进行简化，并提供了一些强大的可视化函数。GO的条目是冗余的，做一次GO富集分析可以得到几千条term，让人眼花缭乱，可以使用simplify函数去冗余。做的是类似的事情，但是并，把相似性大的条目聚到一起，实现“物以类聚人以群分”的效果，让我们对所有的富集的结果有一个整体的认知。作者开发了一种binary cut但DOSEmeshesReactomePA以上几个函数都是计算相似

免疫浸润结果分子分型MOVICS。该包与其他分子分型R包最大的不同是它能同时使用多组学的数据，普通的分子分型R包只能通过一种组学数据进行分析，比如只能通过mRNA的表达矩阵进行分析。但是这R包它可以同时通过比如说mRNA、lncRNA、甲基化数据、突变数据进行分型。之外，它还提供了分型之后每个亚型的探索以及每个亚型内的分析。所以说这是一个一站式的包。这个的功能主要分为三个部分，示意图如下：第一个部

ORA和GSEA。假如你手上有一撮基因，但是你不知道它们有哪些功能，你可以先做个ORA富集分析；假如你有一撮基因，你想看看它们在两种状态下分别会富集在哪些通路，或者两种状态下的功能会有哪些不一样，那你可以做GSEA。平常最常见的GO和KEGG只是已知功能的基因集合而已，这些基因的功能我们已经研究透了，现在把它们放一起，用来方便大家探索你手上的基因可能有哪些功能，这就是注释基因集，用已知功能的基因来

TCGA和GTEx的泛癌数据分析也是生信数据挖掘的必备技能，目前最好用的泛癌数据肯定是XENA网站上整理好的啦。我们直接下载用即可。而且XENA的数据估计短时间不会更新的，所以基本上是一次整理永久使用！我把整理泛癌数据的代码也写成了一个函数，并放到了easyTCGA包中，大家安装即可使用。

这个方法是基于。

包的一大特色就是可以同时绘制多个热图，本章主要介绍水平排列的热图，垂直排列的热图原理与此类似，会在后面简要介绍。单列热图有时在将可以显示的热图列表连接起来时很有用，例如，如果行是基因，则基因的类型（即是否编码蛋白质）可以表示为一列字符矩阵，而差异表达分析的p值或倍数变化可以表示为一列数字矩阵，并连接到主热图。对于多个热图来说，每个小热图的注释条高度是不一样的，但是使用。这里的标题是表示全局标题，也

大家看文献时可能经常遇到各种的可视化，都很好看，但是不知道怎么画出来的：GISTIC2会自动出一些结果，但是并不好看，而且扩增和删失是分开的：网络上也没找到怎么画，只能自己操作一下了！

竞争风险模型(Competing Risk Model)适用于多个终点的生存数据，传统的生存分析(survival analysis) 一般只关心一个终点事件(即研究者感兴趣的结局)。将其他事件均按删失数据(Censored Data)处理，要求个体删失情况与个体终点事件相互独立，结局不存在竞争风险。竞争风险模型(Competing Risk Model) : 指的是在观察队列中，存在某种已知事件

本文是对glmnet包的说明，主要参考官方文档：https://glmnet.stanford.edu/glmnet包可以实现lasso回归、岭（ridge）回归、弹性网络（elastic-net），它非常强大，可以用于的Lasso或弹性网络正则化路径拟合，并且效率极高。我们主要介绍它的lasso回归功能，主要是因为lasso可以把变量的系数变为0，达到筛选变量的目的。并且我们会以逻辑回归和COX

GseaVis，专门用于GSEA富集分析可视化，相比于enrichplot，增加了很多好用的功能，很多功能让我直呼泰裤辣！！