在Co-mutation and exclusion analysis in R这篇文章中提到maftools包的somaticInteractions()函数可以做Co-mutation/exclusion分析及可视化
由于结果图中展示的颜色有点问题，因此我去查看了下其源码，发现其是参考文献：Combining gene mutation with gene expression data improves outcome prediction in myelodysplastic syndromes
在生物信息分析中，有时会看下基因突变之间是否会表现出mutual exclusion或者co-occurrence模式
在R中可以用maftools包的somaticInteractions()函数即可分析，如下所示
读取/处理word documents (docx)的R包有：
Confusion Matrix，及混淆矩阵，用于展示模型预测精度的一种较为常见的方法；其属于分类模型评价方法中的一种，其他还有收益图(Gain)，提升图(Lift)，ROC等
对于最常见的二元分类来说，它的混淆矩阵是2x2的，以wiki图为例：
记录下dplyr包的一些有用的操作函数
找到一个Shiny资源，分享下。。。非常好用的工具集！
推荐三篇关于Shiny module使用技巧的博文，相比shiny官网中的module相关教程，其更加深入的介绍了一些用法（PS. 是一家名为ArData的公司写的，其有open source里有几个R包蛮有名的--officer包和flextable包）：
有些服务器会有无法用https访问网站的问题，如：
URL 'https://cran.rstudio.com/src/contrib/PACKAGES.rds': status was 'SSL connect error'在之前Shiny reference resoures中提到一篇book(Engineering Production-Grade Shiny Apps)，里面提到构建一个R package来展示以及分享Shiny app，并且推荐用golem包来搭建Shiny app package的框架
{golem} is an opinionated framework for building production-grade shiny applications
最近找shiny resource，发现shiny的shinyWidgets拓展包使用着非常不错，能给shiny各个控件润色不少，记录下一些有趣的功能
示例概览可以看官方文档：Widgets available
Function reference包含了shinyWidgets包所有的函数，点击后可查看具体某个函数的示例
为了方便后续的使用，我对一些函数的大体功能做了整理，便于个人使用
最近由于工作上的需求重新整理了下Shiny资料，以及在网上找了些新的东西学习了下，一些个人觉得蛮适合shiny学习的资料在此分享一下。。。后续还会整理下实用的Shiny extend packages
Odds ratio(OR)从字面上可看出，是两个odds的ratio，其用于：
在病例对照研究（case-control study）中，分析暴露风险因素与疾病（或者用药）的关联程度；主要是反映暴露与疾病之间关联强度的指标，OR常适用于病例对照研究，也可以运用于前瞻性的研究（当观察时间相等时）
与其相似的有个指标relative risk(RR)，其可以理解为risk ratio，用于：
在队列研究（cohort study）中，分析暴露因素与发病的关联程度；主要是反映暴露与发病（死亡）关联强度的最有用的指标，RR适用于队列研究或随机对照试验。
偏态分布（Skewed distribution）是指频数分布不对称，集中位置偏向一侧。若集中位置偏向数值小的一侧，称为正偏态分布；集中位置偏向数值大的一侧，称为负偏态分布。 偏态分布只有满足一定的条件（如样本例数够大等）才可以看做近似正态分布
对于偏态分布的资料可看：The Skew-Normal Probability Distribution
摘抄整理自：《Mastering Shiny》 中的第7章 "User feedback"
为了让用户对于shiny app正在运行的功能有更好的了解，我们希望能以message或者其他输出形式对其进行说明解释，这个是属于Feedbac
这是一本online版的shiny book, 《Mastering Shiny》，按照作者Hadley Wickham（真大神也。。）的说法，将于2020年在O'reilly系列中出版
Shiny is a framework for creating web applications using R code. It is designed primarily with data scientists in mind, and to that end, you can create pretty complicated Shiny apps with no knowledge of HTML, CSS, or JavaScript
这是我整理的关于Spotfire的第三篇文章，主要记录下如何在Spotfire中安装Spotfire Statistics Services服务；由于网上相关资料比较少，而官方文档有些细节没写清楚，因此折腾了好久，因此记录下大致的过程。。。希望能帮助到大家，节省点时间哈（虽然用Spotfire的人真的不多）~
上篇 Spotfire ironpython示例小结 主要整理了关于Spotfire中关于如何使用Ironpython来拓展Spotfire使用范围，即通过脚本来控制分析及展示的过程
这篇文章主要整理下关于Spotfire中TERR脚本使用注意事项，TERR是一个集成在Spotfire中的一个R版本，代码的函数以及R包的用法大部分都跟Open R（常见的R版本）一样，唯一需要注意的是如何将其结果输出到Spotfire的一些文档属性或者可视化图形中
Spotfire是一个比较人性化的可视化软件，在药企（大外企）数据临床数据管理可视化方面应用较好
Spotfire除了自带的一些常用操作功能外，其内嵌了ironpython和TERR；以下是这段时间来整理的，关于一些功能的ironpython的实现
Spotfire-Ironpython主要社区： https://community.tibco.com/wiki/ironpython-scripting-tibco-spotfire
平时常见的数据属性类型有连续和分类，然后在输入ML algorithms之前一般会转化为numerical matirx；除了上述两类数据外，还有一种是文本型数据，我们也需要通过一定的方法将其转化为numerical matirx
在肿瘤研究中，bioinformatics是一个很好的用于寻找biomarker的方法，其中会涉及到两个概念：预后生物标记物（prognostic biomarker）和预测生物标记物（predictive biomarker）；最近在一个biomarker探索性研究中把两者搞混了，经推荐看了一篇文章（预后因素？预测因素？一字之差，谬之千里），以及结合研究数据才把两者搞清楚，因此粗略的做个记录