The Pan-Cancer analysis of pseudogene expression reveals biologically and clinically relevant tumour subtypes
多癌中假基因表达展示了与肿瘤亚型相关的生物学和临床特性
作者从TCGA中采集了2808个病人，7种癌症的假基因表达谱（自己研发的pipeline），通过监督学习证明了假基因区分亚型的能力，并用分子实验验证。在肾癌中，假基因与病人的生存密切相关.
1. 知识积累：
（1）假基因 蛋白质编码基因发生了有害的突变，不能编码蛋白质了，就变成了假基因。
a 假基因具有转录活性，并不是没有用的，可以做转录因子
(2) 匹配得分 （alignability score ）？？？
(3) BAM file BAM文件是SAM文件的二进制版本，用来储存相似序列达到128Mb的文件。
（4）卡方检验 两个变量间有没有关系 如男性和女性在购买线上生鲜食品时有没有区别
（5）multivariate Cox proportional hazards model 多变量cox比例风险模型 评估几个因素对生存的影响，预测变量称为斜变量。
2. 流程：
（1）创建新的假基因筛选流程
将耶鲁的假基因数据注释和gencode的假基因注释结合
筛选出与任何已知蛋白质编码基因相交的假基因外显子
查找这些外显子是不是重复的
将外显子的可对齐性得分（alignability score）< 0.95的留下来
筛选出reads数匹配到TCGA基因组数据库BAM文件的假基因
（2） 监督学习：假基因亚型间的表达
将数据集分成训练集和验证集
在训练集中运用五折交叉验证，通过三种机器学习方法RF，SVM和LR进行预测
在训练集中画出三种机器学习的AUC曲线
将效果最好的机器学习方法，通过整个训练集对验证集进行重新验证
（3）假基因区分肿瘤亚型的效果评估
为了研究假基因的预后效果，将肾癌的病人分成两个亚型。
a 卡方检验：假基因亚型和TCGA的分子亚型
b 乳腺癌中，效果的评估
（4）肾癌中假基因的预测效果
用NMF无监督学习区分肾癌的亚型
生存分析
multivariate Cox proportional hazards model
3. 结果与结论
（1）假基因在各个亚型中的分布情况
a : 总共是所有的假基因，黑色是在不同亚型间差异表达的假基因
b: 选取乳腺癌中ATP8A2P1的表达箱线图
（2）机器学习
SVM效果最好
（3）效果评估
（4）肾癌中的预后效果
