生物统计学贯穿于临床研究的整个阶段，主要包括： 试验设计 数据管理 统计分析计划制定 试验数据处理 统计分析报告 4.选用合适的统计软件，进行统计分析，报告统计结果:获得了数据框结构的数据集，把数据集导入统计软件，选对了统计方法，计算出结果并非难事然而，事情并没有这么简单，统计分析是一个系统工程，需要进行预分析、正式分析等多次尝试，最终获得一个临床可解释的符合逻辑的结果。例如:一份计量资料，我们首先考虑使用线性模型进行方差分析但是分析过程中发现方差不齐，我们可以改做秩和检验如在Logistic回归分析过程中，可以分别选用全部进入法和逐步回归法筛选变量或者先做单因素分析根据单因素分析的P值筛选变量也可以几种方法均尝试一下，然后比较几种方法所得出结果的差异，再根据专业知识和分析目的，作出自己的判断。可见统计分析不是一蹴而就的过程，而是不断尝试、不断思考不断调优的过程。 5.评估统计结果，合理表达结果，结合专业知识与统计结果回答我们提出的临床问题:选择合适的载体才能有效传达信息统计结果的表达载体无非是表格、图形与文字选择的原则也是优先选择图形，其次是表格，再次是文字此外，要特别注意从统计结论过渡到专业结论大家都需要特别慎重,不可过度推断，随意发挥基于统计结果做出合理的推断得到符合逻辑的结论，才是严谨而有价值的研究 只有进行科学合理的统计分析，才能根据临床研究得出正确可靠的结论。 欢迎联系我。
GEPIA是一种新开发的交互式网站，使用标准流程分析来自TCGA和GTEx项目的9736个肿瘤和8587个正常样本的RNA 测序表达数据。GEPIA无需edu后缀的邮箱注册，直接登录即可，门槛相当低，任何人都可以免费使用；操作也非常简单，通过点点点就可以进行综合全面的分析；非常适合生信分析入门 GEPIA 数据库的主要功能:1.单基因分析，差异分析，与肿瘤分期的相关性，生存分析和相似基因。2.肿瘤类型分析，包括筛选与肿瘤关系、影响生存最密切的基因。3.多基因分析，包括基因表达的相关性和降维分析等4.免疫细胞类型分析，用于探究肿瘤的免疫浸润分析。GEPIA 数据分析平台可分为三大模块:肿瘤类型分析(Cancer Type Analysis) ，适于筛选具有表达差异或者生存差异的基因，有两种分析;2单基因分析(Single Gene Analysis) ，适于基因确定情况下的生信分析，包括散点图，生存等共五种分析;3多基因分析 (Multiple Gene Analysis)，适于多基因综合分析，包括多基因对比、相关分析和 PCA 分析三种情况。差异表达和生存分析是生信分析的核心，那么，我们如何用 GEPIA 进行生存差异基因的筛选呢? 用 GEPIA 快速筛选差异表达的基因进入 GEPIA 主页-点击 Cancer Type…
文献中很常见的“火山图”怎么看？ 1.坐标轴：横轴是log2（Fold change），显示差异倍数（FC），点越偏离中心，表示差异倍数越大；纵轴是-log 10（adj.p-value），显示显著性，点越靠图的顶部，表示差异越显著；2.点：图中每个点代表一个检测到的基因（或蛋白、代谢物等），图中这些点分别具有不同颜色，颜色的意义可以参考图片右侧的图例：UP：差异显著且上调的基因DOWN：差异显著且下调的基因NOT：差异不显著的基因。3.差异基因筛选阈值设置：根据差异倍数（fold change）和显著性（P-value）设定差异基因的筛选阈值。p-value：表示某个基因在分组之间的表达是否差异显著，一般认为p-value<0.05为显著。Adjusted p-value：即经过统计学方法校正后的p-value，由于统计学上常用的校正方法包括”BH”、”FDR”等，所以在一些文章中，我们也会看到筛选差异基因的阈值是FDR<0.05。p值越小差异越显著，但直接用adjusted p-value画图的话点会集中在底部不美观，而-log 10（adjusted p-value）转换后正好是反了过来，数值越大越显著，而且以10为底很容易换算回去，做出的图比较美观。Fold Change：表示两个分组之间的差异倍数，其绝对值越大说明某基因在两组之间的表达差异也越大。该值为正时，表示差异上调；该值为负时，表示差异下调。画图时，一般转换为log2FoldChange，使展示更直观。各位学弟学妹们有任何疑惑都可以在下方评论区留言，或关注私信师兄，师兄看到一定会及时回复哒!另外，有需要系统化学习生信和医学类SCI一对一 辅导的同学，也可以猛戳师兄私信!!欢迎联系我。
⭕️Code Interpreter插件的出现，不仅补上了ChatGPT的短板，还为AI提供了一个解决问题的通用工具箱。它使用Python编程语言，可以处理高达100MB的文件，并且这些文件可以是压缩形式。✅这就意味着，你不再需要担心数据过大无法处理的问题。Code Interpreter插件将这个强大的工具箱整合到了AI中，使得AI在处理问题时变得更加强大和灵活。ChatGPT的Code Interpreter插件功能强大，包括但不限于： 🔶数据分析和可视化：使用Python的视觉语言进行数据分析、读取数据、进行统计分析、创建图表等。 🔶数学和科学计算：进行复杂的数学和科学计算，包括代数、微积分、线性代数、概率统计等。 🔶机器学习和人工智能：使用像scikit-learn、tensorflow、pytorch这样的库，训练和预测机器学习模型，包括回归、分类、深度学习等。 🔶语言处理：进行自然语言处理任务，如分词、词性标注、命名实体识别、情感分析、语言模型预测等。 🔶编写和测试程序：编写、运行和测试新的程序代码片段。🔶编辑图片和视频：上传文件，然后请ChatGPT放大、缩小、裁切图片，甚至调整图片色调，以及将视频分割成几个段落，删除不需要的部分。 欢迎联系我。
双向孟德尔随机化这个挑战其实很简单，双向的含义就是互为因果性，将暴露作为结局，结局作为暴露在跑一次，就得到了双向孟德尔的结论，可以得出是否存在双向因果性。 知道了双向MR的原理，那如何具体去做呢？两种思路：1. Steiger directionality test（在和谐化的数据后加一段代码就可以计算出结果）2.Reverse MR(进行反向MR，就按照做TwoSampleMR的一整套流程（A→B），将暴露和结局反过来，#留学生辅导 暴露当结局，结局当暴露，再次进行一整套TwoSampleMR分析（B→A）我选择了Steiger检验，具体展示在明天的写作部分~💗：注释：任何类型的孟德尔随机化都不存在难度，因此现在这个阶段一篇双向孟德尔随机化能投的杂志在3～5，对于文章分数有追求的师弟师妹可以去关注我前面挑战的肠道菌群和药物靶向。一起学起来，师弟师妹们可以多花些时间（如果基础较差的话），明天就开始正式写作啦！ 欢迎联系我。
今年的影响因子勉强够啦，接下来更新挑战写的论文分为两类，第一类为带师弟师妹们完成论文（不参与投稿和作者序列）；第二类自己写了投稿，投稿会选低分段的非OA或者大于10分/15分两个类别的OA杂志，短期内不会再投稿。 今天开始新的挑战！第1天：收集信息。检索关键词：“Bidirectional Mendelian Randomization”,发表的杂志影响因子和分区都还不错,J Med Virol（Q1,12.7）,Journal of Crohns & Colitis(Q1,8.0)，仔细留意一下，把sort by调整成：publication date，最近出版的就是类似于Gene这样的分区可以的3-5分文章。任何方法都是先学会的吃肉呀，当然，能跟着喝汤也不错~ 总文章934篇，对于一个很好选题的方法来说，竞争确实不算大，毕竟两样本孟德尔都8300+篇了，离我九月份第一次更新挑战才过去2个月，就增加了500+篇发表~ 现在也有趋势是把孟德尔随机化当成一种研究方法，放到临床研究或者meta分析材料里面，冲高分。 除了检索信息，我还下载了10+近期双向孟德尔和经典高分双向孟德尔的范文，先精读，今天挑战就算开始啦！❤注释：挑战时间为非工作、考试/原定学习计划时间，所有步骤都是现想（大家可以模仿我的思路），非已有课题主打从0开始！ 欢迎大家围观！！！ 欢迎联系我。
一篇SCI对于广大研究生朋友来说是最难得也是至关重要的，就我自己来说，第一篇SCI顺利发表给我带来了极大的信心，也为后期继续撰写SCI带来了很大的动力 今天给大家盘点一下医学SCI期刊中对于国人、研究生比较友好的杂志社和旗下的期刊。⭕️Frontiers系列：这个杂志可以说近几年人气非常火爆，被称为研究生之友毫不为过，为广大硕博毕业做出来巨大贡献！✅特点：对于文章质量要求不算高，接受率高，只要文章符合范围且质量不是太拉胯都会送审，但版面费比较贵。 ⭕️BMC系列：国人友好，旗下许多杂志审稿速度都很快，当然也有一些投稿难度和质量较高的期刊，比如BMC Medicine。 ⭕️DOVE系列：国人友好，接受率高，审稿速度快，但质量高的期刊比较少。 ⭕️Hindawi系列：最大的特点就是找编辑要找很久，常常等了一个月才等到学术编辑，许多等不及的朋友就直接撤稿了，但是后续的审稿速度比较快，总体来说速度、接受率、版面费综合起来还是不错的。 我这里也只列举了一部分，如果大家还有什么比较好投的宝藏期刊可以分享出来，大家一起交流一下 欢迎联系我。
整理了一些最近一系列比较好投的期刊，NHANES或者临床研究相关，(来源于一些辅导的同学和我投的)一起来看看哪些期刊能投吧 (图片太多了就没放完，要看详情的可以去官网哦)1⃣️Frontiers系列1. Frontiers in immunology (中科院2区，影响因子7.2）2. Frontiers in Nutrition (中科院2区，影响因子5.0）3. Frontiers in Endocrinology (中科院2区，影响因子5.2） 强推组‼️2⃣️ Springer及其子杂志社BMC✅1. Environmental Science and Pollution Research (中科院3区，影响因子5.8，最近收到了3个审稿邀请，比较推荐的非OA期刊，）✅2. JOSR (BMC旗下骨科期刊，比较友好，中科院3区，2.6分）✅3. International…
这次回来跟大家汇报挑战的成果：十一月总共接收两篇文章：一篇一区的JMIR，影响因子：7.4行业顶刊（大修后小修，小修后接收）另外一篇传统的二区杂志，非OA，因为我还要持续投，所以就不透露杂志啦（这已经是该杂志接收第二篇啦~） 除了汇报成果以外，还得宣布12月份的挑战至少更新18天（大概也就是两篇文章的水平~其实我电脑里已经堆了几篇没投稿的了） 感谢大家的关注，祝你们也多多Accept! 欢迎联系我。
近期看到一篇孟德尔随机化文章，发表在Sci Total Environ，影响因子9.8！ 回到正文，作者利用环境空气污染多项指标的工具变量作为暴露，探索空气污染对多种site-specific cancers风险的影响，最终鉴定出受到空气污染影响的CA种类。由此可见，在环境科学的领域，孟德尔随机化也能占得一席之地。只要有心，依旧有许多可以挖掘的空白领域。 如今，孟德尔随机化“课题撞车”屡见不鲜，造成这种原因往往是低门槛灌水及千篇一律的套Lu，比如菌群，metabolites，drug targets等，往往是成批的数据，随便拿过来跟某个disease分析，总能有几个阳性结果，相对门槛不高。并非说不可取，而是大家都这么去做了，也就存在撞车的风险，那么后果也是由自己承担。如何避免这种事情发生在自己身上？ 在指导学员课题上，我们一直是追求能做大就做大，能做深入就做深入，能利用多种手段提高证据等级就尽量利用，尽量避免自己的课题因为门槛太低或者陷入常见的套路而被抢发。欢迎联系我。